Hvad nu hvis rutinearbejdet var din daglige pause?

AI lover at overtage det kedelige arbejde, men hov, det betyder jo så, at vi skal bruge tiden på de svære opgaver. Så hvad kommer der egentlig til at ske med din trivsel, hvis hele din arbejdsdag efterhånden består af beslutninger, vurderinger og problemer, der kræver din fulde koncentration?

Klokken er 8.30. Mens du har været på vej til arbejde, har din AI-assistent gennemgået 64 mails. 47 kræver ikke din opmærksomhed. Ti har den skrevet forslag til svar på. Syv kræver en beslutning. En anden agent har analyseret gårsdagens salgstal og fundet tre afvigelser, som den mener, du bør undersøge. Din researchagent har gennemgået to konkurrenters nye produkter og kommer med fire anbefalinger. Copilot har lavet første udkast til præsentationen til mødet klokken 10. Fantastisk. Klokken er 8.37, og du skal allerede træffe 14 beslutninger.

Det er selvfølgelig sat lidt på spidsen. Men en af de mest almindelige fortællinger om AI på arbejdspladsen lyder omtrent sådan: AI overtager det rutineprægede og kedelige arbejde, så vi mennesker kan koncentrere os om de svære, kreative og værdiskabende opgaver. Jeg har selv sagt variationer af den sætning ganske mange gange. Men hov. Hvis AI overtager det lette arbejde, så er det jo det svære arbejde, der er tilbage. Og hvor længe kan vi egentlig holde til kun at lave det?

Det kedelige arbejde forsvinder. Det gør arbejdet ikke nødvendigvis

Der er meget rutinearbejde, jeg personligt ikke kommer til at savne. Jeg føler ingen særlig faglig stolthed ved selv at skrive en mødebekræftelse, hvis ChatGPT kan omdanne “tirsdag kl. 14 er fint” til en venlig mail på fem sekunder. Jeg bliver næppe et mere helt menneske af selv at sortere 80 mails, formatere den samme type dokument for 47. gang eller bruge ti minutter på at finde tre oplysninger, som en AI-agent kan hente på tyve sekunder. Noget arbejde er faktisk kedeligt, og noget af det bør vi være ganske glade for at slippe af med.

Men forestil dig en medarbejder i kundeservice. I dag bruger hun måske en stor del af dagen på spørgsmål som: Hvor er min pakke? Hvordan returnerer jeg varen? Kan jeg ændre leveringsadressen? En AI-agent kan håndtere en stor del af den slags. Så slipper medarbejderen for de trivielle spørgsmål. Til gengæld får hun alle de vrede kunder, alle de mærkelige sager og alle de tilfælde, hvor reglerne ikke passer. Kunden, der både har fået den forkerte vare, smidt emballagen ud og insisterer på, at en kollega lovede noget andet for tre uger siden. Chatbotten tager normaltilfældet. Mennesket får undtagelsen.

Det er faktisk også sådan, mange AI-systemer allerede designes. Modellen behøver ikke selv kunne løse alt. Den kan klassificere en henvendelse, slå oplysninger op gennem retrieval, kalde et ordresystem via et værktøj og udføre handlingen, hvis sagen ligger inden for nogle klare rammer. Hvis reglerne ikke passer, data mangler, eller systemet vurderer, at risikoen er for høj, sendes sagen videre til et menneske. Det kaldes ofte human in the loop, og det lyder umiddelbart betryggende. Mennesket er stadig med. Men læg mærke til, hvilket arbejde mennesket får: Det, som AI-systemet ikke kunne afslutte selv.

Det samme kan ske for programmøren. AI skriver standardkode, dokumentation og testforslag. Programmøren kan bruge sin tid på arkitektur, sikkerhed, svære fejl og på at opdage, at den kode, AI’en skrev på 14 sekunder, ser glimrende ud og desværre har åbnet en sikkerhedsbrist på størrelse med Storebæltsbroen. Marketingmedarbejderen slipper måske for selv at skrive fem annoncevarianter. AI laver 50. Arbejdet bliver så at vurdere dem. Hvad passer til brandet? Hvad er faktisk sandt? Hvad må vi juridisk sige? Hvilken variant bør testes? Hvorfor performer nummer 37 pludselig bedre end de andre?

På den anden side kunne man med god ret sige: Er det ikke netop en forbedring? Kundeservicemedarbejderen slipper for at svare på “hvor er min pakke?” 43 gange om dagen. Programmøren slipper for kedelig standardkode. Marketingmedarbejderen slipper for at bruge en eftermiddag på at omskrive den samme annonce fem gange. De får mere interessant arbejde. Jo. Og det er vigtigt, for ellers ender hele argumentet som en mærkelig hyldest til tastearbejde. Men måske forveksler vi to forskellige ting. At et arbejde er mere interessant betyder ikke nødvendigvis, at man kan udføre det uafbrudt. Jeg kan langt bedre lide at undervise end at udfylde administrative skemaer. Det betyder ikke, at jeg ville have det bedre af at undervise otte timer i træk uden pause. AI kan altså godt forbedre indholdet i arbejdet og samtidig gøre arbejdsdagen mere krævende. De to ting kan sagtens være sande på samme tid.

