Når AI laver mere, skal virksomheden ledes anderledes
Mik Kerstens tese om AI, arbejde og ledelse. En note om hans offentlige oplæg og samtaler, og om hvad idéerne kan betyde på en dansk arbejdsplads.
Indhold
Et tilbud bliver skrevet på ti minutter. Før tog det en time. Det lyder som en gevinst. Men hvis tilbuddet stadig ligger tre dage hos den samme chef, mærker kunden måske ingen forskel.
Det eksempel er tænkt. Men det viser det problem, Mik Kersten arbejder med: Vi kan blive hurtigere til at lave ting, uden at det går bedre for dem, vi laver dem til.
Kersten har skrevet Project to Product og Output to Outcome. Hans tese er, at AI flytter flaskehalsen i vores arbejde. Når vi kan lave langt mere, kommer måden, vi leder og organiserer os på, under pres. Han foreslår derfor en ny model for, hvordan en virksomhed fungerer. Han kalder den Outcome Management.
Jeg har taget udgangspunkt i hans offentlige oplæg, interviews og podcasts. Det her er ikke en anmeldelse af bogen. Jeg vil forstå hans samlede argument, og hvad der kan bruges i praksis.
Når jeg bruger egne eksempler, er de tænkte. Jeg viser undervejs, hvad Kersten foreslår, hvad andre har prøvet, og hvad jeg selv vil gøre.
Tesen er større end et råd om at måle bedre
Man kan læse titlen Output to Outcome og tænke: Vi skal holde op med at tælle opgaver og begynde at måle resultater. Det er en del af argumentet. Men hvis vi stopper der, mister vi det, Kersten prøver at sige om virksomheden som helhed.
Skellet mellem output og outcome er ældre end Kerstens bog. Josh Seiden udgav Outcomes Over Output i 2019. Det, jeg undersøger hos Kersten, er hans bud på, hvordan AI ændrer kravene til hele organisationen.
Kersten har også et bredere sigte. Han vil have flere virksomheder til at kunne bruge AI til at skabe værdi, så gevinsterne ikke kun samles hos nogle få. Det er hans ambition. Om modellen faktisk spreder gevinsterne til flere, er endnu ikke bevist.
Hans spørgsmål er, hvad der sker med en organisation, når evnen til at producere vokser langt hurtigere end evnen til at vælge og lære. Hvis ti mennesker kan sætte hundrede forsøg i gang, hvem vælger så retningen? Hvem opdager, at forsøgene spænder ben for hinanden? Og hvem tager ansvar for følgerne, når et forsøg påvirker andre?
Det er den sammenhæng, jeg vil undersøge her. Først hans forklaring på, hvad AI ændrer. Så hans forslag til, hvordan arbejdet kan hænge sammen. Og til sidst de idéer, jeg vil bruge i mit eget arbejde, og dem, jeg stadig vil stille spørgsmål til.
En ny model for at drive en virksomhed lyder stort. Derfor vil jeg vise, hvad den kan betyde i konkrete situationer: et tilbud, der venter, et hold, der ikke må ændre sin plan, og et forsøg, der ser godt ud i en demo, men ikke hjælper kunden.
AI flytter flaskehalsen
Kersten ser AI som del af en større historie. Ny teknologi gør noget billigere og lettere. Så bliver noget andet afgørende for, hvor meget vi kan udrette. Men vaner og ledelse er stadig tilpasset de gamle vilkår. I oplægget bruger han tidligere teknologiske skift til at forklare, hvad der nu sker med AI.
Når tiden er knap, er vi nødt til at prioritere opgaverne. Hvad skal udvikleren bruge sin tid på? Hvilke tekster skal marketing nå at skrive? Hvilke idéer har vi råd til at afprøve?
Hvis en del af det arbejde kan laves langt hurtigere, ændrer spørgsmålene sig. Kan vi vælge, hvad vi vil opnå? Kan vi få svar fra kunden? Kan nogen træffe en beslutning, mens forsøget stadig er relevant?
Det er ikke en påstand om, at al viden nu er gratis. Det er en tese om, hvad der sker, når en stor del af selve produktionen bliver billigere.
Fra en ny kraftkilde til en anden fabrik
Kersten forbinder hvert teknologisk skift med et skift i ledelse. Maskiner gjorde flere varer mulige, men skabte behov for at dele arbejdet på nye måder. Jernbaner gjorde transport lettere, men krævede styring af store net. Software gjorde beregning billig, mens evnen til at udvikle løsninger blev en ny begrænsning.
Han trækker på Carlota Perez’ arbejde om teknologiske skift. Hans tilføjelse er, at AI gør dele af vores vidensarbejde billige. Så må vi ændre den måde, vi vælger og styrer arbejdet på.
I sit oplæg bruger han bilfirmaet Peerless som eksempel. En fælles aksel og remme drev maskinerne på fabrikken. Kersten fortæller, at man skiftede fra damp til en elmotor, men beholdt den gamle indretning. Andre fabrikker brugte el til at stille maskinerne efter arbejdets gang.
Det er hans analogi: En ny motor kan drive den gamle fabrik, uden at arbejdet bliver tænkt om. Historien viser, hvad han mener med at ændre en driftsmodel. Den er ikke her undersøgt som forklaring på, hvorfor bestemte bilfirmaer overlevede.
