Hvis AI kan gøre det bedre, hvorfor skal jeg så lære det?

AI gør det lettere at levere et godt resultat. Det gør samtidig valget af, hvad vi selv vil kunne, langt vigtigere.

AI kan gøre dig bedre til dit arbejde uden nødvendigvis at gøre dig bedre til faget. Det lyder næsten som det samme. Det er det ikke.

Jeg underviser blandt andet studerende i e-handel. De skal lære at bygge webshops, skrive produkttekster, udvikle kampagner, analysere data og en masse andet, som de forhåbentlig bliver bedre til undervejs. Problemet er, at en AI allerede kan gøre meget af det bedre end en studerende, der lige er begyndt.

Bed en studerende på første semester om at skrive en produkttekst, og resultatet vil sandsynligvis have fejl. Bed ChatGPT eller Claude om det samme, og du får på få sekunder noget, der i hvert fald ser langt mere professionelt ud. Det samme gælder en kampagneplan, en analyse eller et første udkast til en webshop. Hvis målet er at få lavet en produkttekst, er det fremragende. Hvis målet er at lære at skrive produkttekster, bliver sagen lidt mere besværlig.

Du kan godt se dygtig ud uden at være blevet dygtigere

Generativ AI har gjort det meget lettere at producere noget, der ligner arbejdet fra en erfaren medarbejder. En studerende kan aflevere en flot rapport. En ny medarbejder kan skrive en velformuleret analyse. En dårlig skribent kan sende en glimrende mail. Det er nyttigt, men det gør det sværere at se forskel på at være dygtig og at se dygtig ud.

Det gælder også for personen selv. Hvis jeg skriver en analyse fra bunden, skal jeg vælge, hvad der er vigtigt, finde en struktur, formulere argumenterne og opdage undervejs, hvor min tænkning ikke hænger sammen. Det sidste er desværre en funktion, der stadig er overraskende svær at outsource. Når jeg er færdig, har jeg et dokument, men jeg har også været igennem den proces, der skabte dokumentet.

Hvis AI derimod foreslår strukturen, laver analysen, formulerer argumentet og retter teksten, har jeg fået slutproduktet uden nødvendigvis at have været igennem den samme proces. Det er egentlig ikke særlig mystisk. Du bliver ikke bedre til at spille klaver af at høre en anden spille klaver. Du bliver heller ikke bedre til at analysere virksomheder, fordi du læser en god analyse. Det kan hjælpe, men på et tidspunkt skal du selv forsøge, træffe de dårlige valg, opdage fejlene og prøve igen. Det er en stor del af det, vi normalt kalder øvelse, og som desværre endnu ikke findes som en knap med teksten “gør mig erfaren”.

AI gør det muligt at springe en del af den over. Det færdige produkt kan derfor sagtens være blevet bedre, samtidig med at personen bag produktet næsten ikke har flyttet sig.

ChatGPT som den irriterende klassekammerat, der altid har lavet lektierne

Sociale medier ændrede vores sammenligningsgrundlag. Man sammenlignede ikke længere sit eget helt almindelige tirsdagsansigt med de mennesker, man tilfældigvis mødte tirsdag. Man kunne sammenligne det med verdens flotteste mennesker på deres bedste billeder. Et rimeligt og sundt grundlag for selvværd, naturligvis.

Generativ AI kan gøre noget lignende med kompetence. En nybegynder skal normalt igennem en periode, hvor man er temmelig dårlig til det, man prøver at lære. Den første præsentation er ikke specielt god. Den første analyse overser noget oplagt. Den første tekst lyder som en person, der meget gerne vil lyde professionel. Sådan lærer man.

Men nu kan nybegynderen på få sekunder se, hvordan AI ville have løst opgaven. Det er lidt som at lære guitar med Eric Clapton siddende ved siden af, mens han efter hvert forsøg siger: “Skal jeg lige vise dig, hvordan man kunne gøre?” Hyggeligt selskab. Muligvis knap så godt for selvtilliden.

Og her bliver Carol Dweck interessant. Dweck er amerikansk psykolog og især kendt for sit arbejde med fixed mindsetog growth mindset. Begreberne er efterhånden blevet så populære, at de nogle gange bliver brugt som en slags psykologisk stjernetegn: Peter har growth mindset, Louise har fixed mindset, og så ved vi åbenbart det om dem. Det er ikke rigtig pointen.