Måske var rutinearbejdet også en slags pause

Det får mig til at tænke på noget, vi måske har været lidt for hurtige til at affeje. De lette opgaver kan have haft en funktion, netop fordi de var lette. Efter to timers arbejde med en vanskelig analyse kan det faktisk være ganske rart at svare på nogle mails. Efter et krævende møde kan det være fint at rette et dokument, registrere nogle oplysninger eller lave noget andet, hvor hjernen ikke skal opfinde den dybe tallerken hvert tredje minut.

Det betyder ikke, at indberetning af kørselsbilag nu skal genopfindes som mindfulness. Rutinearbejde kan være monotont, irriterende og i sig selv belastende. Men det er relativt veletableret blandt arbejdsmiljøforskere, at korte pauser øger oplevelsen af energi og reducerer træthed, omend der er noget usikkerhed om, hvorvidt pauser også giver en bedre præstation. Det ser samtidig ud til, at meget kognitivt krævende arbejde kræver længere pauser, hvis man faktisk skal nå at restituere.

Men er det så rimeligt overhovedet at kalde rutinearbejde en pause? Det er det nok ikke helt. En mail er stadig arbejde. En registrering i CRM-systemet er stadig arbejde. Hvis man står ved et samlebånd og gentager den samme bevægelse otte timer om dagen, bliver rutinen bestemt ikke til wellness, bare fordi opgaven er enkel. Måske er “pause” derfor lidt for stort et ord. Det mere præcise er, at arbejdsdagen ofte har haft forskellige intensitetsniveauer. Noget arbejde kræver, at man holder fire forhold i hovedet på samme tid, træffer en usikker beslutning og bagefter står til ansvar for den. Noget andet kræver bare, at man gør det, man har gjort hundrede gange før.

En vanskelig analyse blev måske fulgt af tre nemme mails. Et intenst møde blev fulgt af en halv times administrativt arbejde. Noget krævede fuld koncentration, andet kunne klares med kaffen i hånden og en hjerne på halv kraft. Hvis AI begynder at sortere det sidste fra, kan arbejdsdagen blive både mere effektiv og mere kognitivt tæt. Vi får måske ikke flere arbejdstimer. Vi får flere minutter i hver time, hvor vi forventes at være skarpe. Og hvad nu hvis det faktisk er dér, en del af AI’s produktivitetsgevinst kommer fra? Ikke kun fordi maskinen udfører mere arbejde, men fordi mennesket får færre lavintensive perioder. Det ville stadig være en produktivitetsgevinst. Men det er ikke gratis.

Automatisering efterlader mennesket med undtagelserne

Det interessante er, at problemet er meget ældre end ChatGPT. Tilbage i begyndelsen af 1980’erne arbejdede den britiske psykolog Lisanne Bainbridge med et spørgsmål, der dengang især handlede om fabrikker og kontrolrum: Hvad sker der med mennesker, når maskiner overtager stadig mere af deres arbejde? Det var ikke et filosofisk tankeeksperiment. I store industrielle anlæg var computere begyndt at kunne styre flere og flere af de normale processer automatisk. Mennesket sad stadig i kontrolrummet, men rollen ændrede sig. Operatøren skulle ikke nødvendigvis udføre processen længere. Vedkommende skulle overvåge den og være klar til at gribe ind, når noget gik galt.

I 1983 skrev hun artiklen Ironies of Automation, som vel godt kan kaldes en klassiker inden for automatisering. Den ironi, hun beskrev, bliver ved med at vende tilbage, hver gang vi bliver bedre til at automatisere arbejde. Når maskinen overtager det forudsigelige, bliver det uforudsigelige tilbage til mennesket. Samtidig kan automatiseringen betyde, at mennesket får mindre øvelse i netop det arbejde, som vedkommende pludselig skal være rigtig god til, når systemet fejler.

En pilot, der flyver manuelt hele tiden, får i det mindste masser af træning. En pilot, der hovedsageligt overvåger et meget dygtigt automatisk system, får måske først for alvor brug for sine evner, når noget går galt. Og så skal vedkommende til gengæld være virkelig god. Men hvad nu hvis man sagde, at generativ AI er noget helt andet? En sprogmodel er jo ikke et atomkraftværk. Hvis ChatGPT laver en dårlig produkttekst, eksploderer fabrikken ikke. Det er rigtigt. Der er meget stor forskel på konsekvenserne. Mekanismen behøver bare ikke være identisk, før sammenligningen er nyttig.