Teknologien ændrer sig før vanerne
Man kan skifte et værktøj ud og beholde resten af arbejdet præcis, som det var. Så går den del af arbejdet måske hurtigere. Men man har endnu ikke undersøgt, hvad det nye værktøj gør muligt for hele forløbet.
Med AI kan vi lade en agent lave den statusrapport, vi før skrev selv. Vi kan også spørge, hvorfor seks mennesker bruger en formiddag på at samle oplysninger til en beslutning, der først skal træffes næste måned.
De to spørgsmål fører til forskellige løsninger. Det første handler om at gøre en kendt opgave lettere. Det andet kan ændre, hvilke oplysninger der skal være til rådighed, hvem der må bruge dem til at træffe et valg, og om der stadig er brug for mødet.
| Når vi vil gøre den nuværende opgave hurtigere | Når vi undersøger, om arbejdet kan gøres anderledes |
|---|---|
| Hvordan bruger vi mindre tid på statusrapporter? | Hvilken beslutning skal rapporten hjælpe os med at træffe? |
| Hvordan får vi udvalget til at godkende flere idéer? | Hvilke forsøg kan holdet selv sætte i gang? |
| Hvordan bygger vi den aftalte løsning hurtigere? | Hvordan finder vi ud af, om løsningen hjælper? |
| Hvordan får alle adgang til AI? | Hvordan skal ansvar og arbejde ændres, når alle har adgang? |
Tabellen viser, hvordan jeg ville stille spørgsmålene. Den viser, hvorfor hans tese får konsekvenser for andet end valg af software.

Mere arbejde er ikke det samme som mere værdi
Et output er noget, vi laver: en tekst, en rapport, en ny funktion eller et tilbud. Et outcome er det, arbejdet fører til for kunden, kollegaen eller virksomheden. Kunden får løst sit problem. En kollega slipper for fejl. Flere kunder bliver hos os.
For Kersten skal arbejdet gavne både kunder og ansatte. Han ser det som grundlaget for, at virksomheden også klarer sig godt. Derfor omfatter hans model mere end de økonomiske resultater.
Et nyt system kan være årsag til, at noget bliver bedre. Men det er ikke bevist, bare fordi systemet er sat i drift. Vi må undersøge, om den ændring, vi håbede på, faktisk skete.
Den forskel kan let forsvinde i en statusrapport. Ti nye funktioner er nemme at tælle. Om kunden nu kan løse sin opgave uden hjælp, må vi undersøge særskilt.
Et resultat skal kunne mærkes af nogen
Der er en fælde i ordet resultat. Vi kan let kalde det, vi allerede tæller, for et resultat. Et resultatmål om at have indført fem agenter er stadig et mål for noget, vi har sat i drift. Det fortæller ikke, om nogen fik gavn af det.
Jeg vil begynde med at spørge, hvem ændringen skal hjælpe. Kunden kan bestille uden at ringe. En kollega kan afslutte en sag uden at lede efter et bilag. En ny ansat kan løse en opgave med færre afbrydelser. Først derefter kan vi vælge et mål, der hjælper os med at se ændringen.
Det betyder ikke, at alt skal ende i ét tal. Vi kan have brug for at måle tidsforbrug og fejl og tale med dem, der bruger løsningen. Et tal kan vise, at noget har ændret sig. Samtalen kan hjælpe os med at forstå hvorfor.
Vi må også skelne mellem det, kunden får ud af arbejdet, og det, virksomheden får ud af det. Hurtigere svar kan hjælpe kunden. Flere gode ordrer kan hjælpe virksomheden. De kan hænge sammen, men vi bør ikke lade som om, vi allerede har bevist forbindelsen.
Flaskehalsen flytter ind i organisationen
Kersten beskriver i et essay data fra over 3.600 værdistrømme i 34 organisationer. De indgår i Planviews rapport fra 2023. Han deler tiden fra idé til levering i tre faser. 48 procent går før udvikling, 8 procent til udvikling og 44 procent efter.
De otte procent handler om, hvor længe en leverance er undervejs. De fortæller ikke, hvor stor en del af dagen medarbejderne arbejder, eller hvor produktive de er.
Tallene kommer fra kunder hos Planview og Tasktop. De sælger software til at følge arbejdet. Kersten skriver selv, at data fra en leverandør ikke er et sikkert mål for hele branchen. Vi kan bruge tallene til at stille spørgsmål til vores eget forløb. De er ikke et facit for en dansk virksomhed.
Hvis tilbuddet venter på en pris, en godkendelse og et svar fra drift, løser det ikke hele problemet at skrive teksten hurtigere. Det kan frigøre tid hos den, der skriver. Men kunden får først et hurtigere svar, når ventetiden også falder.
Her trækker Kersten på Theory of Constraints: Find det, der begrænser hele forløbet. Gør noget ved den flaskehals. Undersøg så, hvad der nu begrænser arbejdet. Hans tese er, at AI gør denne opgave til en del af ledelsens daglige arbejde.
En gevinst i ét led kan være reel og stadig lille for helheden
Et tænkt regnestykke gør forskellen synlig. Forestil dig et forløb på 100 timer fra start til slut. Otte timer går til udvikling. De andre 92 går til planlægning, godkendelse, test, frigivelse og ventetid. Også før og efter udvikling udfører folk arbejde.
