Fjern før I tilføjer AI: sådan finder I det, der skal væk

Du har sikkert hørt, at du skal fjerne processer, før du begynder at bruge AI. Men hvad betyder det egentlig?

Det betyder, at I kigger på arbejdet, før I lægger AI oven på det. Mange trin i en virksomhed findes kun, fordi et tidligere trin gik galt. Nogen skal spørge igen, taste noget ind igen, tjekke en kollegas arbejde eller vente på et svar. Lægger I AI oven på de trin, går spildet bare hurtigere. Fjerner I dem først, er der mindre at bygge, og det, der er tilbage, er det arbejde, AI faktisk kan hjælpe med.

Guiden er skrevet til dig, der ikke er gået i gang med AI endnu, eller som kun har prøvet ChatGPT eller Copilot lidt. Den forklarer, hvorfor fjerne kommer før AI, hvorfor det er svært at se, hvad der kan fjernes, og hvordan I finder det i én proces. Bagefter kommer de vaner, der skal ændres, når AI kommer ind, og det, I skal holde fast i. Til sidst er der en plan for den første uge og en kort forklaring, du kan bruge over for dine kolleger.

Hvorfor fjerne kommer før AI

At automatisere et trin er ikke det samme som at fjerne det. Et automatiseret trin findes stadig. Nogen skal bygge det, eje det og holde det ved lige, og hvis det var spild, er det stadig spild, bare hurtigere og sværere at få øje på. Et trin, der er fjernet, koster ingenting at drive.

Tanken er ikke ny. Toyota har arbejdet sådan siden 1950’erne. Man går ud og ser arbejdet dér, hvor det bliver lavet, og fjerner det spild, der ikke skaber værdi for kunden. Toyota kalder det muda. Det er fx ventetid, ting der skal laves om, og behandling ud over det, kunden har brug for. Et kontroltrin, der kun findes for at fange fejl fra trinnet før, hører med. Først når spildet er væk, automatiserer man det, der er tilbage.

I en fabrik kommer automatisering til sidst, fordi den er dyr og svær at lave om. Med AI er det omvendt. Det er blevet billigt og hurtigt at automatisere, og det er netop derfor, rækkefølgen betyder noget. Når det er nemt at lægge AI på et trin, bliver det også nemt at lægge AI på et trin, der ikke burde findes. Hvert trin, I fjerner, er et trin færre, som en AI-løsning skal bygges til.

Rækkefølgen er den samme for alle processer. Først skriver I processen ned, som den faktisk kører. Så fjerner I det, der kun retter fejl. Det, der følger faste regler, klarer almindelig software, og det er billigere og mere stabilt end AI. AI tager de simple vurderinger, fx at samle en sag, sortere en undtagelse eller forberede et svar. Og afgørelserne bliver hos et menneske.

Det giver også en sætning, der er nemmere at sige videre. “Vi fjernede otte trin” forstår alle. “Vi automatiserede otte trin” lyder som et it-projekt.

Hvorfor det er svært at se

Vi lægger til af refleks. I 2021 udgav fire amerikanske forskere med Gabrielle Adams i spidsen et studie i Nature med titlen People systematically overlook subtractive changes. I et af forsøgene fik folk en LEGO-figur, hvor taget hvilede på én klods, og opgaven var at gøre taget stabilt. Det kostede 10 cent at sætte en klods på, og det var gratis at tage en af. Alligevel byggede 59 % videre, selvom det var nok at fjerne den ene klods.

Forskerne fandt det samme uden for laboratoriet. Da en ny rektor på et amerikansk universitet bad om idéer til, hvad der skulle gøres anderledes, kom der 651 forslag. Kun 11 % af dem gik ud på at fjerne en regel, en praksis eller et program. Forskernes forklaring er, at idéer om at lægge til kommer af sig selv, mens idéer om at fjerne kræver, at man stopper op og leder efter dem.

AI forstærker refleksen, fordi det er blevet billigt at lægge til. Når jeg spørger folk, der er gået i gang, hvad de bruger AI til, handler svarene næsten altid om noget nyt: en video, et nyhedsbrev, en chatbot til produktspørgsmål. Det er værdi, men det fjerner ikke noget af det, de laver i forvejen. Det arbejde er allerede nogens rutine og nogens ansvar, og derfor er det tungere at gå til.

Hvis I ikke er gået i gang endnu, har I en fordel. I kan starte i den anden kolonne.

Grundspørgsmålet: hvorfor gør vi det her?

Alt det, der kan fjernes, blev lavet af en god grund. Ingen opfandt et ekstra kontroltrin for sjov. Det kom, fordi noget gik galt engang. Derfor er spørgsmålet ikke, hvad I kan skære væk. Det lyder som en spareplan, og sådan bliver det også hørt. Spørgsmålet er: hvorfor gør vi det her, og er grunden her stadig?

