Varför sparka juniora talanger kan slå tillbaka – AI:s dolda kostnader

AI:s effektivitet löser inte alla problem

I många företag råder det idag en tydlig uppfattning: AI kommer att driva effektivitet och därmed minska behovet av personal. Besluten fattas på högsta nivå, och AI framställs som både en möjlighet och en rationalisering. Ledare talar om transformation, men kopplar ofta ihop det med personalneddragningar. Frågan är dock: Vad är det egentliga arbete vi vill utföra, och hur ska det göras?

Effektivitetens fällor

Arbetsgivare ser ofta personal som den största kostnadsposten. När AI introduceras är det därför lätt att börja spara på just den posten. Om tekniken kan göra mer, behöver vi färre människor. Men det finns lite bevis för att AI redan nu levererar den produktivitet som motiverar snabba personalneddragningar. Istället ser vi ett tryck, särskilt i börsnoterade bolag, att visa omedelbara resultat på stora AI-investeringar. Att skära ner på resor eller andra kostnader ger inte samma effekt. Därför blir personalneddragningar det mest synliga verktyget för att möta förväntningarna.

Analytikerns dilemma

En ung analytiker som nyligen avslutat ett rotationsprogram gav ett tydligt råd: Låt inte nyanställda förlita sig för mycket på AI för tidigt. Detta strider mot vad många VD:ar säger – att alla medarbetare bör bli AI-kompetenta. Men om man använder AI innan man förstår verksamheten, förlorar man förmågan att bedöma arbetet. Man kan producera svar snabbare, men man kan inte avgöra kvalitet, relevans eller risk. Bedömningsförmåga utvecklas genom upprepning. Genom att själv utföra arbetet lär man sig vad som är bra, var saker brister och hur beslut håller i verkligheten. Utan den grunden överlåter man istället bedömningen till AI – och använder det som ett verktyg snarare än en ledstjärna.

Kodomskrivningen som gick fel

Ett företag använde nyligen AI för att helt omskriva sitt 10 år gamla kodsystem över en helg. Det som normalt hade tagit månader, kanske år, gjordes på några dagar. Låter det som framtiden? Berättelsen slutar dock inte där. När koden väl var omskriven behövdes de ursprungliga ingenjörerna för att validera den. De fick avgöra om koden höll, om den introducerade nya risker och om den fungerade i verkligheten. Hastigheten var imponerande, men säkerheten var det inte. Det krävdes betydligt mer mänsklig insats och bedömning än förväntat. Det här är den del av AI-användningen som vi underskattar: Utdata accelererar, men behovet av bedömning och djup analys växer bara.

Den dolda kostnaden av att skära ner på juniora talanger

Om du just nu funderar på att minska nyanställningar av juniora medarbetare med motiveringen att AI kan ta hand om enklare uppgifter, bör du vara medveten om trade-offen. Du sparar pengar på kort sikt, men riskerar att förlora den väg som utvecklar erfarna medarbetare – de som din organisation verkligen kommer att behöva i framtiden.

"Att skära ner på juniora roller idag kan leda till en kompetensbrist imorgon. AI kan effektivisera, men det kan inte ersätta erfarenhet och förståelse för verksamheten."

Varför erfarenhet fortfarande är ovärderlig

AI kan hantera många uppgifter snabbare och mer effektivt än människor. Men det saknar den djupa förståelsen för kontext, risker och affärsmässiga konsekvenser som erfarna medarbetare besitter. När juniora roller försvinner, försvinner också den naturliga vägen för kompetensutveckling. Det är en investering i framtiden som många företag riskerar att förlora i jakten på kortsiktiga besparingar.

I stället för att se AI som en ersättning för mänsklig arbetskraft, bör företag se det som ett komplement. Genom att kombinera AI:s effektivitet med mänsklig erfarenhet och bedömningsförmåga kan organisationer skapa en mer hållbar och innovativ framtid.