Hvis AI gør de otte timer ti gange hurtigere, tager de nu 0,8 time. Hele forløbet tager 92,8 timer. Det er 7,2 procent kortere. Personen, der udfører opgaven, sparer meget tid. For kunden er forskellen langt mindre.
Regnestykket holder alle andre tider faste. I virkelige forløb kan trin overlappe, og køer kan vokse eller falde. Men eksemplet viser, hvorfor vi må se på mere end tidsforbruget til den enkelte opgave.
Vi skal heller ikke bruge regnestykket til at afvise den sparede tid. Den kan give mindre pres, bedre kvalitet eller plads til at hjælpe en kollega. Det er også værdi. Vi skal bare kunne sige, hvilken gevinst vi har set, og hvilken vi endnu håber på.
Mere kapacitet kan skabe mere kø
Hvis ét hold kan sende flere sager videre, mens næste hold stadig kan behandle det samme antal, vokser køen. Den ekstra kapacitet kan derfor gøre problemet mere synligt.
Det sker også med viden. En agent kan lave ti forslag, hvor et menneske før lavede ét. Men nogen skal forstå dem, vælge mellem dem og tage ansvar for valget. Hvis hvert forslag kræver en ny runde møder, har vi også givet andre mere arbejde.
Spørgsmålet bliver derfor både, hvor vi kan sætte fart på, og hvor vi skal begrænse det arbejde, vi sætter i gang. En bunke færdige udkast er ikke nødvendigvis et fremskridt, hvis ingen kan nå at bruge dem.

Hans svar er en anden måde at drive virksomheden på
Outcome Management er mere end at sætte et nyt mål på en tavle. Kersten vil have strategi, beslutninger, arbejde og måling til at hænge sammen. Den, der har ansvar for et resultat, skal også have plads til at ændre det arbejde, der skal skabe det.
Sådan forstår jeg ændringen i forholdet mellem leder og hold: En leder bestiller ikke kun en bestemt løsning. Lederen aftaler et mål, en ramme og et ansvar. Holdet finder en vej og viser, om den virker.
Det kræver svar på helt jordnære spørgsmål. Hvem kan ændre planen? Hvem kan bruge penge på et forsøg? Hvem følger op på kunden? Hvem stopper arbejdet, hvis det ikke hjælper?
Hvis alle de beslutninger stadig skal træffes af den samme chef, har holdet ikke fået mulighed for selv at ændre arbejdet.
Aftaler om ansvar, tid og penge skal følge med
Når jeg læser ordet operating model, tænker jeg på de aftaler, der får en virksomhed til at fungere. Hvordan vælger vi arbejde? Hvordan fordeler vi tid og penge? Hvem må sige ja til hvad? Hvad gør vi, når virkeligheden ikke følger planen?
En strategi siger noget om, hvor vi vil hen. En plan siger noget om, hvad vi tror, vi skal gøre. Måden, vi organiserer arbejdet på, afgør, hvem der må ændre planen, og hvad der skal til for at gøre det.
Det er derfor, en ny tavle med mål ikke er nok. Forestil dig, at et hold får ansvar for færre fejl, men bliver belønnet for at afslutte flest mulige sager. Så har ledelsen givet dem to signaler, der kan trække hver sin vej. Ledelsen må derfor afklare, hvad holdet har ansvar for, og hvad det bliver belønnet for. Bedre måling kan ikke løse den konflikt alene.
Eller forestil dig, at holdet får lov at eksperimentere, men skal vente en måned på hvert lille køb. Så er deres frihed på papiret større end deres frihed i arbejdet.
Det kræver ikke, at hele budgettet genforhandles hver uge. Kerstens model tillader et årligt budget, samtidig med at holdene kan træffe hurtigere beslutninger i det daglige arbejde. Friheden skal ligge inden for rammen.
Jeg læser Kerstens forslag som et forsøg på at få disse dele til at hænge sammen. Mål, penge, ansvar og retten til at handle skal pege samme vej. Ellers bliver den nye måde at arbejde på et ekstra lag oven på den gamle.
Tre modeller hænger sammen
Kersten bygger sit forslag på tre modeller. De handler om, hvordan arbejdet samles, hvordan vi lærer af det, og hvordan ansvar hænger sammen på tværs.
Product Operating Model: Holdet beholder ansvaret efter levering
Arbejdet samles om et produkt eller et forløb, der skaber værdi for nogen. Et hold har ansvar for det over tid. Ansvaret slutter ikke, når et projekt afleveres. Kersten tager denne del med fra Project to Product.
Kersten bruger ordet value stream, på dansk værdistrøm, om hele kæden af arbejde frem til den, der skal have gavn af det. Her kalder jeg det et forløb. Det kan gå gennem flere afdelinger.
I et projekt kan succesen være at levere til tiden og inden for budgettet. Når opgaven er afleveret, bliver holdet opløst eller flyttet videre. Det giver et klart slutpunkt. Men kunden har stadig brug for hjælp, når projektet slutter.
Når holdet beholder ansvaret, kan det følge, hvad der sker efter levering. De samme mennesker kan opdage, at kunderne går i stå et andet sted. De kan ændre løsningen, fordi de stadig har ansvaret for det problem, den skulle løse.