Den engelske forfatter G.K. Chesterton skrev i 1929 om et hegn, der står på tværs af en vej. Du må ikke rive det ned, før du ved, hvorfor det står der. Når du kender grunden og kan se, at den er væk, må du gerne fjerne det.

En proces ejes sjældent af én person. Den går på tværs af afdelinger, og hver afdeling har sine grunde. Derfor kræver det en, der kan beslutte på tværs, når et trin skal væk. I en ejerledet virksomhed er det tit ejeren selv.

Sådan finder I det, der skal fjernes

Tag én proces ad gangen. Vælg en, der går på tværs af mindst to personer, og som nogen bruger timer på hver uge. Det kan være ordremodtagelse, tilbud, fakturakontrol eller ugerapporten.

1. Skriv processen ned, som den faktisk kører

I jeres SOP står der måske 7 trin, men i virkeligheden er den nok 20, når først man har fået al information ind. Skriv den ned sammen med dem, der udfører arbejdet, ikke dem, der har beskrevet den. Kig i indbakken, regnearket og de tråde, hvor tingene bliver godkendt.

Skriv også to tal ned: hvor længe en sag er undervejs fra start til slut, og hvor meget af den tid nogen faktisk arbejder på den. Forskellen er tit stor, og den består for det meste af venten.

2. Stil spørgsmålet ved hvert trin

Spørgsmålet er: hvis trinnet før var gjort rigtigt første gang, ville det her trin så findes? Når svaret er nej, er trinnet en kandidat til at blive fjernet. Her er de tegn, der går igen:

Det er de samme slags spild, Toyota leder efter. Vas Moza fra Varick Agents, der hjælper amerikanske virksomheder med AI-agenter, fortæller om en salgsafdeling, hvor 8 af 20 trin i godkendelsen af aftaler kunne fjernes. I et revisionsfirma var det 5 af 14. Det er hans tal fra hans kunder, men de giver et billede af, hvor meget der kan ligge gemt.

3. Find navnet bag kravet

Når et trin bliver forsvaret med “det vil kvalitet have” eller “det kræver økonomi”, så find den person, der har stillet kravet, og spørg hvorfor. Elon Musk har gjort det til første regel i den metode, Walter Isaacson beskriver i sin biografi om ham fra 2023: hvert krav skal have navnet på en person, ikke på en afdeling. Musks metode er ikke en model for, hvordan man leder en dansk virksomhed, men eksemplet fra bogen viser, hvorfor reglen er nyttig.

I 2017, mens Tesla kæmpede med at få Model 3 i produktion, spurgte Musk, hvorfor der sad stykker glasfiber mellem batteriet og bunden af bilen. Ingeniørerne sagde, at det var et krav fra teamet for støjdæmpning, for at mindske vibrationer. Støjteamet sagde, at kravet kom fra ingeniørerne, for at mindske risikoen for brand. De optog lyden inde i en bil med og uden glasfiberen, og ingen kunne høre forskel. Ingen af de to teams ejede kravet.

4. Fjern på prøve

Det er nemmere at få et ja til at prøve end til at slette. Stop rapporten i to uger, og se hvem der spørger efter den. Lad kontrollen ligge i en periode, og tæl de fejl, der slipper igennem. Det er nemt at gå tilbage.

Musks anden regel er at slette alt, hvad man kan. Hvis man ikke ender med at sætte mindst 10 % tilbage igen, har man ifølge ham slettet for lidt. Ingen dansk virksomhed skal arbejde efter “fjern, til det knækker”. Men det er en nyttig målestok: hvis alt det, I fjerner, bliver væk, har I sandsynligvis kun fjernet det, der var nemt.

5. Se så på, hvad AI skal lave

Først nu kigger I efter AI. Del de trin, der er tilbage, i tre bunker. Trin, der følger faste regler, fx at afstemme to tal eller sende sagen til den rette person, klarer almindelig software. De simple vurderinger, fx at samle en sag, sortere en undtagelse eller forberede et svar, kan AI hjælpe med. Og afgørelserne bliver hos et menneske.

Fire spørgsmål afgør, om et trin er en afgørelse, og ét ja er nok. Kan beslutningen ikke gøres om? Binder den nogen juridisk eller økonomisk? Kræver den mandat? Er modparten i en sårbar situation?

Eksempel: ordren, der bliver tastet og tjekket

Et konstrueret eksempel. En kundeordre kommer ind som PDF. En medarbejder taster den ind i ERP-systemet, og en kollega sammenligner bagefter ordren med PDF’en, fordi der tit er tastefejl. Når AI kommer på tale, er det første forslag tit at lade AI’en tjekke indtastningen.

