Kom godt fra start med AI i offentlige organisationer

AI er allerede i organisationen. Spørgsmålet er ikke, om I går i gang. Spørgsmålet er, om I får varig effekt – uden at miste styrbarhed, kvalitet og tillid.

Jeg ser offentlige organisationer svinge mellem to mønstre:

Mange parallelle initiativer på tværs af enheder. Energisk og lokalt relevant – men ofte svært at samle til fælles læring og drift.
Et centralt program med oplæg, kurser og overordnede beslutninger. Giver retning – men kan have svært ved at lande i arbejdsgangene.

Begge veje skaber aktivitet, men ikke nødvendigvis effekt. Den robuste vej ligger typisk midt imellem: kontrolleret afprøvning + tydelig governance + driftssætning.

AI som transformation og transitionsledelse

AI er ikke kun et IT-værktøj. Det påvirker måden, arbejdet bliver løst på:

hvordan man skriver, vurderer og dokumenterer
hvilke kontrolpunkter der skal ind i sagsgange
hvordan ansvar og kvalitet defineres
hvordan samarbejde og koordinering foregår på tværs

Derfor skal AI behandles som et transformationsprojekt og ledes som en transition: Det er en bevægelse i praksis, hvor organisationen både skal kunne lære hurtigt og samtidig holde fast i ansvarlighed og rammer.

“Exploration” først – men kontrolleret

Man bliver fanget i en falsk modsætning: enten frit eksperiment (med risiko for “wild west”) eller central implementering og styring (med risiko for lav forankring og implementering).

Jeg observerer en bedre tilgang som er:

Start explorativt: Find ud af, hvad der faktisk virker i jeres arbejde.
Men gør det kontrolleret: Klare rammer, dataregler, kvalitetskriterier og stop/go.

Exploration betyder ikke “alle gør alt”.

Det betyder en sandkasse, hvor I tester afgrænsede use cases tæt på hverdagsopgaver – og samler læring systematisk.

Tilgang: Sandkasse → Fælles praksis → Skalering

En enkel og mere sikker måde at gribe det an på er denne tretrinsmodel.

1) Kontrolleret sandkasse (typisk 4–8 uger)

Formål: Skabe reel læring i praksis med lav risiko.

10–20 afgrænsede eksperimenter tæt på hverdagsopgaver
fælles skabelon pr. use case: formål, data, risici, effektmål, kvalitetstjek, læring
ugentlig opsamling: hvad virker / hvad virker ikke / hvad kræver ændret arbejdsgang?
stop/go-kriterier (så I ikke kører videre på håb)

Output: Dokumenteret læring, prioriteret use case-liste og beslutning om næste fase.

2) Fra læring til fælles praksis (typisk 4–12 uger)

Formål: Gøre erfaringer til fælles standarder, der kan bruges bredt.

udvælg 3–5 patterns der giver effekt
byg playbooks: prompts, do/don’t, kvalitetskriterier, kontrolpunkter og ansvar
tilpas arbejdsgange: “definition of done” og kvalitetssikring
Output: Fælles playbooks og opdaterede arbejdsgange, som kan trænes og repeteres.

3) Skalering og drift (løbende)

Formål: Skaler sikkert og skab stabil drift.

standardisér det beviste og gør det let at bruge (templates, rutiner, support)
formaliser governance og beslutningsstruktur
mål effekter og risici løbende og justér

Output: Driftbar model, governance i drift og målbare effekter.

Gevinster kommer af at teste sig til dem

Det jeg kan observere er: Gevinster med AI kommer sjældent af lokalt engagement alene, af at tænke sig til dem eller planlægge dem på afstand. De kommer af at teste sig til dem – og omsætte læring til drift – i en klar struktur, hvor forandringen både drives oppefra og nedefra på samme tid.

Det kræver, at ledelsen prioriterer og sætter rammer, mens fagmiljøerne afprøver og former anvendelsen i praksis.

Governance fra start

Hvis governance kommer for sent, opstår et efterslæb: lokale løsninger vokser, og organisationen skal bagefter “rydde op”. Det har mange set før med gratisværktøjer. Med AI går det hurtigere og kan få større konsekvens, fordi AI kan påvirke kommunikation, beslutningsgrundlag og sagskvalitet.

Et governance-minimum bør derfor være på plads tidligt:

Governance-minimum

Værktøjer og adgang

godkendte AI-værktøjer, adgangsstyring og roller

Data

data-klassifikation: hvad må/skal ikke i AI
regler for fortrolighed, persondata og leverandørforhold

Kvalitet og ansvar

kvalitetskriterier pr. use case
kontrolpunkter i arbejdsgange (hvem godkender hvad)
ansvarskæde: faglig ejer, risikoejer, systemejer

Sporbarhed og risikostyring

logning/traceability for kritiske outputs og brugsmønstre
standardprocedure for fejl og misvisende output
etik og borgerhensyn: transparensprincipper og grænser for brug

Samling og læring

fælles bibliotek (patterns/playbooks) og community of practice
beslutningsforum: prioritering, stop/go, skalering

AI presser tværgående samarbejde frem

AI “tænker” i opgaver, tekst og data – ikke i organisatoriske kasser. Derfor går mange gode use cases på tværs af fag, jura, data, kvalitet, kommunikation og ledelse.

Det betyder to ting:

uden samling får I mere fragmentering
med samling får I en motor for bedre koordinering og fælles kvalitet

Gode startområder i det offentlige

Start med opgaver, der er:

hyppige og teksttunge
relativt lette at kvalitetssikre
lav til middel risiko i begyndelsen

Eksempler:

udkast til notater, sagsresumeer og sammenfatninger (med kvalitetstjek)
mødenoter og beslutningslog
videnssøgning i interne retningslinjer og praksisnotater
standardbreve/kommunikation (med faglig godkendelse)
klargøring af materiale til sagsbehandling (ikke automatiske afgørelser)

Mål og målepunkter

Hvis AI skal blive drift, skal effekten kunne følges.

Tid: gennemløbstid, sparet rutinetid
Kvalitet: færre fejl, mere konsistens, bedre dokumentation
Service: bedre svartid og forståelighed
Styrbarhed: compliance, sporbarhed, risikoniveau
Adoption: brug i konkrete processer (ikke “kursusaktivitet”)

Checkliste

Basisvurdering af modenhed

Vi har en fælles skabelon for use cases og læring?
Vi har stop/go-kriterier?
Vi har et governance-minimum på plads?
Vi kan pege på 3–5 patterns, der er ved at blive fælles praksis?
Vi har målepunkter, der handler om drift (tid/kvalitet), ikke kun aktivitet?

Hvis svaret er “nej” til flere af dem, er I måske i gang – men ikke nødvendigvis på vej mod effekt.

Næste skridt?

Hvis I vil fra aktivitet til effekt, kan et kort, praksisnært forløb give fart og samling:

Kort diagnose (data og analyse)
Design af sandkasse og governance-minimum til jeres organisation
8-ugers sandkasseforløb med læringsopsamling og skaleringsbeslutning baseret på, hvor I er.

Kontakt mig for en uforpligtende samtale