AI, organisationer og termitboer

Det kan lyde som et provokerende forslag: Vi skal skabe organisationer, hvor vi ikke forstår, hvad vi laver.

Vi har ikke lyst til at forestille os, at vi skal lave ting, vi ikke forstår. Men er det ikke allerede sådan i dag?

Jeg behøver ikke forstå alt ved en bil for at være en god chauffør. Jeg behøver ikke forstå eller kunne spille alle de andre instrumenter i et symfoniorkester for at være en god trækbasunist. Eller være en god dirigent for den sags skyld.

Organisationer har altid været afhængige af kompetencer og systemer, som det enkelte menneske ikke forstår til bunds. Spørgsmålet er derfor ikke, om vi skal forstå alt. Spørgsmålet er, hvad vi skal forstå – og hvad vi ikke behøver at forstå. Med AI bliver det spørgsmål langt mere afgørende.

 

Hvad behøver vi egentlig ikke at forstå?

Lad mig først understrege, at jeg ikke argumenterer for, at vi bare skal lade AI gøre alt.

Faktisk er en af mine største bekymringer ved den brede anvendelse af AI, at teknologien kan mindske den friktion i opgaveløsningen, som er nødvendig for at blive rigtig god til noget. Det er det, der kaldes ”cognitive offloading” i litteraturen, og forskningen peger ret entydigt på, at når det kommer til tillærte egenskaber (skills), så ”gør AI os dumme”. Vi lærer ikke så godt, og vi aflærer det, vi i forvejen er gode til (Cash et al., 2026)[1]. Det kan særligt ramme de unge, som kommer ud på et arbejdsmarked, hvor de måske aldrig når deres ”10.000 timer” og får mulighed for virkelig at forstå en opgave i bund, før de begynder at uddelegere den til AI.

Risikoen er det, som Arvind Narayanan (2026) kalder en ”dependency spiral”. Han sætter den i kontrast til en ”growth cycle”. I en growth cycle bruger man AI til noget, man allerede er ekspert i:

“Use AI to do something I’m an expert at. (…) It feels empowering. It frees up my time to think about the complex, judgment-oriented parts. (…) That means my own skills improve rapidly, and I get to climb the ladder of complexity and develop higher-level skills.”

AI frigør her tid til de mere komplekse og dømmekrævende dele af arbejdet. Fordi man allerede forstår opgaven, kan man vurdere kvaliteten, opdage fejl og bruge teknologien til at bevæge sig opad på det, Narayanan kalder ”the ladder of complexity”.

I en dependency spiral ser situationen anderledes ud:

“Use it for tasks I don’t understand and haven’t learned to perform myself. (…) If something breaks, the best I can do is ask AI to fix it and hope for the best. I generally can’t evaluate the quality of the output myself.”

Hvis man uddelegerer opgaver, man ikke forstår og aldrig selv har lært at udføre, bliver man afhængig af teknologien. Man kan ikke vurdere kvaliteten af resultatet, og hvis noget går galt, er den bedste løsning måske blot at bede AI om at forsøge igen. På kort sigt kan produktiviteten se ud til at stige. På længere sigt risikerer man at miste de kompetencer, man havde – uden at udvikle nye.

Man vinder altså ikke nødvendigvis ved at bruge AI på denne måde. Det går måske ikke engang i nul. Man taber.

Min pointe er, at jeg er fuldt ud bevidst om faldgruberne ved AI adoption. Eller i hvert fald nogle af dem – jeg ved jo ikke alt. Det følgende skal derfor ikke læses som et argument for, at vi bare skal have AI til at overtage arbejdet.

 

Mit argument er todelt: Vil skal tilpasse organisationer på godt og ondt

Den negative del af argumentet er, at organisationer bliver presset til at forholde sig til AI, selv hvis de egentlig helst vil lade være. Organisationer, der ikke tilpasser sig på den ene eller anden måde, risikerer ikke at overleve.[2]

Den positive del af argumentet er, at organisationer faktisk har et valg. Og i det valg ligger måske selve nøglen til at finde ud af, hvilken type organisation man ønsker at være i fremtiden.

Det kræver, at man skelner mellem, hvilke opgaver det er vigtigt, at organisationen kan udføre, og hvilke opgaver det er vigtigt, at menneskerne i organisationen selv forstår og mestrer.

Er det eksempelvis vigtigt, at de fleste medarbejdere forstår bestemte tekniske opgaver – også selvom de tidligere blev betragtet som en kernekompetence? Eller kan organisationens best practice på området forstås og vedligeholdes af en mindre gruppe, som gør det muligt for resten af organisationen at bruge kompetencen?