Overført til et dansk kontor behøver produktet ikke være en app. Det kan være hele forløbet fra en kunde beder om hjælp, til sagen er løst. Hvis salg, administration og drift kun har ansvar for deres eget stykke, kan alle lykkes lokalt, mens kunden bliver sendt rundt.
At samle ansvaret betyder ikke, at alle skal kunne alt. Det betyder, at nogen har både blik for hele forløbet og mulighed for at ændre det. Min tilpasning til mindre virksomheder begynder der.
Outcome Loop: En plan bliver et forsøg, vi kan lære af
Vi vælger et mål og sætter tid og penge af til arbejdet. Arbejdet skal gøre noget bedre for kunden eller kollegaen. Vi undersøger, om det sker, og bruger svaret til at vælge næste skridt. En plan er derfor også en række antagelser, som skal prøves af.
Billige udkast kan også gøre det muligt at afprøve flere løsninger samtidig. Det er en del af Kerstens argument for AI: Vi kan prøve flere løsninger og se, hvilke der hjælper kunden. Men det kræver, at vi kan nå at vurdere dem. Ellers vokser blot bunken af udkast.
Lad os sige, at vi vil have færre opkald om en ordre. En mulighed er at bygge en chatbot. En anden er at sende et klart svar, når ordren ændrer status. En tredje er at give kunden en mere præcis dato for levering.
Hvis planen fra starten hedder “byg en chatbot”, bliver de andre muligheder let usynlige. Hvis målet i stedet er at mindske kundernes tvivl om ordren, kan holdet undersøge flere løsninger.
Undersøgelsen fortsætter altså, efter at løsningen er taget i brug. Faldt antallet af opkald? Fandt kunden svaret? Eller opgav kunden bare at få fat i nogen? Det sidste kan få en måling til at se pæn ud, mens oplevelsen er blevet værre.
Derfor skal opfølgningen være en fast del af arbejdet. Vi skal vide, hvad vi vil se efter, før vi sætter løsningen i drift. Og nogen skal have tid til at følge op, når den er taget i brug.
En plan kan så ændre sig uden at være en fiasko. Hvis forsøget viste, at ordrebekræftelsen var problemet, kan holdet arbejde med den. Det ville være spild at færdiggøre chatbotten alene for at følge den oprindelige plan.
Outcome Tree: Frihed kræver tydelige grænser
Kersten foreslår en struktur, hvor ansvar for resultater hænger sammen fra ledelsen og ud til holdene. Der er mennesker med ansvar på hvert niveau. Også når agenter udfører arbejdet. Holdene skal have frihed til selv at vælge løsninger inden for de aftalte mål og rammer.
Kersten vil have træet til at være den struktur, virksomheden faktisk arbejder efter. Et nyt hold kan få ansvar for resultaterne, mens den gamle ledelse stadig styrer penge og belønning. Så kan de to strukturer trække hver sin vej.
I en mindre virksomhed ville jeg begynde enkelt: Aftal, hvem der har ansvar for forløbet, og hvad det skal føre til. Gør det klart, hvad holdet selv må beslutte, og hvem de går til med problemer, de ikke kan løse. Der er ingen grund til at tegne et stort træ, hvis to niveauer er nok.
Et træ kan ligne netop det hierarki, man prøver at slippe væk fra. Forskellen er, hvordan hierarkiet bruges. Skal chefen godkende hver lille beslutning? Eller sætter ledelsen mål og rammer, mens holdene selv vælger løsninger og melder tilbage om resultaterne?
Det er det skel, jeg vil bruge til at forstå Kerstens forslag. Et hold har ikke meget frihed, hvis det skal følge en bestemt metode og spørge om lov til hver ændring. Det får mere frihed, hvis det selv kan vælge løsningen inden for de aftalte rammer.
I mit tænkte eksempel kan ledelsen ønske flere ordrer fra kunder, der bliver hos virksomheden. Salg kan have ansvar for et klart og hurtigt tilbud. Drift kan have ansvar for, at løftet faktisk kan holdes. De skal kunne se deres bidrag til helheden.
Men tegningen viser ikke alle de steder, hvor ansvaret overlapper. Hvis salg lover noget, drift ikke kan levere, er begge hold berørt. Derfor skal ansvar også omfatte en aftale om, hvad de gør, når deres lokale mål støder sammen. Ét navn ud for et mål er en begyndelse. Det er ikke i sig selv et bevis på, at arbejdet hænger sammen.
Jeg vil bruge træet til at gøre ansvar synligt. Jeg vil være varsom med at bruge det til at lade, som om ansvaret for hvert resultat kan placeres i én afdeling. Kunden har ofte kontakt med flere afdelinger i samme sag.
Syv skift gør modellen konkret
Kersten peger på syv ting, som skal ændres. De hænger sammen, men løser hver sit problem. Her bruger jeg tilbuddet som eksempel på forskellene.
Kersten anbefaler at begynde med Functions to Flow, hvis man er tidligt i arbejdet. Men han ser skiftene som dele af samme model. Nye hold hjælper for eksempel ikke meget, hvis de stadig skal vente måneder på en beslutning.
1. Saml arbejdet om kundens forløb
Functions to Flow handler om, hvordan holdene er sat sammen. I stedet for at lade en sag gå fra afdeling til afdeling samler man de fag, der skal til for at løse kundens problem.