Stil spørgsmålet i stedet. Kontrollen findes på grund af tastefejlene, så det næste spørgsmål er, om ordren overhovedet skal tastes. Kan kunden bestille i et format, systemet kan læse, eller kan AI’en læse PDF’en og lægge ordren ind, mens et menneske ser på afvigelserne? Så forsvinder både indtastningen og kontrollen. Tilbage er ét trin, nemlig det, hvor et menneske faktisk skal tage stilling.

Havde man automatiseret kontrollen, var spildet bare blevet hurtigere og sværere at få øje på. Og der var kommet en AI-løsning mere, som nogen skal bygge, eje og holde ved lige.

Faldgruber

Fejlen ligger i et andet system

Nogle trin findes, fordi et andet system leverer forkerte data. Så er løsningen at rette kilden, ikke at fjerne trinnet. Det tæller kun som fjernet, hvis nogen ejer rettelsen. Ellers ender trinnet med at blive automatiseret alligevel.

Ingen tør sige det

Dem, der laver arbejdet, ved som regel godt, hvilke trin der er spild. Om de siger det højt, afhænger af, om de bliver takket for det. Josh Woodward, der leder Google Labs og Gemini-appen hos Google, fortæller i Lenny’s Podcast om en produktchef i hans team, der foreslog ikke at lancere en funktion, som alle havde glædet sig til, fordi de første data ikke var gode nok. Han svarede alle i tråden og takkede hende. Han siger, at teamet som regel ved det, før lederen gør.

Tiden forsvinder

Tid, der bliver frigjort, forsvinder af sig selv ind i andet arbejde, hvis ingen har besluttet, hvor den skal hen. Beslut det på forhånd, fx mere tid til kunderne, til at oplære en ny kollega eller til den næste proces på listen.

Når AI kommer ind: vaner, der skal aflæres

Når processen er ryddet op, og AI kommer ind, er der også noget at fjerne hos jer selv. Mange af vores vaner på arbejdet er fornuftige svar på en pris. Et udkast tog en time at skrive, så man bad om ét. Et spørgsmål kostede en kollegas tid, så man gemte det til mødet. Et forsøg kostede en udvikler i en måned, så man undersøgte først.

Med AI er prisen på mange af de ting faldet til næsten ingenting, men vanen bliver hængende. Woodward kalder evnen til at slippe den unlearning rate. Når han ansætter, kigger han ikke kun på, hvor hurtigt folk lærer nyt, men på hvor hurtigt de kan lære noget og så gå væk fra det igen, når de ser, hvad der sker, når de tester. På dansk hedder det aflæring.

Eksemplerne nedenfor er konstruerede.

Én version i stedet for flere

Vanen: Du beder Copilot om et udkast til følgebrevet til et tilbud. Det første svar er nogenlunde, og du bruger 20 minutter på at rette det til i hånden.

I stedet: Bed om tre udkast, der er forskellige på en bestemt måde, fx et kort, et formelt og et, der starter med kundens problem. Vælg det, der rammer, og tag de gode sætninger med fra de to andre. Forskerne bag hybrid intelligens ved Aarhus Universitet har gjort det til en fast regel: bed altid om mindst to muligheder.

Skrive i stedet for at tale

Vanen: Før du beder AI om noget, skriver du en omhyggelig beskrivelse. Sådan gav man en opgave fra sig, når modtageren var et menneske med begrænset tid.

I stedet: Tal opgaven ind med et diktatværktøj, og lad assistenten finde strukturen. Når du taler, kommer tvivlen, undtagelserne og det, du ikke helt ved endnu, med. Det er tit dét, assistenten har brug for, og det er det, man stryger, når man skriver.

Jeg bruger selv Monologue til det. Den her guide startede som en talebesked.

Gemme spørgsmålet til mødet

Vanen: Du er ny i indkøb og støder på et udtryk i en leverandørkontrakt, som du ikke kender. Du vil ikke forstyrre den erfarne kollega for hver lille ting, så du samler spørgsmålene til fredagsmødet, og indtil da står opgaven stille.

I stedet: Stil det første spørgsmål til assistenten. Den kender ikke jeres leverandører, men den kan forklare udtrykket. Så bliver det spørgsmål, der når frem til kollegaen, et bedre spørgsmål, og kollegaens tid går til det, kun kollegaen ved.

Undersøge før du prøver

Vanen: Nogen foreslår, at AI kunne læse jeres følgesedler. I holder et møde, skriver en business case og spørger en leverandør, hvad det koster. Det var klogt, da et forsøg tog en måned.

I stedet: Læg 5 rigtige følgesedler ind i den assistent, I allerede har, hvis den må se den slags data, og se hvad der kommer ud. Det tager 10 minutter. Virker det ikke, har I lært det på 10 minutter i stedet for en måned.

Spørgsmålet til en vane: gør jeg det her, fordi det er rigtigt, eller fordi det var dyrt engang?