Hvis det lykkes, kan flere medarbejdere måske bevæge sig opad på ”the ladder of complexity” og bruge mere tid på opgaver, der kræver dømmekraft, kreativitet, autenticitet, nærvær. Her tænker jeg organisationen som organismen, der bevæger sig ”opad” – ikke individet.

Organisationen skal forsøge at skabe en growth cycle. Tidligere kernekompetencer kan i nogle tilfælde faciliteres centralt af en mindre gruppe af ”intelligente designere”, mens resten af organisationen koncentrerer sig om andre former for værdiskabelse.

Det afgørende er derfor ikke bare, om organisationen bruger AI. Det afgørende er, hvad der flyttes hvorhen – og hvorfor.

 

Organisationer som termitboer

Den amerikanske filosof Daniel Dennett introducerer (2018) et begreb, som har rumsteret i mit hoved, siden jeg læste det: ”Competence without comprehension.”

Dennett bruger ikke begrebet om organisationer. Han bruger det til at beskrive den evolutionære og neurale udvikling af bevidsthed og sind fra encellede organismer til mennesker. Det er altså ikke hans direkte anvendelse af begrebet, jeg bruger her. Men jeg mener alligevel, at det kan hjælpe os med at forstå organisationer i en AI-verden.

Det er helt sikkert træls at tænke sig selv som en termit. Og givet risikoen for en dependency spiral er det heller ikke en hensigtsmæssig metafor i alle situationer, men måske kan vi lære noget ved at gøre det alligevel.

Forestil dig to byggerier: et stort termitbo og La Sagrada Família.

Termitboet er skabt, uden at nogen af termitterne har forstået, hvad de samlet set var ved at bygge. Alligevel er resultatet et yderst komplekst og funktionelt design. La Sagrada Família er derimod designet med et klart mål, en plan og en vision fra en intelligent designer: Gaudí.

De to byggerier adskiller sig selvfølgelig på utallige punkter. Men her er det interessante, hvordan de er blevet skabt.

Termitboet er et udtryk for det, Dennett kalder competence without comprehension. Den enkelte termit forstår ikke det store billede. Den kan udføre en specifik funktion, som sammen med de andre termitters funktioner skaber et yderst kompetent system: Kompetencen findes på systemniveau, selvom forståelsen ikke findes hos den enkelte termit.

Dennett anvender også begrebet ”intelligent designers”. Her sigter han bredt til mennesker, der ved hjælp af forståelse, refleksion og fremsyn kan udvikle nye kulturelle og teknologiske løsninger.

Og måske skal vi tænke vores organisationer på en lignende måde: Som systemer, der kan være yderst kompetente, uden at alle mennesker i organisationen behøver at forstå alle de processer, som skaber kompetencen.

Men hvor termitboet ikke har en intelligent designer, bliver intelligente designere afgørende i en AI-baseret organisation.

 

Men har organisationer ikke altid fungeret sådan?

En oplagt indvending er, at organisationer allerede ser sådan ud.

IT-systemerne fungerer, uden at jeg ved alt om Claude Shannon, softwarearkitektur eller servere. Mine udlæg bliver håndteret, uden at jeg behøver sætte mig ind i alle økonomiafdelingens systemer og processer. Vi er allerede afhængige af specialister, infrastrukturer og funktioner, vi ikke selv forstår. Det er jeg enig i: Sådan ser organisationer allerede ud. Med andre ord: Måske er det slet ikke så kontroversielt at tænke sådan?

Men der er dog en forskel, efter min vurdering: For det første er det indholdet – altså de typer af opgaver, der kan udføres med eller af AI. Det er ikke længere kun perifere og understøttende opgaver. I vidensorganisationer kan AI udføre dele af det arbejde, som tidligere blev opfattet som organisationens egentlige kernekompetencer. For det andet er det skalaen: AI kan påvirke både de opgaver, medarbejderne aldrig har forstået, og de opgaver, de hidtil har forstået som deres kerneopgave og gøre det mere autonomt og ”arbejde længere” end tidligere. Derfor kan teknologien tvinge både organisationen og den enkelte medarbejder til at gentænke, hvilken funktion de skal have fremover.

En bedre analogi end termitboer er måske ”Manhattan Projekt” – uden sammenligning i øvrigt. Omkring 130.000 mennesker deltog i projektet, men kun meget få kendte reelt det samlede formål og det større billede. Til gengæld var de enkelte deltagere specialiserede i at udføre specifikke funktioner, som de var eksperter i. Organisationen var kompetent på et ekstremt højt niveau. Men forståelsen af helheden var koncentreret hos relativt få mennesker.