Faktisk er der kommet en ny AI-version af problemet. Et moderne agentsystem kan bestå af en sprogmodel, der får adgang til værktøjer, hukommelse, databaser og måske andre agenter. Den kan planlægge en opgave, kalde et værktøj, læse resultatet og vælge næste skridt. Men jo mere autonomt systemet arbejder, desto vigtigere bliver spørgsmålet om, hvornår det skal stoppe og bede et menneske tage over. Man kan sætte regler op, bruge en anden model som evaluator eller kræve menneskelig godkendelse før særligt følsomme handlinger. Problemet er bare, at sprogmodeller ikke har en lille pålidelig lampe, der lyser rødt, hver gang de tager fejl. De kan være meget overbevisende netop i de situationer, hvor mennesket burde kigge ekstra godt efter.

Så AI tager allerede i dag mange af de let definerbare opgaver: Lav et referat. Opsummer dokumentet. Skriv første udkast. Sortér henvendelserne. Find de vigtigste afvigelser. Lav standardkoden. Besvar de hyppigste spørgsmål. Når modellen ikke kan løse noget sikkert, kan sagen sendes videre til et menneske. Det lyder fornuftigt. Men så er det jo netop den vanskelige sag, der sendes videre.

Det er derfor lidt for enkelt at forestille sig, at AI tager 80 procent af opgaverne, og at mennesket så får 80 procent mindre at lave. Det kan lige så godt ende med, at mennesket bruger hele dagen på de 20 procent, hvor noget er uklart, konfliktfyldt, nyt eller risikabelt. Problemet blev opdaget i den industrielle automatisering. Vi risikerer at genopdage det ved skrivebordet.

Tillykke. Du er blevet leder

Der er en anden måde at forstå udviklingen på. AI gør os alle sammen en lille smule mere til ledere. Forestillingen om fremtidens kontorarbejde er jo ikke længere nødvendigvis, at du sidder med én chatbot og skriver “lav en mail”. Du har måske en agent, der researcher, en der analyserer data, en der udarbejder udkast, en der holder øje med konkurrenterne, og en der sorterer din indbakke. Din opgave bliver at formulere, hvad de skal gøre, give dem den nødvendige kontekst, kontrollere arbejdet, koordinere mellem dem og beslutte, hvornår noget er godt nok. Tillykke. Du er blevet mellemleder for en flok medarbejdere, der aldrig sover, arbejder ufatteligt hurtigt og en gang imellem finder på ting.

Og det er ikke helt science fiction. Når folk i AI-verdenen taler om agenter, mener de typisk ikke en ny magisk modeltype. En agent er snarere en arbejdsgang omkring modellen: Modellen får et mål, kan vælge mellem nogle værktøjer og kan gennemføre flere trin, før mennesket ser resultatet. En researchagent kan eksempelvis først søge efter kilder, derefter åbne dem, udtrække information, sammenligne fundene og aflevere en opsummering. En coding-agent kan læse en kodebase, ændre filer, køre tests, opdage at testen fejlede og prøve igen. Det er netop derfor, ledermetaforen bliver mere interessant end ved almindelig prompting. Du beder ikke længere bare maskinen om ét output. Du delegerer en opgave og vurderer bagefter arbejdet.

Men måske er det også for flot at kalde det en forfremmelse. Hvis AI skriver en mail for mig, er jeg vel ikke blevet leder. Jeg har bare fået et bedre tekstværktøj. Ja, ved én mail. Men forestil dig forskellen, når agenten ikke længere bare formulerer teksten. Den har undersøgt sagen, samlet data, fundet tre handlemuligheder og anbefalet nummer to. Din opgave er ikke længere primært at producere. Den er at instruere, vurdere og tage ansvar. Så er forskellen mindre kosmetisk.

Men er det faktisk mere krævende at instruere, vurdere og tage ansvar end selv at udføre en rutineopgave? Her er det interessant at kigge et helt andet sted hen, nemlig på den måde uddannelsessystemer over store dele af verden forsøger at beskrive forskellen på simple og mere avancerede kompetencer.

De gør det blandt andet gennem såkaldte kvalifikationsrammer. Ideen er, at man skal kunne beskrive niveauet på en uddannelse ud fra, hvad personen forventes at vide og kunne, snarere end bare hvor mange år vedkommende har gået i skole. Europa har sin fælles European Qualifications Framework, EQF, med otte niveauer, og lignende kvalifikationsrammer findes i store dele af verden. Det er ikke én formel global standard, men det er blevet noget i retning af et internationalt standardsprog for uddannelsesniveauer.

Det interessante her er ikke uddannelsesbureaukratiet. Det interessante er, hvad der sker, når niveauet stiger. På de lavere niveauer handler kompetencer i højere grad om at kunne udføre opgaver selv og løse rutineproblemer. Senere dukker ansvaret for at føre tilsyn med andres arbejde op. På højere niveauer kommer evnen til at lede arbejde, håndtere uforudsigelige forandringer og tage ansvar for beslutninger i situationer, hvor der ikke findes et enkelt facit.