I tilbudseksemplet kunne salg og drift arbejde som ét hold med ansvar fra kundens spørgsmål til et tilbud, drift kan stå inde for. Ellers kan salg være færdig med sin del, mens kunden stadig venter. En person, der blot rykker de andre, ændrer ikke den opdeling.
2. Mål mere end det, der bliver lavet
Slop to Substance handler om, hvad vi regner som fremskridt. Flere afsluttede sager kan se godt ud, selv om kunderne må ringe igen. Antal sager, tid til svar og kundens udbytte fortæller tre forskellige ting.
Kerstens flow metrics viser blandt andet, hvor længe sager er undervejs, og hvor meget arbejde der er i gang. De kan afsløre en kø. Om kunden fik hjælp, må vi også undersøge. Det gælder også regningen for AI: Flere løste opgaver kan koste flere penge uden at give et bedre resultat.
3. Få beslutningerne til at følge arbejdet
Chaos to Cadence handler om tid. Et hold kan afprøve en idé på en uge og så vente tre måneder på, at et udvalg mødes. Holdets tempo og ledelsens kalender passer ikke sammen.
I tilbudseksemplet kunne holdet se på fejl og ventetid hver uge. Lederen kunne hver måned tage stilling til mål og budget. Der skal være en vej til en hurtig beslutning, hvis et forsøg må stoppes før. Faste møder hjælper kun, hvis de erstatter ventetid og gør det muligt at handle.
4. Gør holdene mindre afhængige af hinanden
Matrix to Modularity handler om, hvad et hold kan ændre uden at sætte andre hold i arbejde. Her er problemet selve koblingen mellem opgaver og systemer. Selv et hold med lov til at handle kan være låst af den.
Forestil dig, at en ændring af tilbudsskabelonen kræver rettelser i tre andre systemer. Så kræver en lille ændring en fælles plan med flere hold. En klar aftale om, hvilke data systemerne udveksler, kan gøre det muligt at ændre skabelonen alene. Fælles standarder skal støtte den frihed og begrænse fejl på tværs.
5. Giv nogen ansvar for målet og midlerne til at nå det
Objectives to Ownership handler om, hvem der står på mål for resultatet. Den, der har ansvar for kundens ventetid, skal kunne ændre arbejdet og bruge tid og penge på det. Mål og belønning må heller ikke trække hver sin vej.
Kan holdet ikke selv fjerne en hindring, skal en leder tage opgaven videre. Kersten kalder sådanne mål improvement objectives. De får plads i en Outcome Roadmap, hvor der sættes tid af til at løse dem. I tilbudseksemplet kan en fælles prisliste være sådan en opgave. Den skal have en ansvarlig, som kan få den lavet.
6. Vurdér arbejdet efter dets formål
Divisions to Domains handler om, hvordan vi fordeler penge og vurderer resultatet. Et produkt med faste kunder og et nyt forsøg skal ikke bevise deres værdi på samme måde.
| Slags arbejde | Hvad skal det bidrage med? |
|---|---|
| Kerneprodukter | Omsætning og vækst fra produkter, kunderne bruger. |
| Fælles systemer | Hjælp til de hold, der bruger dem, for eksempel færre fejl og mindre ventetid. |
| Nye forsøg | Viden om, hvorvidt en ny idé kan blive til noget. |
| Idéer, der skal bredes ud | At en afprøvet løsning kan bruges i større skala og blive del af kerneforretningen. |
I samtalen med Gene Kim nævner Kersten de første tre. Forlaget har også det fjerde med og kalder det transformation. Her er de forklaret på dansk.
Et krav om sikkert afkast kan kvæle et tidligt forsøg. Omvendt kan vi ikke behandle en løsning, kunderne bruger hver dag, som et frit forsøg. Formålet skal afgøre både budget og krav.
7. Ledere skal selv kende arbejdet med AI
Managers to Makers handler om lederens kunnen. For at vurdere, hvad der kan bygges, og hvad der kan gå galt, må lederen selv prøve teknologien. En flot demo siger ikke meget om fejl i daglig brug.
Kersten kalder rollen outcome manager. Lederen har ansvar for både midler og mål og skal kende arbejdet godt nok til at kunne ændre det. Dem, der bygger, skal omvendt kunne spørge til formålet og vurdere, om løsningen hjælper.

Ledelse forsvinder ikke, når AI kan mere
Kersten placerer ansvar hos mennesker. AI kan hjælpe med analyse, forslag og arbejde. Men nogen skal vælge retningen og stå på mål for den. Hans samtale med Susan Lindner handler også om at vise konkrete forløb, fejl og læring, når andre skal forstå en ændring.
For mig er det en grund til at vise arbejdet undervejs. Hvis vi kun viser den færdige demo, ser kollegerne hverken de valg eller de fejl, der ligger bag. Så er det svært at vurdere, hvad de selv kan bruge.
Ledelsen skal følge arbejdet, mens det sker
I samtalen med Susan Lindner fortæller Kersten om et hold, han selv ledede i Planview. Holdet byggede funktioner med AI og havde direktøren med hver uge. Det er hans egen beretning om en arbejdsform, ikke en måling af dens effekt.