Spørgsmålet er, om fremtidens vidensorganisationer i højere grad vil få den samme karakter: En organisation, hvor en voksende del af kompetencen ligger i et centralt teknologisk infrastruktur, mens forståelsen af systemets samlede design og funktion er koncentreret hos en mindre gruppe. ”Ekspert”-rollen forskydes så til andre mere domænespecifikke områder.

 

En AICO: ”AI-core organisation”

Der findes helt sikkert ikke ét facit for, hvordan organisationer skal se ud. Forskellige brancher, organisationstyper og strategier vil føre til forskellige valg. For nogle organisationer kan en meget decentral tilgang være den rigtige. For andre kan en mere central AI-infrastruktur være nødvendig.

Men for mange vidensorganisationer – som den, jeg selv repræsenterer – kunne man forestille sig en organisation bygget op omkring tre lag.

Organisationen skal generelt have en høj AI-literacy. Det er nødvendigt for at kunne forstå og udføre sit eget arbejde, men også for at forstå, hvordan selve organisationen fungerer. Pointen er dog ikke, at alle skal være AI-specialister. Faktisk tværtimod.

Fremtidens vidensorganisation kan være bygget op omkring en mere central intelligens: Et fælles og vedligeholdt AI-lag, som håndterer en voksende del af de standardiserbare, gentagelige og teknisk tunge opgaver, så medarbejderne kan bruge mere tid på de komplekse og relationelle opgaver, som kræver dømmekraft.

I praksis kunne organisationen bestå af en AI-kerne, et orkestreringslag og et yderste menneskeligt, domænelag.

AI-kernen

Det første lag er AI-kernen: En central, sikker og styret ”organisatorisk hjerne”, som rummer specialiserede AI-kompetencer, fælles hukommelse og styring.

Det er her, organisationen samler de kapabiliteter, som kan genbruges på tværs. Det kan eksempelvis være teknisk analyse og kodning, genfinding af intern viden, indhentning af tekstdata og understøttelse af rapportering, dokumentation og andre tilbagevendende arbejdsgange.

Målet er at fjerne flaskehalse omkring kompetencer, der kan genbruges. I stedet for at den enkelte medarbejder eller afdeling hver gang bygger sin egen løsning, kan kompetencerne vedligeholdes centralt og bruges bredt i organisationen.

AI-kernen er på den måde kompetent. Den kan udføre en række funktioner, som organisationen har brug for. Men det er ikke nødvendigt, at alle medarbejdere forstår de tekniske lag, der får funktionerne til at virke. Og omvendt er en AI-kerne ubrugelig uden et domænelag udenpå.

Orkestreringslaget

Det andet lag er et fælles ”orkestreringslag”: En fælles, central AI-indgang, som tager imod medarbejdernes opgaver og forespørgsler, bryder dem ned i delopgaver og sender dem videre til den rette kapacitet eller funktion – som er ”saktioneret” som organisationens ”way of working”.

Den enkelte medarbejder behøver ikke vide præcis, hvilken model eller hvilket værktøj der skal bruges hvornår. Det afgørende er, at organisationen har designet et system, som kan håndtere – route – opgaven rigtigt.

En konsulent skal eksempelvis kunne bede om at få struktureret et datasæt, skrevet et første kodeudkast, hentet relevant intern viden eller klargjort et standardnotat uden selv at skulle bygge hele kæden manuelt – igen og igen.

Set fra medarbejderens perspektiv er målet mindre friktion i de standardiserbare og skalerbare opgaver.

Domænelaget

Det tredje lag er de mennesker, som skaber værdi gennem domæneviden, kunde- / borgerkendskab, dømmekraft, kreativitet og nærvær. Det er her, organisationens egentlige værdi skabes. Og ofte er det også her, de fleste mennesker er mest motiverede for at arbejde.

AI-kernen og orkestreringslaget skal – og kan! – ikke erstatte dette lag. De skal frigøre tid og kapacitet til det. Målet er derfor ikke friktionsfrihed overalt – tværtimod skal der være mere tid, så den gode friktion får mere plads, tid og ressourcer i domænelaget.

Der skal være mindre friktion i de standardiserede og tekniske opgaver. Men der skal samtidig være mere opmærksomhed, mere dømmekraft og i nogle tilfælde også mere friktion i de opgaver, vi netop ønsker, at mennesker skal løse. Der, hvor vi virkelig skal tænke os om og gerne skal tænke os om hver gang. Og ofte der, vi faktisk gerne vil bruge tid på at ”tænke mere”.

Det kan eksempelvis være mødet med en kunde eller borger, den faglige fortolkning af et komplekst resultat, forståelsen af en organisations særlige kontekst, udviklingen af en original løsning eller beslutningen om, hvad man bør gøre – selve rådgivningen.

 

Ikke ”mere AI”.