Det er svært ikke at se parallellen til AI. Før lavede du analysen. Nu skal du formulere opgaven til en agent, vurdere analysen, opdage hvad agenten har misforstået og tage ansvar for beslutningen bagefter. Før skrev du teksten. Nu skal du vurdere tre forslag, kontrollere fakta, forstå målgruppen og vælge det rigtige. Før udførte du arbejdet. Nu leder du arbejdet for en bot. I uddannelsessystemets eget sprog har du på en måde bevæget dig opad i sværhedsgrad.

På den anden side skal vi passe på, at kvalifikationsrammen ikke bliver et skjult facit. Det er ikke sådan, at alt arbejde bliver finere, vanskeligere eller bedre, bare fordi der er mere ansvar. Den dygtige håndværker kan have enorme mængder tavs viden, som ikke kan reduceres til en lavere boks i et skema. Og en person kan sagtens være en dårlig leder, selv om vedkommende kan tale meget om komplekse beslutninger. Men når AI flytter vores rolle fra det ene til det andet, ændrer den også kompetencekravet.

AI kan dermed give millioner af mennesker en funktionel forfremmelse uden først at spørge, om de har lyst til jobbet.

Har du kompetencerne til din nye stilling?

Vi taler meget om, hvorvidt medarbejdere kan bruge AI. Kan de prompte? Kan de bruge Copilot? Kan de bygge en agent? Men den sværere kompetence kan være at vurdere det arbejde, AI udfører. Forestil dig, at du arbejder med økonomi. Tidligere lavede du selv analysen. Du samlede data, byggede regnearket, regnede og skrev konklusionen. Nu gør AI det meste, og din opgave er at kvalitetssikre resultatet.

Det lyder umiddelbart som en lettelse. Men for at opdage en fejl i en analyse skal du ofte forstå analysen ganske godt. Du skal kunne se, hvilke antagelser der ligger bag, hvad der mangler, om data overhovedet siger det, teksten påstår, og hvornår en professionelt formuleret konklusion bare er vrøvl med slips på. AI kan derfor skabe den mærkelige situation, at du selv udfører mindre af arbejdet, men får større ansvar for kvaliteten. Samtidig kan du være usikker på, om du faktisk kan bedømme det, du bliver bedt om at godkende.

Men er det ikke sådan med alle værktøjer? En moderne revisor kontrollerer også beregninger, som et regneark har lavet. En arkitekt bruger software. En pilot bruger autopilot. Vi har altid flyttet os fra direkte udførelse mod kontrol af værktøjer. Jo. Og på mange områder har det været en fantastisk udvikling. Forskellen kan være hastigheden og bredden. Et regneark ændrede ikke på én eftermiddag både din rolle som skribent, analytiker, researchmedarbejder, projektassistent og mødesekretær. Generativ AI kan potentielt flytte flere dele af vidensarbejdet samtidig.

Så spørgsmålet bliver ikke bare, om du lærer at bruge et nyt værktøj. Det kan blive, om dit job gradvist har skiftet karakter, uden at nogen helt har opdaget det.

I psykologien er en klassisk forståelse af stress, at problemet opstår, når vi oplever, at kravene overstiger de ressourcer, vi har til at håndtere dem. Det betyder også, at den samme opgave ikke behøver påvirke to mennesker ens. En vanskelig opgave kan være spændende, hvis jeg føler mig kompetent, har tid, kan få hjælp og oplever en rimelig grad af kontrol. Den kan føles helt anderledes, hvis jeg samtidig tvivler på, om jeg kan løse den, og næste vanskelige beslutning allerede står i kø.

Det gør spørgsmålet om AI-kompetencer lidt større end et kursus i prompting. Hvis AI overtager produktionen og efterlader vurderingen, skal medarbejderen være i stand til at vurdere. Hvis AI øger antallet af beslutninger, skal medarbejderen kunne håndtere beslutningerne. Hvis AI giver medarbejderen ansvar for en lille sværm af agenter, kræver den nye rolle måske både faglighed, prioritering, kvalitetskontrol og evnen til at sige stop. Og det sidste er muligvis den mest undervurderede kompetence. AI bliver aldrig træt af at tilbyde mere.

AI står på begge sider af regnestykket

Men svært arbejde er heller ikke automatisk dårligt arbejde. Jeg vil faktisk hellere have et job, der kræver noget af mig, end otte timer med opgaver, en Excel-makro kunne have løst i 2007. Derfor har vi brug for en lidt bedre forklaring end “svært arbejde giver stress”.

Arbejdsmiljøforskningen arbejder blandt andet med en nyttig skelnen mellem de krav, arbejdet stiller, og de ressourcer medarbejderen har til at håndtere dem. Den går under navnet Job Demands-Resources, men selve idéen er ikke specielt mystisk. Et job kan stille høje krav og stadig være et rigtig godt job, hvis medarbejderen har de nødvendige ressourcer. Krav kan være stor arbejdsmængde, tidspres, vanskelige beslutninger, høje krav til koncentration eller følelsesmæssigt belastende situationer. Ressourcer kan være kompetencer, tid, indflydelse, støtte fra kolleger og leder samt gode værktøjer.

