Udvikl dig forbi “Workslop” med praktisk, menneskecentreret AI

“AI-slop”-problemet har genereret en del kulturel buzz og medieopmærksomhed i de seneste par år, da brugen af LLM’er og andre AI-indholdsgenererere er eksploderet. Folk lægger mærke til, når lavkvalitetsbilleder og understandard-prosa oversvømmer deres sociale feeds.

Takket være AI-slop er vi nu mindre tilbøjelige til at stole på annonceringsindhold, som vi mistænker er AI-genereret, selv om det ikke er, og læsere kan genkende tegn på LLM-genereret indhold, såsom overbrug af bindestreger. Desværre er “workslop” også en ting nu.

Hvad er Workslop, og hvorfor skal finansledere bekymre sig om det?

Hver CFO kender frustrationen over at jagte en budgetafvigelse eller bruge timer på at afklare uforklarlige anomalier. I dagens virksomhedslandskab er AI-loftet overalt, men også en ny produktivitetsdræber: workslop.

Workslop er automatiseringsproduktet, der ser poleret ud, men mangler substans, kontekst eller nytte. Det er artiklen, der er spækket med bindestreger, som ikke lærer dig noget nyt; den generiske rapport, der rejser flere spørgsmål, end den besvarer; godkendelsesarbejdsgangen, der skaber friktion i stedet for klarhed. Det er AI-genereret indhold, der tvinger finanshold til at udføre mere arbejde, ikke mindre.

Workslop er oftest forbundet med dårlig indholdskvalitet. Det nedvurderer mærket, er mindre troværdigt og sender beskeden, at mennesker har ophørt med at være opmærksomme. Men når workslop begynder at påvirke forretningsapplikationer som ERP, bliver det endnu mere en dræn på produktivitet og tillid.

Workslop opstår, når AI-systemer genererer output uden tilstrækkelig menneskelig input, kontekst eller tilsyn. For finansledere betyder det, at de bruger dyrebar tid på at afklare, korrigere eller omarbejde, hvad der burde være automatiseret.

Resultatet? Tabt effektivitet, formindsket tillid til automatisering og en finansfunktion, der er fastlåst i reaktivt tilstand. Du måtte tro, at din organisation ikke er tilstrækkeligt investeret i AI til at være berørt af workslop, men det er der allerede.

En ny HuffPost-artikel citerede en Stanford University-studie, der fandt, at mere end halvdelen af arbejderne siger, de har stødt på workslop på arbejdspladsen. Ud over at irritere de berørte arbejdere, truer workslop med at undergrave den vigtigste salgsargument for integration af AI på arbejdspladsen: større produktivitet med exceptionel kvalitet.

Det gode nyheds er, at du kan minimere eller endda eliminere workslop med en praktisk, menneskecentreret tilgang til AI. Her er et kig på den nuværende tilstand af workslop-problemet, hvad en mere gennemtænkt anvendelse af AI-teknologi på arbejdspladsen kan se ud, og nogle råd om, hvordan du kan opnå en agil, iterativ AI-udvikling.

Hvis Workslop ikke er et problem, men snarere en første udgave?

Lad os være ærlige — det er næsten 2026, og AI er et spændende produkt. Det har en fantastisk potentiale til at spare tid og forbedre produktiviteten, så mennesker vil bruge det, uanset om deres arbejdsgiver opmuntrer dem til at antage teknologien eller ej. Spørgsmålet er, om de vil anvende det med den nødvendige træning og indsats for at opnå de bedste resultater?

Workslop sker, når brugeren ikke giver AI tilstrækkelig eller velstruktureret input. For at opnå de bedste resultater med AI må du holde samtalen i gang. Du må omformulere din prompt eller finjustere dine behov. Denne frem- og tilbage-proces introducerer mere kontekst og feedback og hjælper dig med at nå et bedre resultat.

Jeg fandt dette ud fra første hånd, da jeg oprettede en AI-prompt, som jeg forestillede mig som en daglig ritual til at opdatere min to-do-liste ved at sammenfatte ubesvarede e-mails og markere forpligtelser, jeg havde påtaget mig. Det lød som en god idé, men den oprindelige version var for overdimensioneret og tung til at være af nogen praktisk nytte overhovedet.

Det krævede en masse finjustering, feedback og træning fra LLM’en for at nå et forudsigeligt og praktisk output. Det krævede, at jeg var tydelig omkring mine behov, informationsbehandlingstilgang og opmærksomhedsradius for at nå et resultat, der fungerede.

Det ville være rimeligt at kalde min første udgave “workslop”, men gennem finjustering fik jeg et brugbart AI-værktøj. Men hvad, hvis jeg var stoppet ved den første iteration og havde fastholdt den mindre brugervenlige første udgave? Hvis jeg havde gjort det, ville jeg have haft workslop, der hæmmede produktiviteten.