Et menneske kan sagtens have et udviklingsorienteret syn på sine evner på ét område og et fastlåst syn på dem på et andet. Jeg kan være overbevist om, at jeg kan blive bedre til at undervise, hvis jeg arbejder med det, og samtidig have accepteret, at mit talent for salsa blev endeligt fordelt på et meget tidligt tidspunkt, og at min portion desværre gik til en anden.

Forskellen ligger i, hvad vi tror, en dårlig præstation fortæller os. Med et mere udviklingsorienteret mindset kan en dårlig første aflevering betyde: “Jeg kan ikke det her særlig godt endnu.” Fejlen er irriterende, men den fortæller også noget om, hvad jeg skal arbejde videre med. Med et mere fastlåst mindset bliver den samme oplevelse lettere oversat til: “Jeg er ikke god til det her.” Så bliver fejlen ikke en vurdering af det arbejde, jeg lige har lavet. Den bliver en vurdering af mig.

Noget af det, der faktisk overraskede mig, da jeg begyndte at undervise på videregående uddannelser, var, hvor ofte jeg mødte den sidste tilgang. Jeg havde nok naivt forestillet mig, at når man frivilligt melder sig til flere års uddannelse, skyldes det blandt andet et ønske om at blive bedre til noget, man endnu ikke kan. Det viser sig, at en videregående uddannelse for nogle også fungerer lidt som en meget dyr personlighedstest.

De vil gerne finde ud af, hvad de er gode til.

Så tager de et fag i metode og opdager, at det var svært. Konklusionen kan hurtigt blive: “Metode er ikke mig.” De prøver programmering og kæmper med det: “Jeg er ikke sådan en, der kan kode.” Til gengæld går præsentationen godt: “Det er nok kommunikation, jeg skal arbejde med.” Efter et semester har vi ikke nødvendigvis udviklet kompetencer, men vi har til gengæld fået lavet en ganske detaljeret artsbestemmelse af den studerende.

Det giver selvfølgelig mening at opdage sine styrker og interesser. Problemet opstår, hvis uddannelsen bliver reduceret til en jagt på allerede eksisterende talenter. Så bliver spørgsmålet “Hvad er jeg god til?” vigtigere end “Hvad kan jeg blive bedre til?”

Og her kommer AI ind med omtrent den dårligst tænkelige timing. Tidligere kunne den studerende, der var dårlig til at skrive en analyse, i det mindste se sin egen analyse blive bedre fra første til andet til tredje forsøg. Der var en synlig vej fra “det her er ikke særlig godt” til “hov, nu begynder jeg faktisk at kunne noget”.

Nu står ChatGPT ved siden af og leverer et væsentligt bedre resultat på 30 sekunder.

Hvis jeg allerede hælder mod et fastlåst syn på mine evner, er sammenligningen brutal. Jeg kæmper i to timer. Maskinen bruger et halvt minut. Min tekst er middelmådig. Dens tekst har overskrifter, punktopstilling og sikkert også en strategisk anbefaling, jeg aldrig selv havde overvejet. Den oplagte konklusion kan blive: “Jeg bliver aldrig så god. Hvorfor skulle jeg bruge tiden på at lære det?”

Det er ikke nødvendigvis dovenskab. Hvis man opfatter kompetence som noget, man enten har eller ikke har, er det faktisk en ret rationel konklusion. Hvorfor bruge hundrede timer på at udvikle en færdighed, hvis maskinen allerede er bedre?

Problemet er, at nybegynderen sammenligner to helt forskellige ting: sin egen kompetence under udvikling med maskinens øjeblikkelige output. Det svarer lidt til at droppe løbetræningen, fordi en bil kører hurtigere.

Den erfarne medarbejder har lettere ved at holde de to ting adskilt. Hun har prøvet at lave analysen selv mange gange. Hun ved, hvorfor den ene antagelse er vigtigere end den anden. Hun kan se, når AI skriver noget sludder med flot slips på. Og vigtigst af alt ved hun nogenlunde, hvornår arbejdet er godt nok.

Nybegynderen mangler netop den reference. Det gør også AI-systemernes næsten grænseløse hjælpsomhed lidt problematisk. De stopper sjældent samtalen med: “Det her er faktisk fint. Luk computeren og gå en tur.” I stedet tilbyder de gerne en skarpere version. Et alternativ. Tre andre vinkler. En mere professionel formulering. En version til LinkedIn. En version til ledelsen. Og nu hvor vi alligevel er i gang, kunne vi måske også lave en tabel.

