Hvorfor fyring af unge talenter kan blive en dyr fejl for virksomheder

I mange virksomheder fyger beslutninger om effektivisering med AI rundt i bestyrelseslokalerne. Ledere taler om transformation og samtidig om at skære i personalet – som om det ene automatisk følger af det andet. Men hvad sker der egentlig med det arbejde, vi gerne vil udføre, og hvordan bør det gøres?

Effektiviseringens fælde

Arbejdskraft er den største udgiftspost for de fleste virksomheder. Når AI træder ind i billedet, er det derfor naturligt at kigge her først. Hvis teknologien kan gøre mere, må vi jo også have brug for færre mennesker. Alligevel er der få beviser for, at AI leverer den produktivitetsgevinst, der kan retfærdiggøre en hurtig reduktion af medarbejderstaben.

Det, jeg i stedet ser, er et pres – især i børsnoterede selskaber – for at vise hurtige resultater af store AI-investeringer. At skære i rejseaktivitet eller andre frivillige udgifter rykker ikke på bundlinjen. Men at fyre medarbejdere gør det. Derfor bliver det det mest synlige redskab.

Problemet med den unge analytiker

For nylig talte jeg med en ung analytiker, der netop havde afsluttet et rotationsprogram. Hans råd var klart: Lad ikke nye medarbejdere stole for meget på AI i starten.

Det modsiger, hvad de fleste direktører siger. Alle virksomheder ønsker medarbejdere, der mestrer AI. Men hvis man overlader arbejdet til AI, før man forstår forretningen, mister man evnen til at vurdere kvaliteten af det udførte arbejde. Man kan producere svar hurtigere, men man kan ikke bedømme, om de er relevante, præcise eller risikofyldte.

Dømmekraft opbygges gennem gentagelse. Ved selv at udføre arbejdet lærer man, hvad der er godt, hvor tingene bryder sammen, og hvordan beslutninger holder i praksis. Uden den grundlæggende forståelse kommer man til at stole på AI i stedet for at bruge det som et værktøj.

Koden, der blev skrevet for hurtigt

Jeg har hørt om en virksomhed, der brugte AI til at genopfinde hele sin kodebase over en enkelt weekend. Et system, der havde stået i ti år, blev omskrevet på få dage. Det lyder som fremtiden – men historien sluttede ikke der.

Da koden var færdig, måtte virksomheden alligevel involvere de oprindelige ingeniører. De skulle validere, om koden holdt, om den introducerede nye risici, og om den overhovedet fungerede i den virkelige verden. Skrivehastigheden var imponerende. Men sikkerheden var det ikke. Det krævede langt mere menneskelig indsigt og vurdering end forventet.

Det er den del af AI-implementeringen, vi undervurderer: Outputtet accelererer, men behovet for menneskelig dømmekraft og dybdegående analyse vokser kun.

Uddannelsesgælden, der kommer senere

Hvis du i øjeblikket overvejer at reducere rekrutteringen af unge talenter eller fjerne stillinger for begyndere med den begrundelse, at AI kan klare de indledende opgaver, så vær klar over konsekvensen. Du sparer penge på kort sigt, men fjerner samtidig den vej, der udvikler erfarne talenter – de folk, din organisation kommer til at mangle.

Uden dem risikerer du at miste den kritiske kompetence, der sikrer, at AI-anvendelsen forbliver effektiv og ansvarlig. I sidste ende kan det vise sig at være en dyr fejl.