Job Demands-Resources betyder heller ikke, at færrest mulige krav giver det bedste arbejdsliv. Et arbejde, der næsten ikke kræver noget af dig eller ikke giver dig mulighed for at bruge dine kompetencer, kan også skabe mistrivsel. Det gode arbejde ligger derfor ikke nødvendigvis i den ene ende af skalaen. Vi har brug for udfordringer, men også ressourcer nok til at kunne håndtere dem.

Og så bliver AI interessant på en ny måde, for AI kan stå på begge sider af regnestykket. Den er selvfølgelig en ressource. Den skriver første udkast, finder informationen, analyserer data og fjerner administrative opgaver. Men den kan samtidig hæve kravene. Nu kan du håndtere flere sager. Nu kan svaret komme hurtigere. Nu har du 50 muligheder at vælge mellem i stedet for fem. Nu skal du kontrollere noget, du ikke selv har produceret. Og nu er der ingen naturlig grund til, at du bruger tyve minutter på noget ukompliceret, for det har agenten allerede klaret.

Her kommer endnu et ret konkret AI-problem: Det er blevet ekstremt billigt at skabe flere muligheder. Når en model først har konteksten, koster det meget lidt ekstra tid at bede om fem overskrifter i stedet for én, tre analyser i stedet for én eller lade flere modeller forsøge parallelt. Man kan endda bruge en anden model som såkaldt LLM-as-a-judge til at rangere svarene. Teknisk kan det forbedre resultatet. Menneskeligt kan det også flytte arbejdet fra produktion til udvælgelse. Før skulle jeg finde på én løsning. Nu får jeg 20 plausible løsninger og skal vælge den bedste. Overflod er ikke det samme som aflastning.

På den anden side kunne man sige, at AI jo netop også kan hjælpe med de svære opgaver. Hvis der er 50 muligheder, kan modellen rangere dem. Hvis beslutningen er vanskelig, kan den opstille argumenter for og imod. Hvis du er usikker på analysen, kan en anden model kritisere den første. Måske behøver mennesket derfor ikke blive mere belastet. Måske får vi bare mere støtte.

Det er bestemt muligt. Men så opstår endnu et lille paradoks. Hvis vi bruger AI til også at træffe de svære vurderinger, hvad er så egentlig tilbage til mennesket? På et tidspunkt skal nogen beslutte, hvilken vurdering der skal følges. Nogen skal stå på mål for, at beregningen er god nok. Nogen skal beslutte, om kunden får pengene tilbage, om kandidaten skal ansættes, om kampagnen skal lanceres, eller om analysen er troværdig nok til, at man tør handle på den. Vi kan flytte vurderingsarbejdet meget langt ind i systemet. Men hvis mennesket stadig har ansvaret, forsvinder beslutningen ikke nødvendigvis. Den kommer bare senere.

AI kan altså godt gøre hver enkelt opgave lettere og samtidig gøre arbejdsdagen hårdere. Det sidste kender jeg i hvert fald fra mig selv. Hvis en opgave tager to timer, kan jeg forholdsvis let beslutte, at den må vente til i morgen. Hvis AI betyder, at den måske tager ti minutter, kan jeg da lige gøre det nu. Og så én ting mere. Når materialet nu alligevel er åbent, kunne vi måske også lige få lavet en sammenligning. Og nu hvor vi har sammenligningen, kunne vi jo…

AI har en fremragende evne til at få arbejdet til at se så billigt ud, at vi køber mere af det.

Når den sparede tid bliver fyldt ud igen

Det mønster er begyndt at dukke op på arbejdspladser, hvor AI bruges intensivt. Forskere fra Berkeley Haas fulgte medarbejdere i en amerikansk teknologivirksomhed og fandt noget, der går imod den umiddelbare forestilling om, at AI automatisk frigør tid. Når medarbejderne kunne løse mere ved hjælp af AI, begyndte de også at påtage sig mere. Arbejdet bredte sig til flere opgaver og flere dele af arbejdsdagen. Det mest interessante var næsten, at arbejdsintensiveringen ikke bare kom fra chefen. Medarbejderne gjorde det også selv. Når noget pludselig kunne klares hurtigere, blev det sværere at sige, at man ikke havde tid.

Men er en amerikansk teknologivirksomhed ikke næsten det værst tænkelige sted at generalisere fra til dansk arbejdsliv? Amerikansk tech er trods alt ikke kendt som stedet, hvor man først og fremmest beskytter medarbejdernes frokostpause. Nej. Derfor skal man heller ikke kopiere resultatet direkte over på en dansk kommune, et produktionsfirma i Jylland eller et erhvervsakademi i København.