Jeg plejer at kalde det prompt baiting. Clickbait får dig til at klikke én gang mere. Prompt baiting får dig til at spørge én gang mere.

For en erfaren bruger er det forholdsvis let at sige nej tak. For en nybegynder, der endnu ikke ved, hvordan godt arbejde ser ud, er det sværere. Hver ny version kan jo potentielt være bedre. Og så har vi fået endnu et af AI’s små paradokser: Den teknologi, der kan hjælpe os med at blive bedre, kan samtidig gøre det sværere at acceptere den periode, hvor vi endnu ikke er særlig gode.

Performance og læring er begyndt at trække i hver sin retning

Her ligger efter min mening en af de mere interessante konsekvenser af AI. Forestil dig en gruppe studerende, der skal bygge en webshop. Hvis målet er at lave den bedst mulige webshop inden fredag, bør den studerende, der er bedst til at kode, selvfølgelig stå for kodningen.

Hvis målet derimod er, at gruppen skal lære mest muligt, burde man næsten gøre det modsatte. Den dårligste programmør har det største læringsbehov og bør derfor have lov til at kæmpe med koden. Det ville være en mærkelig måde at drive en virksomhed på. Man hyrer normalt heller ikke den medarbejder, der er dårligst til regneark, til at lave virksomhedens vigtigste budget, fordi “så lærer han nok noget”. HR-afdelingen vil sikkert kunne finde et flot navn til strategien, men jeg ville stadig ikke anbefale den.

Virksomheden vil have performance. Uddannelsen vil have udvikling. AI gør forskellen tydeligere, fordi vi nu meget lettere kan springe selve arbejdet over og gå direkte til resultatet.

Hvis en studerende bruger AI til at løse en opgave, kan opgaven blive bedre og tage kortere tid. Men netop de aktiviteter, AI overtager, er ofte de aktiviteter, den studerende skulle have øvet sig på. Hvis AI finder argumentet, øver den studerende sig mindre i at argumentere. Hvis AI skriver koden, øver den studerende sig mindre i at kode. Hvis AI laver analysen, øver den studerende sig mindre i at analysere. Det er svært at blive god til svømning, hvis ens foretrukne læringsstrategi er at blive siddende i båden.

Man kan selvfølgelig lære noget af at se AI gøre det. Man kan stille spørgsmål, bede om forklaringer og bruge systemet som sparringspartner. Men hvis AI konsekvent overtager den del af arbejdet, man prøver at blive bedre til, er det svært at se, hvor selve træningen skulle komme fra.

Det burde også få os til at være lidt forsigtige med den måde, vi evaluerer AI i uddannelse og kompetenceudvikling på. Hvis en medarbejder laver rapporten på 30 minutter i stedet for tre timer, er produktivitetsgevinsten nem at få øje på og dejlig nem at sætte ind i et regneark. Hvis medarbejderen samtidig holder op med at udvikle den analytiske evne, som gjorde det muligt at vurdere rapporten, er regnestykket lidt mindre velegnet til næste PowerPoint om effektivisering.

Nogle gange skal mennesket have første forsøg

Så tilbage til spørgsmålet: Hvis AI allerede kan gøre det bedre end mig, hvorfor skal jeg så lære det? Det korte svar er, at du ikke nødvendigvis skal lære alt det, AI kan gøre for dig. Jeg har for eksempel ingen ambition om at blive Danmarks førende forfatter af mødebekræftelser. Hvis ChatGPT kan omdanne “Kan vi tage den tirsdag kl. 14?” til en høflig mail på fem sekunder, ser jeg ingen særlig dannelsesværdi i at insistere på selv at bruge ti minutter. Mit professionelle selv skal nok overleve. Der findes masser af opgaver, hvor resultatet ganske enkelt er det interessante. Hvis AI kan lave dem hurtigere og bedre, så brug AI. Vi har trods alt heller ikke bevaret hovedregning som den foretrukne arbejdsform i danske økonomiafdelinger for at holde medarbejderne mentalt skarpe.