For mig peger det på en forskel mellem at få en rapport og at følge arbejdet tæt nok til at kunne hjælpe. Et ugentligt møde er ikke i sig selv løsningen. Det afgørende er, om lederen får øje på problemer og kan træffe de beslutninger, holdet venter på.
Hvad sker der, når lederen skifter job?
I oktoberinterviewet spørger værterne, hvordan den nye måde at arbejde på kan overleve den leder, der satte den i gang. Samtalen peger på at fordele ansvaret i organisationen. Det skal ikke afhænge af én person.
Det giver mig en konkret prøve på modellen: Ved holdet stadig, hvad det har ansvar for, og hvad det må beslutte, hvis chefen stopper? Hvis alle aftalerne kun findes i chefens hoved, er arbejdet stadig sårbart.
TUI: Fra en tese til arbejde med ledere og roller
Pieter Jordaan, CIO i TUI, beskriver i sin samtale med Kersten et forløb, der går fra forståelse af AI til nye måder at arbejde på. Han begynder med at hjælpe folk med at forstå mulighederne. Så ser han på arbejdet, rollerne og det fælles grundlag for at bruge AI sikkert.
Han fortæller også om en øvelse, hvor ledere skulle udvikle en ny rejsedestination med hjælp fra agenter. De arbejdede blandt andet med en forretningsplan og en hjemmeside. Formålet var at opleve forskellen mellem at bestille bestemte løsninger og beskrive, hvad man vil opnå.
Ifølge Jordaans beretning bad lederne først om et regneark. Han bad dem i stedet fortælle, hvad de ville opnå. De skulle øve sig i at angive retningen, før de fordelte opgaver.
Øvelsen var delvist simuleret. Den viser, hvordan Jordaan lod lederne prøve en anden måde at arbejde på. Den dokumenterer ikke, at de på få timer skabte en rejse, som kunne sælges og gennemføres.
I hans tilgang kommer valget af værktøj efter arbejdet med formål og proces. Opgaver kan blandt andet udføres af agenter, kræve et menneske undervejs eller forsvinde. Nogen skal fortsat have ansvar for resultatet. Sådan beskriver Jordaan selv arbejdet i TUI.
Hvorfor ledernes egen erfaring betyder noget
Det, jeg vil tage med fra den case, er selve rækkefølgen. Hvis en leder skal være med til at ændre arbejdet, skal lederen kunne forestille sig noget andet end det, der findes i dag. Ellers ender vi let med en hurtigere udgave af den samme proces.
En øvelse kan vise, hvad der kan lade sig gøre, og hvor AI kommer til kort. En agent kan lave en flot side på kort tid, mens det stadig er svært at vide, om tilbuddet på siden er relevant. Den erfaring kan hjælpe lederen med at vurdere, hvad der er grund til at bruge tid og penge på.
For mig er der derfor to opgaver i en workshop for ledere. De skal prøve teknologien selv. Og de skal bagefter tage stilling til, hvad oplevelsen betyder for de mennesker og aftaler, de har ansvar for.
En god demo besvarer ikke det andet spørgsmål. Bagefter må lederen sammen med holdet beskrive, hvilke opgaver der ændrer sig, og hvad det kræver af dem.
Rolleændringen skal kunne beskrives
Hvis en kollega før skrev alle tilbud og nu fører tilsyn med en agent, er det ikke nok at ændre titlen. Vi skal kunne beskrive arbejdet på en almindelig tirsdag. Hvilke sager tager agenten? Hvilke tager personen? Hvordan opdager personen en fejl? Hvad sker der, når sagen ikke passer til mønsteret?
Det er de spørgsmål, jeg selv ville arbejde videre med efter at have læst om TUI-casen. Den gør en stor tese til spørgsmål, som den, der udfører arbejdet, kan være med til at svare på.

Når en plan må ende med et nej
Andrew Sales fra Scaled Agile beskriver en anden anvendelse af tesen. I samtalen med Kersten taler han om at lade de ønskede resultater styre planlægningen. Han skelner også mellem almindelige leverancer og arbejde, der er et forsøg eller en prototype.
SAFe er en ramme for agile arbejdsformer i store organisationer. Jeg vil bruge skellet mellem leverance og forsøg uden nødvendigvis at tage hele rammen med. Hvis vi kalder arbejdet en leverance, forventer folk med god grund, at noget bliver leveret. Hvis vi kalder det et forsøg, kan et godt svar også være, at vi ikke skal gå videre.
Det kræver dog en reel aftale. Et forsøg skal stadig have et klart formål. Vi skal vide, hvad vi prøver at lære, hvor meget vi vil bruge, og hvad der vil få os til at fortsætte, ændre retning eller stoppe.
For et hold kan denne forskel være afgørende. Hvis man kun kan få penge til sin idé ved at love en færdig løsning, er der et pres for at nedtone tvivlen fra starten. Så kan det senere føles som et nederlag at indrømme, at behovet var et andet.
Vi kan gøre usikkerheden synlig fra starten: Vi ved ikke, om kunderne kan bruge denne besked. Vi vil prøve den på et afgrænset antal sager. Vi følger op med kunderne og ser på fejl. Derefter vælger vi, om vi vil bruge mere tid på den.
Den aftale gør det muligt at stoppe med god grund. Den kan også gøre det lettere at begynde, fordi forsøget ikke kræver et løfte om en stor gevinst på forhånd.