Vi har en anden arbejdskultur. Der er større forventning om medarbejderinddragelse, og psykisk arbejdsmiljø er et formelt ledelsesansvar. Samtidig er der også en forventning om, at medarbejderen siger til, hvis noget ikke fungerer. På mange danske arbejdspladser kan man faktisk gå til sin chef og sige, at belastningen er blevet for høj, uden at samtalen automatisk ender med en papkasse til ens personlige ejendele.

Det gør måske danske arbejdspladser bedre rustet. Men det fjerner ikke mekanismen. Faktisk kan vores relativt store selvstændighed skabe en særlig dansk variant. Chefen behøver ikke sige: “Nu hvor ChatGPT har sparet dig en time, forventer jeg 20 procent mere.” Det kan medarbejderen sagtens finde på selv. Hvis jeg normalt siger nej til en opgave, fordi den tager en halv dag, men nu tænker “det kan jeg jo klare med AI på en halv time”, så har jeg selv fyldt hullet. Hvis hele teamet gør det samme, kan arbejdsintensiteten vokse, uden at én eneste ond mellemleder har siddet med et Excel-ark og skruet produktivitetskravet op.

På den anden side vil nogle selvfølgelig spørge: Hvad er problemet? Hvis medarbejderen selv vælger det, er det vel udtryk for motivation. Måske synes hun ganske enkelt, at arbejdet er spændende. Måske har AI gjort det muligt at realisere idéer, hun tidligere ikke havde tid til. Det er også muligt. Frivilligt ekstraarbejde er ikke automatisk undertrykkelse.

Men frivillighed er et lidt underligt begreb på en arbejdsplads. Hvis alle omkring mig svarer på mails hurtigere, producerer mere og kommer med bedre analyser, fordi de bruger AI, ændrer det også normen for, hvad en god medarbejder leverer. Ingen behøver formelt at beordre mig til at følge med. Sådan virker arbejdspladser også. Efter et stykke tid bliver gårsdagens ekstraindsats til morgendagens normale forventning.

Og så får vi en lidt mærkelig situation. På papiret har vi måske ikke fået flere arbejdstimer eller flere formelle opgaver. Alligevel er arbejdsdagen blevet mere intens, fordi en større del af den kræver koncentration, vurdering og beslutninger. Den interessante samtale med chefen bliver derfor måske ikke: “Jeg har for meget at lave.” Den kan være: “Jeg laver ikke nødvendigvis mere end før. Men næsten alt det, jeg laver nu, kræver noget af mig.”

Men svært arbejde kan jo være godt arbejde

Her skal vi passe på ikke at romantisere det kedelige. Jeg ønsker ikke et arbejdsliv, hvor vi bevarer meningsløse opgaver for at beskytte hinanden mod at tænke for meget. “Du så lidt presset ud, Jens, så her er 300 fakturaer, du kan taste ind” bliver forhåbentlig ikke næste store satsning inden for HR.

Mange af os vil netop gerne have de svære opgaver. Det kan være mere interessant at løse et problem end at registrere det. Mere tilfredsstillende at træffe en beslutning end at flytte oplysninger fra system A til system B. Høje krav kan også være motiverende, hvis man samtidig har indflydelse, kompetencer, støtte og mulighed for at restituere. AI kan derfor meget vel forbedre arbejdslivet. En underviser kan bruge mindre tid på formatering og mere på de studerende. En programmør kan slippe for triviel kode. En leder kan få referatet lavet automatisk og bruge tiden på faktisk at tale med medarbejderne. En sælger kan bruge mindre tid i CRM-systemet og mere tid sammen med kunderne. Det ville være en mærkelig form for teknologikritik at insistere på at få de dårlige opgaver tilbage.

Men hvad nu hvis det, vi kalder “værdiskabende arbejde”, simpelthen er blevet et lidt for positivt ord? Værdiskabende for hvem? Hvis jeg bruger otte timer på at løse vanskelige kundeklager, skaber jeg sandsynligvis mere værdi for virksomheden end ved at svare på simple leveringsspørgsmål. Det betyder ikke nødvendigvis, at mine otte timer er blevet bedre. Hvis en underviser bruger al sin tid på vanskelige samtaler, vurderinger og særligt komplekse studerende, fordi AI klarer alt det rutinemæssige, bliver arbejdet måske fagligt mere interessant. Det kan også blive følelsesmæssigt tungere.

Værdiskabende er et økonomisk ord. Trivsel er et menneskeligt. De to kan overlappe. De er ikke det samme.

Så det interessante spørgsmål kommer bagefter: Hvad gør vi med den kapacitet, teknologien frigør? Hvis svaret hver gang er mere, hurtigere og sværere, ændrer AI gradvist arbejdsdagen. Før skulle du være skarp nogle gange. Nu kan du være skarp hele tiden. Før kom de krævende opgaver med mellemrum. Nu står de måske i kø, fordi en flok AI-agenter allerede har klaret alt det andet.

Hvem skal sørge for, at du holder til det?