Problemet opstår, når vi bruger samme logik på den kompetence, vi forsøger at udvikle. Hvis jeg vil lære at analysere en virksomheds digitale strategi, er det ikke nok, at der til sidst ligger en god analyse på skærmen. Jeg skal selv have prøvet at finde ud af, hvilke oplysninger der betyder noget, hvilke der ikke gør, hvordan de hænger sammen, og hvad jeg faktisk mener, virksomheden bør gøre. Jeg skal også helst have taget fejl et par gange undervejs. Det er irriterende, men fejl har den gammeldags egenskab, at de giver noget at lære af. Hvis AI laver hele analysen, kan jeg naturligvis læse den bagefter og måske lære noget af det. Men det er noget andet end selv at analysere. Man lærer heller ikke at spille tennis ved at se Wimbledon og derefter erklære sig enig i Federers baghånd. På et tidspunkt skal man selv have bolden, mikrofonen, regnearket eller problemet i hånden.

Derfor synes jeg om en meget enkel arbejdsregel: Mennesket først, AI bagefter, når formålet er læring. Prøv selv at definere problemet. Lav den første analyse. Formuler en hypotese. Skriv anbefalingen. Tag stilling. Slip derefter AI løs på den. Bed den finde svagheder i argumentet, foreslå alternative forklaringer, stille kritiske spørgsmål eller fortælle dig, hvad du har overset. Hvis jeg spørger ChatGPT: “Hvad bør virksomheden gøre?”, har jeg outsourcet en stor del af den aktivitet, jeg forsøger at lære. Hvis jeg derimod siger: “Jeg mener, virksomheden bør gøre X af disse tre grunde. Find de stærkeste argumenter imod min konklusion”, har jeg først selv tænkt. Nu bruger jeg AI til at sparke til min tænkning. Det sidste kan faktisk være mere krævende end at arbejde uden AI, fordi man pludselig har fået en kollega, der aldrig bliver træt, aldrig skal hente kaffe og med foruroligende stor begejstring kan producere 14 indvendinger mod en pointe, man selv var ret tilfreds med.

Men der ligger et større valg nedenunder, og det er en af mine gamle kæpheste om AI: I en AI-tid bliver vi nødt til mere aktivt at vælge, hvad vi vil lære. Tidligere kom meget faglig udvikling næsten som et biprodukt af arbejdet. Hvis du skrev 500 analyser, blev du sandsynligvis bedre til at analysere. Hvis du lavede 200 præsentationer, lærte du formentlig noget om præsentationer undervejs. Hvis du skrev nok dårlige tekster, blev nogle af dem efterhånden mindre dårlige. Det var ikke nødvendigvis en særlig gennemtænkt kompetencestrategi, men den virkede nogenlunde. Arbejdet tvang dig til at øve dig.

Den sammenhæng er AI ved at bryde. Du kan nu producere 500 analyser uden selv at lave ret meget analyse. Du kan lave 200 præsentationer uden for alvor at lære at strukturere en præsentation. Du kan udgive kilometervis af velformuleret tekst og stadig få en lettere identitetskrise, hvis nogen fjerner Copilot. Det betyder, at læring i højere grad bliver noget, vi skal vælge med vilje. Hvis der er en færdighed, du faktisk ønsker at eje selv, er det ikke længere sikkert, at dit daglige arbejde automatisk træner den. Måske skal du ligefrem beslutte, at AI ikke skal løse bestemte opgaver for dig, selv om den både kan gøre det hurtigere og sandsynligvis også lidt bedre.

Det lyder selvfølgelig ineffektivt. Og det er det også. Fitnesscentre bygger trods alt en hel industri på, at mennesker betaler penge for selv at flytte tunge ting rundt, som en gaffeltruck kunne have klaret langt hurtigere. Det giver kun mening, fordi formålet ikke er at få håndvægten fra A til B. Formålet er at ændre den person, der løfter den. Hvis målet er at få vægten fra gulvet, så brug gaffeltrucken. Hvis målet er at blive stærkere, er det dig, der skal løfte. Den forskel bliver vi nødt til at have med, når vi taler om AI og læring.

For os, der allerede har en professionel identitet, er en del af valget heldigvis truffet. Jeg har været underviser i en årrække. Jeg har skrevet, analyseret, undervist, lavet slides, vurderet projekter og begået tilstrækkeligt mange faglige fejl til at have en nogenlunde idé om, hvilke kompetencer jeg gerne vil bevare. Jeg kan vælge at lade AI overtage mere af det, jeg ikke anser for vigtigt for min faglige identitet, og holde fast i at øve mig på det, jeg fortsat gerne vil kunne selv. Det betyder ikke, at valget altid er nemt, men jeg har i det mindste noget at vælge ud fra. Jeg ved nogenlunde, hvad jeg prøver at være god til.

