No products added!
Når AI skal ud at leve i en organisation, er det sjældent nok at sende få ildsjæle på et enkelt kursus. Effekten kommer, når flere fagligheder lærer samme grundprincipper, bruger de samme værktøjer ansvarligt og kan samarbejde om nye arbejdsgange.
Her er virksomhedsaftalen en stærk løftestang: Den gør kompetenceudvikling til en fælles, planlagt indsats, der kan skaleres og gentages, uden at hver afdeling skal opfinde sin egen model.
Hvorfor en virksomhedsaftale gør AI-uddannelse realistisk
En virksomhedsaftale (ofte i form af en rammeaftale om aftalt uddannelse) giver struktur og retning. IKUF fremhæver, at en rammeaftale skal beskrive virksomhedens forretnings- og udviklingsmål samt de indsatsområder og kompetencekrav, medarbejderne skal opkvalificeres inden for. Det er en enkel pointe, men den ændrer alt: AI-uddannelse bliver knyttet til strategi, ikke til tilfældig interesse.
Samtidig er det en model, der inviterer til medindflydelse. IKUF lægger vægt på, at rammeaftalen udarbejdes af virksomheden og attesteres af en medarbejderrepræsentant. Den underskrift er mere end formalitet. Den er et signal om, at læring ikke “pålægges”, men forankres lokalt.
Og så er der økonomien og det praktiske. Når rammeaftalen følges op af individuelle uddannelsesplaner, bliver det muligt at søge støtte og lønrefusion, som IKUF beskriver. Det gør det langt lettere at frigive tid til læring uden at skabe uro i drift og bemanding.
AI bliver dermed ikke et projekt ved siden af arbejdet. Det bliver en del af arbejdet.
Hvad en rammeaftale bør indeholde, når fokus er AI
En god AI-rammeaftale er konkret nok til at styre indsatsen, og fleksibel nok til at rumme forskellige jobfunktioner. Den skal også fungere i praksis, når hverdagen presser på.
Aftalen bør beskrive, hvordan I går fra ambition til adfærd: Hvem lærer hvad, hvornår, og hvordan ser “anvendelse” ud i jeres kontekst. Det er ofte her, AI-indsatser mister fart, fordi målene bliver for abstrakte, eller fordi kurser vælges ud fra overskrifter frem for behov.
Efter en kort indledende afklaring kan det være nyttigt at formulere, hvad der skal være ens på tværs af organisationen, og hvad der må variere mellem teams. Mange vælger en fælles “AI-baseline” kombineret med funktionsrettede moduler.
Når I skal sætte ord på indholdet, kan det hjælpe at samle aftalens kerneelementer i en kort tjekliste:
- Mål og succeskriterier
- Målgrupper og deltagerflow
- Tidsplan og læringsformer
- Ansvar, ejerskab og opfølgning
- Retningslinjer for data og sikkerhed
Den formelle del kan holdes stram, men det er værd at være generøs med de praktiske detaljer: Hvordan bookes tid? Hvordan prioriteres drift? Hvilke værktøjer må bruges? Hvem svarer på spørgsmål undervejs?
Fra strategi til læringsspor på tværs af funktioner
AI-kompetencer opstår ikke i et vakuum. IKUF peger via deres kompetencemodel på, at kompetencekrav udspringer af jobfunktion, virksomhedens rammer og eksterne påvirkninger. I praksis betyder det, at jura, HR, salg, økonomi, IT og ledelse har forskellige risici, muligheder og arbejdsformer.
Det er også her, en modulopbygget kursuspartner kan være nyttig. Nordisk Business Academy arbejder med praksisnære, AI-integrerede forløb og funktionsopdelte moduler på tværs af områder som HR, økonomi, jura, marketing, salg, projektledelse og IT. Det gør det muligt at bygge én samlet aftale med flere spor, uden at organisationen splittes i siloer.
En simpel måde at designe sporene på er at kombinere fælles fundament, funktionsspecifik træning og en anvendelsesdel, hvor deltagerne arbejder med egne cases.
| Målgruppe | Fokus i AI-uddannelsen | Typiske leverancer i arbejdet | God læringsform |
|---|---|---|---|
| Ledelse | Prioritering, governance, risikostyring, værdiskabelse | Principper for ansvarlig brug, beslutningsrammer | Kort, intensivt forløb med cases |
| Mellemledere/projektledere | Implementering, arbejdsgange, change, kvalitet | Nye processer, teamstandarder, evalueringsrutiner | Workshop + hands-on øvelser |
| Specialister (HR, marketing, jura, økonomi) | Prompting, analyse, automation, domænekrav | Skabeloner, playbooks, udkast, analyser | Modulkurser med egne opgaver |
| IT og data | Integration, sikkerhed, datahåndtering, værktøjsvalg | Adgangsstyring, guidelines, tekniske mønstre | Praktiske labs, governance-øvelser |
| Frontline/administration | Effektiv støtte, dokumentudkast, rutineopgaver | Standardprompter, tjeklister, “best practice” | Korte læringsblokke tæt på hverdagen |
Bemærk, at bordet ikke handler om at “dele AI op”. Det handler om at samle organisationen om et fælles sprog, mens I respekterer, at en controller ikke har samme opgaver som en HR-partner.