Sådan kunne det se ud med et tilbud
Lad os vende tilbage til tilbuddet. Her er et konstrueret eksempel, ikke en kundecase og ikke en opskrift fra Kersten.
En virksomhed med 40 ansatte vil give kunderne et brugbart svar hurtigere. I dag tager det ofte fire dage. Selve teksten tager en time. Resten går med at hente viden, vente på priser og få lov at sende.
Holdet sætter sig ét mål for den næste måned: Kunden skal få et korrekt tilbud inden for to arbejdsdage. De vil også holde øje med fejl, rettelser og overarbejde. Et hurtigt, forkert svar tæller ikke som en gevinst.
En person får ansvar for forløbet. Salg og drift aftaler, hvilke priser holdet selv må bruge. De aftaler også, hvilke sager en leder skal se. AI skal samle de nødvendige oplysninger og skrive et udkast.
Hver uge ser holdet på sagerne. Hvor ventede de? Hvad manglede? Blev kunden nødt til at spørge igen? Og blev en del af arbejdet bare flyttet over til drift?
Hvis priserne stadig mangler, er det næste forsøg måske en fælles prisliste. Hvis kunden ikke forstår tilbuddet, er det måske en anden opbygning. Det næste skridt vælges ud fra det, de ser.
Antal tilbud er stadig en nyttig oplysning. Men det skal ses sammen med tidsforbrug, fejl og kundernes svar. Senere kan holdet følge, om flere tilbud bliver til gode ordrer. Det kan de ikke konkludere efter en enkelt uge.
Det er sådan, jeg vil prøve at gøre tesen brugbar: Forbind et mål med et forløb, giv nogen råderum, og brug det, der sker, til at vælge igen.
Hvor jeg vil udfordre tesen
En mulig fejllæsning af tesen er, at produktionen nu er løst, så vi kun skal ændre måden, vi leder på. Men et billigt udkast er ikke nødvendigvis et billigt, færdigt resultat. Noget arbejde kræver stadig erfaring, grundighed og svære beslutninger.
Kersten siger selv i oktoberinterviewet, at selve produktionen stadig kan være flaskehalsen. Det kan blandt andet skyldes manglende oplæring eller budget til AI. Jeg vil derfor undersøge, hvor problemet ligger, før jeg vælger en løsning fra modellen.
Hans offentlige materiale kommer desuden mest fra software og store virksomheder. En dansk virksomhed med 40 ansatte har brug for klare aftaler. Den har ikke nødvendigvis brug for alle hans navne og modeller.
Og mange samtaler med den samme forfatter giver ikke mange uafhængige beviser. De hjælper os med at forstå hans argument. De beviser ikke, at hele modellen virker bedre i alle brancher.
Der er også en grænse for, hvor hurtigt man kan lære. Et salg tager tid. En kunde kan svare pænt uden at købe. Hurtige forsøg kræver derfor, at vi skelner mellem et tidligt tegn og et faktisk resultat. Det er netop et spørgsmål, værterne tager op i samtalen om langsom feedback hos Definitely, Maybe Agile.
Et træ kan ikke løse alle uenigheder
Jeg vil også stille spørgsmål til, hvor skarpt vi kan opdele ansvaret. Et resultat kan afhænge af flere hold, en leverandør og kundens eget arbejde. Vi skal kunne give én person ansvaret uden at lade, som om personen kan styre alt, hvad der påvirker resultatet.
En kunde kan forlade os, selv om holdet gjorde et godt stykke arbejde. Et salg kan lykkes, selv om processen var dårlig. Derfor kræver resultatmåling også dømmekraft. Den må ikke blive en automatisk dom over dem, der arbejder i systemet.
Vi skal kunne skelne mellem et dårligt valg, en dårlig ramme og et udfald, som ingen kunne styre. Ellers risikerer vi, at folk kun vælger forsøg med sikre og små gevinster.
Hurtig læring kan også blive til kortsigtet styring
Hvis vi ser på tal hver uge, kan vi få lyst til at ændre kurs hver uge. Det er ikke altid en hjælp. Nogle ting tager tid at lære. En ny vane hos kunder kan kræve flere uger, før den kan vurderes.
Derfor vil jeg aftale, hvor hurtigt vi forventer at kunne se noget, før forsøget begynder. Vi kan godt følge med løbende og samtidig vente med at konkludere. Vi skal ikke drage en sikker konklusion på baggrund af de første tegn.
Medarbejderne har også brug for tid til at lære. Det kan tage længere tid at bruge en ny løsning i starten. Hvis vi kun måler den første uge, kan vi stoppe noget, før folk har lært det. Hvis vi aldrig måler, kan vi omvendt blive ved med noget, der ikke hjælper.
Hvad det ændrer i min tilgang
Jeg plejer at starte med at undersøge, om en opgave overhovedet skal findes. Det spørgsmål vil jeg beholde. Men tesen tilføjer et spørgsmål før valget af løsning: Hvad skal blive muligt, og for hvem?
I samtalen med Kersten starter TUIs Pieter Jordaan med det, vi nu kan gøre. Derefter ser han på, hvad der kan forbedres, og til sidst på, hvad der kan fjernes. Det er Jordaans tilgang.