Hvis man forstørrer det ud over mere komplekse processer, der involverer flere parter, kan man let se, hvordan AI, der anvendes med de bedste intentioner, kan blive workslop — medmindre man har den nødvendige træning, udholdenhed og grundlæggelse for at gøre det effektivt.

Der er ingen tvivl om, at AI kan tilføje reel værdi. Men som ledere må vi sikre, at medarbejderne har de nødvendige færdigheder, støtte og koordination for at lykkes, og rapporter fra arbejdspladser på frontlinjen indikerer, at der stadig er meget arbejde at gøre.

Hvad er en menneskecentreret tilgang til AI, og hvordan kommer du dertil?

Så, hvad er en menneskecentreret tilgang til AI? Og hvordan kan en praktisk vej føre til bedre resultater, når AI integreres i arbejdsgange?

For AI-tilhængere på arbejdspladsen er et godt udgangspunkt at anerkende, at målet ikke er at erstatte mennesker. Det er at lette friktion og forstærke vores intelligens ved at forstå mennesket: deres behov, deres daglige irritationer, deres dømmekraft og deres mål.

Der er to lærdomme her for at bringe menneskecentreret, kvalitets-AI til arbejdspladsen. Først og fremmest for dine hold, der arbejder med generativ AI, sikre, at de har træning og tid til at opnå bedre resultater med stærk kontekst og finjustering.

For de systemer, du vælger, der tilbyder AI-aktivering, sikre, at dine teknologipartnere virkelig forstår dine holds behov. Det betyder at forstå deres daglige driftsmiljø, hvad der fungerer, og hvad der stadig irriterer dem.

Hvad ser menneskecentreret AI ud i arbejdspladsen?

AI kan anvendes på en selvstændig basis for at gøre menneskers job lettere eller bruges til at supplere ældre teknologier, der efterlader irriterende huller i arbejdsgange. Tag f.eks. OCR-teknologi (Optical Character Recognition), der konverterer billeder af tekst til læselig, søgbart tekst og har været brugt i år til at strømline opgaver som indtastning af papirkvitteringer eller fakturaer i regnskabssoftware.

Men som enhver, der bruger OCR-regelmæssigt, ved, fungerer det ikke altid, som det skal. Måske tog du et billede af en kvittering på en moving train, og kvitteringen var bøjet, så informationen var skjult. Måske er fakturaen skrevet i nogen, der ikke kan læses. Måske er datoen i europæisk format, og systemet kun genkender US-format.

Der er utallige grunde til, at OCR kan fejle i at oversætte data korrekt. Det er en begrænset teknologi. Integration af en mere avanceret teknologi som AI kan lukke disse huller og endelig eliminere irritationen over at skulle indtaste disse tal manuelt.

Det er kun begyndelsen på, hvad menneskecentreret AI kan gøre muligt. Givet AI’s kapaciteter kan nye anvendelser gøre meget mere for at lette friktion på arbejdet. F.eks. kan AI med de rette prompts og tankefuld historisk transaktionsdata-genkendelse tilføje kontekst til en faktura ud over felterne på siden ved at slutte omkostningscenter, projektoplysninger og mere via kontekst centreret på mennesket, der bruger det.

Menneskecentreret AI kan også lette arbejdspladsens friktion ved at bringe opgaver til mennesker uden for systemer som virksomhedens ERP. De fleste menneskers jobber lever ikke i ERP-systemet, men de må logge ind i det (og andre systemer) for at udføre bestemte opgaver som godkendelse af tidsstyring eller medarbejderanmodninger.

Hvis en AI-agent kunne bringe disse opgaver til mennesket i stedet, sammen med den relevante kontekst, de har brug for, for at træffe en beslutning i et program, de allerede bruger? Det kunne holde processer i gang og medarbejdere mere fokuserede. Menneskecentreret AI af denne type kan eliminere ikke-værditilførende opgaver som dataindtastning og login i multiple systemer.

Hvordan transformerer menneskecentreret AI finansfunktioner?

En agil, iterativ tilgang til AI er allerede i gang med at transformere finansfunktioner på væsentlige måder. Når finansprofessionelle er dybt inde i regnskabsblade og analyser, kan det være svært at skifte til den fortællende side af hjernen; så hvorfor ikke bygge en AI-agent til at hjælpe med at give kontekst?

F.eks. er afvigelser og anomalier en kronisk irritation for finansprofessionelle, og AI kan tage slæbet ved at give kontekst for at forklare udsving i virksomhedens udgifter. En veludviklet agent kan pege på potentielle problemer, før finansanalytikerne dykker ned i alle regnskabsbladene for at opdage afvigelserne.