For unge mennesker er det sværere. Og derfor er valget også vigtigere. En 20-årig studerende har ikke allerede 15 års professionel erfaring at læne sig op ad. Hun er netop i gang med at finde ud af, hvilke kompetencer hun skal bygge sin professionelle identitet omkring. Hvis AI får lov til at tage alle de opgaver, hun endnu ikke er god til, risikerer hun at vælge dem fra, før hun overhovedet har fundet ud af, om hun kunne være blevet god til dem. Det er her, den gamle tanke om uddannelse som en slags faglig personlighedstest bliver virkelig problematisk: “Jeg prøvede analyse én gang. Det var svært. ChatGPT var bedre. Analyse er nok ikke mig.” Det er en noget brutal måde at vælge karriere på.

Vi kommer derfor til at stille unge et spørgsmål, som tidligere generationer i mindre grad behøvede at besvare så tidligt: Hvilke kompetencer vil du faktisk eje selv? Ikke hvilke opgaver vil du kunne få løst. Det bliver den nemme del. Hvad vil du selv kunne forstå, udføre og vurdere, også når maskinen står ved siden af og tilbyder at gøre det for dig?

Det er heller ikke sådan, at svaret bør være “så meget som muligt”. Vi skal ikke bevare kompetencer af ren nostalgi. “Sådan lærte jeg det i 1997” er et elendigt argument for at plage næste generation med det samme. Taxachaufføren behøver ikke længere kunne hele København udenad, fordi GPS findes. Grafikeren skal ikke beherske præcis det samme håndværk som for 30 år siden. Regnearket har også gjort en række gamle færdigheder mindre interessante, uden at samfundet af den grund styrtede sammen. Teknologi ændrer, hvad det giver mening at kunne.

Det relevante spørgsmål er derfor: Hvad skal jeg fortsat kunne selv for at kunne bruge AI fornuftigt? Nogle steder vil svaret være meget lidt. Andre steder overraskende meget. Det er let at få AI til at skrive en strategi. Det er sværere at afgøre, om strategien er god. Det er let at få AI til at foreslå en statistisk analyse. Det er sværere at opdage, at analysen ikke giver mening. Det er let at få AI til at skrive kode. Det er sværere at se, at koden med imponerende selvtillid gør noget andet end det, den påstår. AI kan flytte arbejdet fra produktion til vurdering, men vurdering kommer ikke gratis. Den hviler typisk på en faglig forståelse af det, man vurderer.

Det er også derfor, jeg er lidt skeptisk over for idéen om, at fremtidens store kompetence bare bliver at være “god til at prompte”. Det ville være vidunderligt praktisk. Så kunne vi tage et todages kursus i prompt engineering og derefter gå direkte til seniorniveau i jura, strategi og programmering. Desværre har verden endnu ikke vist sig helt så samarbejdsvillig. Den dygtige jurist stiller bedre spørgsmål til AI om jura, fordi hun kan jura. Den erfarne projektleder opdager den tvivlsomme antagelse i tidsplanen, fordi han ved noget om projekter. Den dygtige marketingmedarbejder kan se, at kampagnen er generisk, fordi hun har set nok både gode og dårlige kampagner til at kende forskellen. De bruger AI bedre, fordi de allerede kan noget uden AI.

Så hvis AI kan gøre det bedre, hvorfor skal jeg så lære det? Fordi der stadig er kompetencer, du gerne vil eje selv. Kompetencer, der gør dig i stand til at stille bedre spørgsmål, opdage forkerte svar, træffe faglige beslutninger og forstå det arbejde, du lægger navn til. Hvilke kompetencer det skal være, bliver i stigende grad et valg. For os, der allerede har bygget en professionel identitet, handler det om at beslutte, hvad vi vil bevare og udvikle. For unge mennesker handler det om noget endnu vanskeligere: at vælge, hvad de vil blive gode til, før de endnu ved, hvad de kunne være blevet gode til.

Det er nok en af de mindre bekvemme konsekvenser af AI. Vi kan ikke længere regne med, at det, vi producerer, automatisk fortæller os, hvad vi kan. Og vi kan heller ikke regne med, at arbejdet af sig selv lærer os det, vi får brug for senere. Den del bliver vi nødt til at tage stilling til selv.

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.