Det, I skal beholde

At fjerne er ikke det samme som at stole blindt på maskinen. Der er to ting, der skal blive.

Evnen til at vurdere svaret. Ashwin Sharma fra Every har skrevet om, hvordan matematikeren Terence Tao bruger ChatGPT. Tao stiller korte, præcise spørgsmål og siger imod, hver gang modellens ræsonnement ikke holder. Sharma skriver, at man kan kopiere alle Taos prompts og stadig ikke få det samme ud af det, fordi det Tao kan, er at vurdere svaret. Han henviser også til et studie fra Anthropic med 52 udviklere, der skulle lære et nyt programbibliotek. Gruppen med AI fik 50 % i den efterfølgende test, og gruppen uden fik 67 %. Den største forskel var i fejlfinding, altså evnen til at fange modellen, når den tager fejl.

Grænsen går derfor mellem vanen og dømmekraften. At bede om tre udkast i stedet for ét er aflæring. At holde op med at læse dem er ikke.

Afgørelserne. At godkende, forhandle, underskrive, betale og tale med kunden er ikke det, der bliver tilovers, når resten er fjernet. Det er det, I får mere tid til. Et menneske, der skal godkende AI’ens arbejde, tæller dog kun som en kontrol, hvis vedkommende har tid, kompetence og ret til at sige nej. Ellers er det en underskrift og ikke en kontrol.

Og når I er i gang

Det samme gælder for det, I selv bygger. Når I begynder at bruge AI, kommer der hurtigt regler, skabeloner og ekstra kontroltrin til, fordi AI’en ikke kan alt. Det er støttehjul. De hjælper, mens I lærer, men modellerne bliver bedre flere gange om året, og støttehjulene bliver tit siddende.

Anthropic, der laver Claude, skriver det direkte i deres egen guide til at skrive prompts. Før skrev man “CRITICAL: You MUST use this tool when…”, fordi modellen ellers glemte det. Til de nyere modeller er rådet at skrive “Use this tool when…”, for ellers bruger modellen værktøjet for tit. Og instruktioner om at tjekke sit eget arbejde, som blev skrevet til ældre modeller, får nu Claude Opus 5 til at tjekke for meget. Rådet er at fjerne dem i stedet for at skrive dem om.

Så stil det samme spørgsmål en gang om året til det, I har bygget: ville vi lave det her i dag, med den model vi har nu?

Plan for den første uge

1. Mandag: vælg processen. Vælg én proces, der går på tværs af mindst to personer, og som nogen bruger timer på hver uge.
2. Tirsdag: skriv den ned. Sæt jer sammen med dem, der gør arbejdet, og skriv processen ned, som den faktisk kører. Tag omvejene med, og noter, hvor længe en sag er undervejs.
3. Onsdag: stil spørgsmålet. Gå processen igennem trin for trin: hvis trinnet før var gjort rigtigt første gang, ville det her trin så findes? Markér de trin, hvor svaret er nej.
4. Torsdag: find navnene. Find personen bag kravet for hvert markeret trin, og spørg hvorfor. Vælg ét trin, og sæt det på pause i to uger.
5. Fredag: se på resten. Del de resterende trin i faste regler, simple vurderinger og afgørelser. Prøv AI på én af de simple vurderinger med 5 rigtige eksempler fra jeres egen hverdag.

Sådan forklarer du det til dine kolleger

Hvis du skal forklare det på et minut, kan du sige noget i den her stil:

Kilder

• Gabrielle S. Adams, Benjamin A. Converse, Andrew H. Hales og Leidy E. Klotz: People systematically overlook subtractive changes, Nature 592, 2021. LEGO-forsøget og de 651 forslag er beskrevet i Scientific American.
• Taiichi Ohno: Toyota Production System, 1978. Muda og rækkefølgen, hvor automatisering kommer til sidst.
• G.K. Chesterton: The Thing, 1929. Hegnet på vejen.
• Walter Isaacson: Elon Musk, Simon & Schuster 2023. Algoritmen og glasfiber-eksemplet (kapitel 45).
• Vas Moza, Varick Agents: Don’t apply AI. Tallene 8 af 20 og 5 af 14.
• Josh Woodward i Lenny’s Podcast: Why every company now needs to think and operate like a lab team, oktober 2026.
• Ashwin Sharma, Every: The expertise trap. Om Terence Tao og om Anthropics studie af 52 udviklere.
• Anthropic: Prompting best practices. Afsnittene om at skrue ned for hårdt sprog og om at fjerne instruktioner til ældre modeller.

Om eksemplerne

Eksempler, der er markeret som konstruerede, er tænkt op. De ligner hverdagen i en dansk virksomhed, men de handler ikke om en bestemt virksomhed. Eksemplerne fra Tesla, Google, Varick, Anthropic og forskningen har en kilde, som står ovenfor.