Mit argument er altså ikke, at ”der er et stort potentiale i AI, som organisationerne skal favne”. Det er ikke et ”mere AI”-argument. Det er et argument om, at fremtidens organisationer er organiseret anderledes end før, fordi de mere bevidst træffer valg om, hvad der skal flyttes ind i AI-kernen, hvad der skal orkestreres centralt, og hvad der fortsat skal mestres menneskeligt i det yderste lag.

 

De intelligente designere

En sådan organisering kræver en ny type og langt mere afgørende governance omkring AI-kernen. Nogen skal afgøre, hvad der er gældende best practice, hvad der er forældet, hvem der må se hvad, og hvornår en løsning skal ændres eller helt udgå. Organisationen får derfor brug for en lille gruppe af ”intelligente designere” – for nu at blive i Dennetts begrebsverden. Det er mennesker, som designer workflows, vedligeholder AI-kompetencerne, overvåger kvaliteten, styrer adgange, opdaterer vidensgrundlaget og sikrer, at systemet faktisk understøtter organisationens faglighed i stedet for at udhule den.

Her adskiller organisationen sig fra termitboet. Termitboet har ingen intelligent designer, som forstår helheden. Det skal AI-kerneorganisationen have. De intelligente designere skal både forstå teknologien, organisationen og den faglige kontekst (om end ikke ligeså godt som dem, der sidder i domænelaget). De skal kunne afgøre, hvilke kompetencer der med fordel kan centraliseres, og hvilke der fortsat skal udvikles og mestres bredt i organisationen. Det er selve organisationsdesign-opgaven.

 

Arbejdet forsvinder ikke – det flytter sig

En organisation, der lykkes med dette, fokuserer kun delvist på at øge effektiviteten. Det er blot den ene side af mønten. Den anden side er den nye organisering, arbejdsdelingen og især valgene om, hvad der kan uddelegeres til AI, og hvad der ikke skal. AI ændrer nemlig ikke kun, hvem eller hvad der udfører arbejdet. Teknologien ændrer også, hvor omkostningerne ligger.

Det bliver ofte langt billigere og hurtigere at producere et første udkast, en analyse eller et stykke kode. Til gengæld vokser behovet for andre typer arbejde omkring selve udførelsen. Opgaven ligger i højere grad i at formulere problemet præcist, vurdere kvaliteten af outputtet, rette fejl, håndtere undtagelser, vedligeholde prompts og workflows og løbende revidere løsningerne, når konteksten ændrer sig (se bl.a. Jurowetzki 2026).

 

Der må være en grænse

Så hvad er pointen? Den er ret simpel. Med de muligheder AI skaber, skal vi gentænke, hvordan vi bygger og ændrer vores organisationer. Det skal vi både, fordi vi bliver nødt til det, og fordi det faktisk er sundt for en organisation at tage stilling til, hvad ”den vil forstå”.

På den ene side ligger de kompetencer, som organisationen skal kunne udføre, men som ikke nødvendigvis skal forstås af alle (competence). På den anden side ligger de opgaver, hvor menneskelig forståelse, faglig friktion, ansvar, dømmekraft og nærvær fortsat er afgørende (comprehension).

Jo mere kompetence AI overtager – også kompetencer, vi tidligere betragtede som organisationens kernekompetencer – desto vigtigere bliver det at være skarp på den grænse.

[1] Der er to vigtige nuancer: for det første tyder det på, at der er forskel på tillærte egenskaber (skills) og mere basale kognitive færdigheder (hukommelse, selektiv opmærksomhed), hvor basale kognitive egenskaber kan være mere modstandsdygtige. Den anden nuance er måden hvorpå ”offloading” sker – her tyder det på, at læring kan bevares til et vist punkt, hvis offloading sker mere som ”tutor” end som ”crutch” (Bastania et al., 2025)

[2] Det er muligt, at visse brancher eller organisationer bedst tilpasser sig ved helt eller delvist at afvise brugen af AI. Det vil i så fald også være et aktivt strategisk valg og kan potentielt blive en særlig niche. Se også: Organisationer skal træffe AI-valg uden facit.

……………….

Litteratur

Dennett, Daniel (2018): From Bacteria to Bach and Back: The Evolution of Minds.

Jurowetzki, Roman (2026): How AI Rewrites the Economics of Knowledge Codification. Working paper, SSRN.

Narayanan, Arvind (2026): LinkedIn-opslag, juni 2026.

Bastania, Hamsa, Bastanic, Osbert, Sungua, Alp, Geb, Haosen, Kabakcıd, Özge & Marimane, Rei (2025): Generative AI without guardrails can harm learning: Evidence from high school mathematics i PNAS.

Allan Toft Hedegaard Knudsen
SENIOR DIRECTOR
atk@epinionglobal.com