Lignende kan en agil, iterativ AI pege på anomalier, før de dukker op i HR-området. Når der er en afvigelse i løn efter en lønudbetaling, og en medarbejder spørger om det, må nogen på HR-holdet droppe alt og udføre en retsmedicinsk analyse for at opdage årsagen til forskellen. Det er en rigtig udfordring for travle hold.

En tankefuldt designed AI-agent kunne fremhæve afvigelser, før medarbejderne er berørt, og pege på afvigelser og give kontekst til HR-beslutningstagerne, hvor de er. På den måde kan teammedlemmernes fokus blive på at maksimere produktiviteten i stedet for at slukke brande, og operationerne køre mere jævnt.

Eliminerer friktion og workslop: DIY-agenter eller vendor-AI?

Den bedste måde at undgå workslop og få reel værdi fra AI er at se på måder at reducere den daglige portion af irritationer, vi alle oplever på arbejdet, ved at tage på opgaver, der ikke tilføjer værdi. For nogle medarbejdere, herunder mange finans- og HR-roller, er indtastning af data i et system en irritation, der ofte kan elimineres via tankefuld automatisering.

For mennesker, der skaber indhold, er skrivning en del af jobbet, men at udnytte AI effektivt kræver træning, samarbejde og politikker, der hjælper medarbejderne med at udforme prompts, der genererer meningsfuldt indhold og ikke skaber downstream-arbejde for kolleger.

For arbejdsautomatisering vil den rigtige løsning variere afhængigt af rolle og branche, men ledere, der integrerer AI på arbejdspladsen, vil ofte skulle beslutte, om de skal oprette agenter selv eller erhverve en færdig AI-løsning fra en leverandør.

For virksomheder med robuste IT-resourcer, herunder ubegrænset adgang til AI-ekspertise eller en systemintegrator på lønningslisten, er himlen grænse. I så fald kan en leverandør, der leverer agent-byggeteknologi, som kunder kan bruge til at oprette AI-løsninger, fungere.

Men mange virksomheder har ikke adgang til disse ressourcer, og selv om de har, kan workslop hurtigt blive et problem, når mennesker prøver at bygge deres egne AI-agenter uden den nødvendige træning og ressourcer for at undgå fælder nedenunder.

Sikkerhed er en anden kritisk overvejelse. Husk på, at mennesker vil bruge AI, punktum. Det betyder, at det er lederens opgave at sikre, at medarbejderne bruger det sikkert og gennemsigtigt — og uden at introducere kaos.

Hvad skal du overveje, når du vælger leverandører?

For mange virksomheder er et AI-aktiveret system fra en leverandør en god mulighed, men husk på, at ikke alle produkter er skabt lige. Den bedste måde at undgå workslop og få reel værdi fra AI er at finde et system, der kender dig så godt som muligt.

F.eks. hvis dit mål er at forbedre operationer med et AI-aktiveret ERP-system, overvej følgende spørgsmål til potentielle leverandører:

• Eliminerer produktet friktionen, dine medarbejdere oplever oftest?
• Løser det de sværeste problemer, dine medarbejdere står overfor?
• Kan det tilpasse sig varierende niveauer af ekspertise inden for din organisation?
• Holder det mennesker i løkken og sikrer ansvarlighed og gennemsigtighed?

Uanset om du bruger et system til at generere indhold, automatisere arbejdsgange eller besvare spørgsmål, afhænger kvaliteten af dine resultater af, hvor meget systemet kender til din kontekst. Spørg dine teknologipartnere, hvordan deres AI-løsninger centrerer mennesket og leverer reel værdi.

Er workslop uundgåeligt?

Uanset hvem din leverandør er og om du bygger dine egne agenter eller bruger en løsning, der fjerner friktion via færdig automatisering, er det op til dig som leder at sikre, at AI er sikkert, gennemsigtigt og tilføjer værdi.

Husk på, at menneskecentreret AI ikke kun defineres af, om det løser reelle problemer og gør menneskers job lettere. Praktisk, menneskecentreret AI holder også mennesker i løkken, fordi vi mennesker i sidste instans er ansvarlige for resultaterne.

Workslop kan være et uundgåeligt stadium i AI-udviklingen, men det behøver ikke at være en permanent del af din finansfunktion. Ved at centrer mennesker i løkken, investere i træning og vælge leverandører, der forstår din forretningskontekst, kan CFO’er låse op for nye niveauer af produktivitet og strategisk værdi fra ERP-systemer.

Næste bølge af ERP-innovation vil blive drevet af AI, der forstår din forretning lige så godt som du selv og er i stand til at levere indsigt, automatisere rutineopgaver og give finansledere mulighed for at fokusere på, hvad der betyder mest.

Fremtiden for finans er kontekst rig, agil og menneske-drevet. Du fortjener værktøjer, du kan bruge i dag til at gå ind i i morgen, og du kan udvikle dig forbi workslop med praktisk, menneskecentreret AI for at nå det mål.