Her bliver ansvaret lidt irriterende, fordi det ikke kan placeres elegant ét sted. Jeg skriver ud fra en ret dansk præmis om arbejdslivet. Lederen har ledelsesretten og træffer i sidste ende beslutningerne om prioritering, bemanding og organisering af arbejdet. Samtidig forventer vi nogenlunde, at voksne medarbejdere siger til, hvis noget ikke fungerer. Chefen skal være interesseret i at lytte, men medarbejderen skal også give noget at lytte til.

På kort sigt betyder det derfor noget, hvad du selv gør. Hvis din arbejdsdag ændrer karakter, så de nemme opgaver forsvinder, og du efter seks timer føler, at din hjerne er blevet kørt gennem en blender, kan det være værd at overveje, om problemet faktisk er selve arbejdsdesignet. Måske skal du lægge rigtige pauser ind i stedet for at vente på, at de opstår. Måske skal du holde op med at proppe en ekstra AI-opgave ind i hvert ledigt kvarter. Måske skal du tale med din chef om prioriteringen. Og måske skal du erkende, at den nye rolle kræver kompetencer, du endnu ikke har. Hvis du er blevet den, der skal kvalitetssikre fem AI-agenter, er løsningen ikke nødvendigvis en mindfulness-app. Det kan være oplæring.

Men her kan medarbejderen også komme lidt for let fra det. “Jeg skal huske at holde flere pauser” kan hurtigt blive den moderne udgave af at løse et organisatorisk problem med et yogakursus. Hvis arbejdets karakter systematisk er ændret, kan individet ikke alene planlægge sig ud af det. Du kan godt gå en tur rundt om bygningen. Hvis der stadig ligger 14 beslutninger og venter, når du kommer tilbage, er arbejdet ikke forsvundet.

Derfor har lederen et mindst lige så interessant problem. Man vil naturligvis gerne have mest muligt ud af de ressourcer, man har. Hvis AI betyder, at medarbejderne kan løse mere på samme tid, ville det være mærkeligt aldrig at omsætte noget af gevinsten til højere produktivitet. Ellers bliver spørgsmålet hurtigt, hvorfor virksomheden overhovedet investerede i teknologien.

På den anden side er “maksimalt output” ikke det samme som “maksimalt output lige nu”. Selv i den mest kyniske økonomiske forståelse er burnout en elendig produktivitetsstrategi. Det samme gælder fejl, dårlige beslutninger og medarbejdere, der efter seks måneder beslutter, at en anden arbejdsplads ser rarere ud. En dygtig leder har derfor et klassisk optimeringsproblem. Hvor meget kan vi øge outputtet uden at slide den kapacitet op, som skaber outputtet?

Det gør heller ikke lederen til terapeut. Opgaven er mere jordnær: Se på, hvad arbejdet faktisk er blevet til. Er der blevet færre rutineopgaver, men flere beslutninger? Sidder kundeservice nu næsten kun med konflikterne? Skal medarbejderne kontrollere AI-output på områder, hvor de føler sig usikre? Har svartiderne sneget sig ned, fordi alle nu ved, at en AI kan skrive et udkast på 30 sekunder? Har medarbejderne fået de kompetencer, der passer til deres nye rolle? Og er den frigjorte tid blevet en reel ressource, eller har vi bare hævet barren?

Det er måske her, den danske arbejdsmarkedsmodel faktisk har en fordel. Ikke fordi vi har løst stress. Det ville være en frisk påstand. Men fordi vi allerede har en nogenlunde accepteret idé om, at arbejdsforhold kan diskuteres mellem medarbejder og ledelse. Det kræver bare, at vi får øje på problemet.

Måske er hele problemet midlertidigt

Der er også et stærkt modargument, som er værd at tage alvorligt: Måske er det her bare overgangssmerter. Ny teknologi ændrer arbejdet. Først bliver vi usikre, fordi vi skal lære den. Derefter bygger vi nye vaner, nye roller og nye organisationer omkring den. Da e-mail kom, føltes den sikkert også som en konstant strøm af nye krav. Da smartphones kom, flyttede arbejdet ind i lommen. Vi lærte efterhånden at lave regler, normer og funktioner omkring teknologien. Måske sker det samme med AI.

I dag sidder vi og manuelt vurderer 50 AI-forslag. Om fem år har vi måske systemer, der er langt bedre til at filtrere, prioritere og kun bringe de reelt vigtige beslutninger videre til os. Måske bliver de bedste AI-systemer netop dem, der beskytter vores opmærksomhed frem for at bombardere os med muligheder.

Det ville være en god udvikling. Men så er vi tilbage ved automatiseringsironien. Jo bedre systemet bliver til at filtrere normaliteten fra, desto mere usædvanlige bliver de ting, det sender videre. Vi slipper måske for 49 af de 50 valg. Til gengæld bliver det ene, der lander hos os, netop det, systemet ikke selv kunne afgøre. Det betyder ikke, at arbejdet bliver værre. Men forestillingen om, at automatisering automatisk gør det lettere at være menneske på arbejde, er nok lidt for bekvem.