Jordaan begrunder rækkefølgen med, at et fokus på at fjerne opgaver let gør AI til en spareøvelse. Så sætter folk AI på det gamle arbejde for at gøre det billigere. De får ikke undersøgt, om de nu kan gøre noget andet. Han vil åbne for de nye muligheder, før man vælger, hvad der skal væk.
Jeg vil bruge hans rækkefølge til at åbne samtalen: Hvad skal blive muligt? Derefter vil jeg stadig undersøge, hvilke opgaver der overhovedet er brug for. Nogle skal væk. Nogle kan løses med kode eller AI. Andre kræver et menneske.
Det, jeg vil tage med fra Kersten, er ansvaret for hele forløbet. Med AI kan vi hurtigt stå med en løsning, der ser færdig ud. Det er fristende at stoppe der. Arbejdet fortsætter hos kunden og kollegaen, der skal bruge det.
Det giver mig en anden rækkefølge i samtalen
Jeg vil først spørge, hvad der skal blive bedre, og for hvem. Derefter vil jeg tegne hele forløbet. Først når vi kan se arbejdet og ventetiden, vil jeg vælge, hvor vi skal ændre noget.
Vi kan fjerne opgaven, løse den med kode, lade AI hjælpe eller beholde den hos et menneske. Kerstens tese knytter valget til formålet. Vi skal kunne sige, hvorfor netop den ændring skulle hjælpe den person, vi begyndte med.
Det er også en måde at undgå, at alt bliver et AI-projekt. Hvis problemet er, at ingen må give et svar uden chefens tilladelse, kan løsningen være en ny aftale. Hvis problemet er, at et tal bliver tastet ind tre steder, kan en simpel kobling mellem systemer være nok.
AI kan hjælpe med dele af arbejdet. For at hjælpen kommer nogen til gode, må vi også ændre de aftaler og beslutninger, der står i vejen.
Mit ansvar som AI Partner fortsætter efter leveringen
Når jeg hjælper med at bygge en løsning, kan jeg ikke alene afgøre, om den skaber værdi. Det må jeg undersøge sammen med dem, der har ansvar for arbejdet, og dem, der skal bruge løsningen. Men jeg kan være med til at gøre forbindelsen tydelig.
Jeg kan hjælpe med at formulere forsøget. Jeg kan gøre det let at følge fejl og ventetid. Jeg kan vise, hvad løsningen gør, og hvor den ikke kan stå alene. Og jeg kan følge op, når løsningen er taget i brug.
Det kræver også, at virksomheden har en person med ansvar for resultatet. Som ekstern rådgiver kan jeg bygge løsninger og stille spørgsmål. Men jeg kan ikke overtage de beslutninger, som ledelsen og holdet skal træffe.
Begynd med ét forløb
Hvis jeg skulle prøve tesen af i næste uge, ville jeg vælge ét forløb. Ikke hele virksomheden. Jeg ville samle de få personer, der ser det fra start til slut, og bede dem vise en konkret sag.
Vi ville skrive ned, hvad kunden eller kollegaen skulle have ud af den. Så ville vi finde det sted, hvor sagen stod stille, blev rettet eller blev sendt videre uden de nødvendige oplysninger. Først derefter ville vi vælge et forsøg.
Vi ville aftale en ramme for forsøget og et tidspunkt for opfølgning. Her ville vi se på både resultatet og det, forsøget kostede. Hjalp det? Blev arbejdet bare flyttet? Hvad lærte vi, og hvad vil vi gøre anderledes næste gang?
Næste gang jeg tegner et forløb, vil jeg derfor tegne helt frem til den, der skal have gavn af det. Og aftale, hvem der følger op på, om det faktisk hjalp.
Kilder
Kildeliste
- Kerstens introduktion til Output to Outcome.
- Forfatterens bogside og oversigt over modellerne.
- IT Revolution: samtale med Kersten om tesen, modellerne og ledelse.
- IT Revolution: de tre modeller.
- IT Revolution: de syv skift og fire domæner.
- Oplæg fra 2025: historien og Outcome Tree. Historien fra 1:57; træet som primær struktur fra 18:16.
- SAFe Summit: When Agents Outrun the Org Chart. Blandt andet Peerless-historien og måling af forløb.
- Tech Lead Journal #262: resultater og budgetter. Resultater fra 27:47; budgetter fra 43:32. Fuld tekst og kapitler på siden.
- Kerstens dataessay om fordelingen 48/8/44.
- Kersten om AI og budgetter.
- Gene Kim: mål, ansvar og domæner.
- Pieter Jordaan: TUI, ledere og nye måder at arbejde på.
- Andrew Sales: forsøg og planlægning.
- Innovation Storytellers: samtalen med Susan Lindner. Planview-holdet og direktørens deltagelse cirka 38–40 minutter inde.
- Definitely, Maybe Agile #233: flaskehalse, feedback og lederskift. Flaskehalse fra 12:25; langsom feedback fra 27:17; lederskift fra 30:48. Tidskoderne kommer fra udgiverens tekst og kan afvige fra lydafspilleren.
- Kersten om bogens udgivelse og Carlota Perez’ bidrag.
- Josh Seiden om Outcomes Over Output fra 2019.
Noten bygger på offentlige kilder gennemgået 31. oktober til 2. november 2026. De tænkte eksempler og overvejelserne om danske virksomheder er min egen anvendelse af idéerne.
