Udvikl dig forbi “Workslop” med praktisk, menneskecentreret AI

“AI-slop”-problemet har genereret en del kulturel buzz og medieopmærksomhed over 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 reklameindhold, som vi mistænker er AI-genereret, selv om det ikke er tilfældet, og læsere kan genkende tegn på LLM-genereret indhold, såsom overbrug af bindestreger. Desværre er “workslop” nu også en realitet.

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

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

Workslop er automatiseringsbicprodukter, der ser polerede 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 mere spørgsmål end den besvarer; godkendelsesworkflow, der skaber friktion i stedet for klarhed. Det er AI-genereret indhold, der tvinger finanshold til at arbejde mere, 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 belastning for 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 have været 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 allerede der.

En recent HuffPost-artikel citerede en Stanford University-studie, der fandt, at mere end halvdelen af arbejderne siger, de har stødt på workslop på arbejdet. Ud over at irritere de berørte arbejdere, true workslop med at undergrave det centrale salgsargument for at integrere AI på arbejdspladsen: større produktivitet med exceptionel kvalitet.

Det gode ny 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 tips til at opnå en agil, iterativ AI-udrulning.

Hvad 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 utrolig 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 få de bedste resultater?

Workslop sker, når brugeren ikke giver AI tilstrækkelig eller velstruktureret input. For at få de bedste resultater med AI må du holde samtalen i gang. Du må omskrive din prompt eller finjustere dine behov. Denne frem-og-tilbage-proces introducerer mere kontekst og feedback og hjælper dig med at lande på 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 lavet. Det lød som en god idé, men den oprindelige version var for overdreven og tung til at være af nogen praktisk nytte overhovedet.

Det krævede en del finjustering, feedback og træning fra LLM for at komme til et forudsigeligt og praktisk output. Det krævede, at jeg var tydelig om mine behov, informationsbehandlingstilgang og opmærksomhedsradius for at få et resultat, der fungerede.

Det ville være rimeligt at kalde min første udgave for “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? Havde jeg gjort det, ville jeg have haft workslop, der hæmmede produktiviteten.

Forstør dette ud over mere komplekse processer, der involverer multiple parter, og du kan let se, hvordan AI, der anvendes med de bedste intentioner, kan blive workslop — medmindre du har træningen, udholdenheden og forankringen til at gøre det effektivt.

Der er ingen tvivl om, at AI kan tilføje rigtig værdi. Men som ledere må vi sørge for, at medarbejderne har den nødvendige viden, 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?

Hvad er en menneskecentreret tilgang til AI? Og hvordan kan en praktisk vej føre til bedre resultater, når AI integreres i arbejdsprocesser?

For AI-tilhængere på arbejdspladsen er et godt udgangspunkt at erkende, 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 lære her til at bringe menneskecentreret, kvalitets-AI til arbejdspladsen. Først og fremmest for dine hold, der arbejder med generativ AI, skal du sørge for, at de har træningen og tiden til at få bedre resultater med stærk kontekst og finjustering.

For de systemer, du vælger, der tilbyder AI-aktivering, skal du sørge for, 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 folks jobs lettere eller bruges til at supplere ældre teknologier, der efterlader irritantere huller i arbejdsprocesser. Tag f.eks. Optical Character Recognition (OCR)-teknologi, der konverterer billeder af tekst til læselig, søgbart tekst og har været brugt i år til at strømline opgaver som indtastning af papirmodtagelser eller fakturaer i regnskabssoftware.

Men som enhver, der bruger OCR regelmæssigt, ved, fungerer det ikke altid, som det skal. Måske tog du det billede af en modtagelse på en moving train, og modtagelsen var bøjet, så informationen blev skjult. Måske er fakturaen skrevet i nogen, der har uhyggelig håndskrift. Måske er datoen i europæisk format, og systemet kun genkender amerikansk 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 applikationer gøre så 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 kostcenter, projektinformation og mere via kontekst centreret på mennesket, der bruger det.

Menneskecentreret AI kan også lette arbejdspladsfriktion ved at tage opgaver til mennesker uden for systemer som virksomhedens ERP. De fleste folks jobs leverer ikke i ERP-systemet, men de skal logge ind i det (og andre systemer) for at udføre bestemte opgaver som godkendelse af tidsark eller medarbejderanmodninger.

Hvad hvis en AI-agent bragte disse opgaver til personen 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 transformerer allerede finansfunktioner på væsentlige måder. Når finansprofessionelle er dybt inde i regnskabsblade og analyser, kan det være svært at skifte fortællingssiden 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 til at forklare spidser i virksomhedens udgifter. En veludviklet agent kan flagge potentielle problemer, før finansanalysten graver igennem alle regnskabsbladene for at opdage afvigelserne.

På samme måde kan en agil, iterativ AI flagge anomalier, før de bobler op i HR-området. Når der er en afvigelse i løn efter en lønudbetaling, og en medarbejder spørger om det, skal nogen på HR-holdet droppe alt og udføre en forensisk analyse for at opdage årsagen til forskellen. Det er en rigtig udfordring for travle hold.

En tankefuldt designede AI-agent kunne overflade afvigelser, før medarbejdere er berørt, flagge anomalien og give kontekst til HR-beslutningstagerne, hvor de er. På den måde forbliver teammedlemmernes fokus på at maksimere produktiviteten i stedet for at slukke brande, og operationerne køres mere jævnt.

Eliminering af friktion og workslop: DIY-agenter eller vendor-AI?

Den bedste måde at undgå workslop og få rigtig værdi fra AI er at se efter måder at reducere den daglige portion af irritationer, vi alle oplever på vores jobs, 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 udnyttelse af AI effektivt kræver træning, samarbejde og politikker, der hjælper medarbejdere med at skabe prompts, der genererer meningsfuldt indhold og ikke skaber downstream-arbejde for kolleger.

For arbejdsautomatisering vil den rigtige løsning variere afhængigt af rolle og industri, 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 vendor.

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 vendor, der leverer agent-byggeteknologi, som kunder bruger til at oprette AI-løsninger direkte, fungere.

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

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

Hvad skal du overveje, når du vælger vendors?

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

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

• Eliminerer produktet den friktion, 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 arbejdsprocesser 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 rigtig værdi.

Er workslop uundgåeligt?

Uanset hvem din vendor 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 sørge for, at AI er sikker, gennemsigtig og tilføjer værdi.

Husk på, at menneskecentreret AI ikke kun defineres af, om det løser rigtige problemer og gør folks jobs lettere. Praktisk, menneskecentreret AI holder også mennesker i løkken, fordi vi mennesker til sidst er ansvarlige for resultaterne.

Workslop måtte 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 vendors, der forstår din forretningskontekst, kan CFO’er låse op for nye niveauer af produktivitet og strategisk værdi fra ERP-systemer.

Den 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.

Fremsiden af finans er kontekstrig, agil og menneskedrevet. 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.