AI har ikke besluttet, hvad vi gør med de sparede minutter

Jeg vil stadig gerne af med det kedelige arbejde. Hvis en AI kan tage de opgaver fra mig, som ingen fornuftig person behøver bruge sit liv på, skal den endelig gøre det. Men den behøver ikke få det sidste ord om, hvad der skal ske bagefter.

Når teknologien frigør ti minutter, kan vi lægge en ny opgave ind. Når den frigør en time, kan vi finde et projekt. Når den frigør en dag, kan vi efter nogle måneder begynde at betragte den nye produktionsmængde som normal. Det er sikkert også sådan, en del af produktivitetsgevinsten kommer. Vi får mere ud af de samme arbejdstimer. Og det er jo i princippet godt. Produktivitetsforbedringer er grunden til, at vi ikke alle sammen stadig bruger det meste af dagen på at dyrke kartofler.

På den anden side har produktivitetsgevinster aldrig af sig selv bestemt, hvordan gevinsten skal fordeles. Den kan blive til højere output, lavere priser, højere løn, større overskud, kortere arbejdstid eller en blanding. Det samme gælder AI. Hvis teknologien gør dig 20 procent mere produktiv, følger det ikke af nogen naturlov, at din arbejdsdag derfor skal indeholde 20 procent flere opgaver. Det er en beslutning. Måske en fornuftig beslutning. Måske ikke.

Og måske er det netop den diskussion om trivsel, vi skal til at have. Ikke om AI er godt eller dårligt for os. Ikke om mennesker skal holde op med at bruge ChatGPT. Og heller ikke om vi skal bevare meningsløse rutineopgaver, fordi de giver hjernen noget at hygge sig med. Spørgsmålet er mere jordnært: Hvad skal en arbejdsdag bestå af, når maskinen tager en stadig større del af det arbejde, der tidligere lå mellem de svære opgaver?

Måske opdager vi på et tidspunkt, at AI ganske rigtigt har befriet os fra det rutinemæssige arbejde. Tilbage står otte timer med beslutninger, vurderinger, undtagelser, konflikter og problemer, der kræver vores fulde koncentration. Det kan være et fremragende arbejde. Det kan være mere spændende, mere meningsfuldt og måske også mere værdifuldt.

Jeg er bare ikke sikker på, at et menneske kan gøre det fra 8.30 til 16.00 uden pauser.

AI har ikke besluttet, at hvert frigjort minut skal fyldes med en ny krævende opgave.

Det gør vi helt af os selv.

Hvis du vil læse mere

Lisanne Bainbridge: Ironies of Automation (1983). Den klassiske tekst om den mærkelige konsekvens af automatisering: Når maskiner overtager de normale processer, efterlades mennesker ofte med undtagelserne og de svære situationer.

Bakker, Demerouti & Sanz-Vergel: Job Demands-Resources Theory: Ten Years Later (2023). En god indgang til tanken om, at høje krav ikke nødvendigvis er et problem, hvis medarbejderen samtidig har de nødvendige ressourcer til at håndtere dem.

Albulescu m.fl.: Give me a break! (2022). Om korte pauser, energi, træthed og præstation i løbet af arbejdsdagen.

European Qualifications Framework, EQF. EU’s fælles kvalifikationsramme med otte niveauer. Særligt interessant her er bevægelsen fra at udføre opgaver til at supervisere, lede og tage ansvar i mere uforudsigelige situationer.

UNESCO Institute for Lifelong Learning: Global Inventory of National and Regional Qualifications Frameworks. Et godt sted at se, hvor udbredt kvalifikationsrammer er blevet internationalt.

Xingqi Maggie Ye & Aruna Ranganathan, Berkeley Haas. Deres nyere arbejde med generativ AI og arbejdsintensivering er interessant, fordi det peger på, at medarbejdere også selv kan fylde den tid, AI frigør, med mere arbejde.

Arbejdstilsynet om psykisk arbejdsmiljø, stor arbejdsmængde og tidspres. Den danske ramme for diskussionen om ledelsesansvar, medarbejderinddragelse, koncentrationskrav, pauser og restitution.

Vi laver journalistik om AI, fordi udviklingen går hurtigere end den offentlige samtale.

På AI Portalen forsøger vi at skabe overblik, perspektiv og kritisk indsigt i en teknologi, der allerede former alt fra arbejdsmarkedet til demokratiet — ofte uden at nogen bremser op og forklarer, hvad der foregår.

Hvis vores artikler hjælper dig med at forstå AI lidt bedre, så overvej at støtte arbejdet.

Et medlemskab gør én ting mulig: at vi kan blive ved med at undersøge, dokumentere og forklare, hvordan AI påvirker Danmark — uden investorer, uden PR-interesser og uden at jage hype.

Bliv medlem og vær med til at styrke uafhængig journalistik om AI.

Læs også:

Når trivsel skal kunne betale sig

AI Basics del 12:

Jeg vil være med til at forme fremtiden