Et eksempel på en 12-måneders udrulningsplan
Mange organisationer får bedst greb om udrulningen, når den deles i faser med tydelige leverancer. Det giver ro, og det gør det muligt at justere undervejs uden at miste retning.
Planen her er ikke en facitliste, men en robust skabelon, der passer godt til virksomhedsaftaler og rammeaftaler, hvor flere hold skal igennem.
- Måned 1 til 2: Fælles afklaring
- Måned 3 til 5: Baseline-træning og første cases
- Måned 6 til 8: Funktionsspor og standarder
- Måned 9 til 12: Skalering, opfølgning og nye moduler
Afklaringsfasen handler om at vælge 3 til 6 arbejdsopgaver, hvor AI realistisk kan give bedre kvalitet eller frigive tid, og om at beslutte, hvordan I arbejder ansvarligt med data. Herefter kan baseline-forløbet give alle et fælles greb om generativ AI, værktøjer, prompt-teknik og kvalitetssikring.
I midterfasen flytter I læringen tættere på fagligheden. Her giver det mening at samle hold efter funktioner og arbejde med cases fra deres virkelighed: HR med rekrutteringstekster og politikudkast, marketing med contentflow, salg med lead-kvalificering, økonomi med analyse og rapportering.
Skaleringsfasen er der, hvor gevinsterne bliver stabile: standardprompter, skabeloner, interne retningslinjer, korte opdateringsmoduler og en rutine for at samle erfaringer op.
Måling: fra kursusdeltagelse til forretningsværdi
Måling bliver let overfladisk, hvis den kun handler om tilfredshed og gennemførsel. AI-uddannelse er nyttig, når den ændrer adfærd og skaber resultater, som teams kan mærke.
Det hjælper at måle i tre lag: læring, anvendelse og effekt. Det første lag kan være quizzer, certificeringer eller opgaver. Det andet lag er, om deltagerne faktisk bruger værktøjerne rigtigt i deres workflow. Det tredje lag er, hvad det betyder for kvalitet, tempo, fejlrate, kundetilfredshed eller medarbejdertid.
En kort og praktisk model kan se sådan ud:
- Kompetence: Kan deltageren udføre en defineret opgave med AI med tydelig kvalitet?
- Adoption: Bliver det brugt i hverdagen, og er der fælles standarder?
- Effekt: Hvilke arbejdsgange er blevet kortere, bedre eller mere robuste?
Nogle organisationer supplerer med interne “før og efter”-eksempler: Samme opgave løst uden AI og med AI, men med krav om menneskelig kontrol. Det gør effekten synlig og skaber en sund, kritisk tilgang.
Ansvarlig brug: jura, etik og datasikkerhed som en del af aftalen
AI-uddannelse kan ikke skilles fra ansvarlighed. Når flere medarbejdere får adgang til kraftfulde værktøjer, øges behovet for fælles spilleregler.
Der bør som minimum være klare rammer for persondata, fortrolighed og dokumentation. EU’s etiske retningslinjer for undervisere om brug af AI peger på netop risici og korrekt brug, og samme logik kan overføres til virksomheden: Medarbejdere skal kende grænserne, før de eksperimenterer.
I praksis handler det ofte om at gøre det let at gøre det rigtige: korte tjeklister, godkendte værktøjer, skabeloner til prompts, og en enkel proces for at få sparring, når man er i tvivl. Nordisk Business Academy omtaler også etiske rammer som del af AI-undervisning, hvilket passer godt ind i virksomhedsaftaler, hvor I vil sikre fælles standarder på tværs af teams.
En brugbar rettesnor er at indbygge “menneskelig kvalitetssikring” som et krav ved bestemte opgavetyper, især når output kan få juridiske eller økonomiske konsekvenser.
Når læringen skal leve videre i hverdagen
Selv et stærkt kursusforløb mister værdi, hvis læringen stopper ved sidste modul. Derfor giver det mening at skrive kontinuitet ind i virksomhedsaftalen: opdateringer, fælles videndeling og en rytme, hvor AI-praksis bliver vedligeholdt.
Mannaz beskriver AI som en forstærker af læring, ikke en erstatning. Det perspektiv er stærkt, fordi det flytter fokus fra værktøjet til vanen: at stille bedre spørgsmål, dokumentere bedre beslutninger og dele bedre arbejdsmetoder.
Nogle vælger at etablere et internt AI-fællesskab på tværs af funktioner, hvor man mødes kort og ofte. Andre gør det endnu enklere: en månedlig “skabelon-opdatering”, hvor de bedste prompts og workflows samles og gøres tilgængelige. Det er små greb, der gør en stor organisation mere lærende, uden at kalenderen bryder sammen.
Når virksomhedsaftalen først har sat retning, kan I udvide med nye moduler i takt med at behov opstår, og holde kompetencerne aktuelle, også når værktøjer og regler ændrer sig.
