Den mänskliga sidan av AI-adoption

Det här blir en allt vanligare utmaning i många organisationer. En liten grupp medarbetare experimenterar entusiastiskt och hittar snabbt sätt att integrera AI i sitt arbete. Andra använder det ibland. Vissa använder det knappt alls.

Den naturliga reaktionen är ofta att göra mer. Mer utbildning. Mer kommunikation. Fler användningsfall. Fler verktyg. Men tänk om det inte är det som håller människor tillbaka?

Ett av de största misstagen vi kan göra när vi tänker på AI-adoption är att främst behandla den som en teknisk utrullning. För även om tekniken är ny är den verkliga utmaningen mycket mänsklig:

Vi ber människor att förändra sitt beteende.

Forskningen om AI-adoption pekar allt oftare på samma sak. Organisationer närmar sig AI som en ingenjörsutmaning och utgår från att människor till slut kommer att använda ett system när det väl är tillgängligt. Men framgångsrik adoption beror på hur människor integrerar AI i sina befintliga arbetsflöden, vanor och sätt att fatta beslut.

Det är precis här beteendevetenskapen blir användbar.

Den rationella AI-användaren och den verkliga AI-användaren

Föreställ dig den helt rationella medarbetaren. Den rationella medarbetaren får veta att ett AI-verktyg kan spara 30 minuter på en uppgift och börjar använda det direkt.

Den verkliga medarbetaren tänker: ”Intressant. Jag provar när jag har lite mer tid.” Sedan kommer deadline, personen öppnar samma mall som använts de senaste fem åren och det nya AI-verktyget försvinner ur uppmärksamheten.

Den rationella medarbetaren läser företagets AI-riktlinjer, förstår vad som är tillåtet och börjar experimentera. Den verkliga medarbetaren är inte helt säker på om en viss typ av information kan skrivas in i verktyget och väljer därför att inte använda det.

Den rationella medarbetaren hör att AI tar över repetitivt arbete och ser en tydlig fördel. Den verkliga medarbetaren kan också undra: ”Om AI kan göra den här delen av mitt jobb, vad betyder det för min expertis? Min roll? Mitt värde?”

Forskning om organisatorisk AI-adoption pekar på oro, misstro, upplevd förlust av kontroll och frågor om anställningstrygghet och mening som psykologiska reaktioner som kan påverka om medarbetare tar AI till sig eller gör motstånd.

Poängen är inte att medarbetare är irrationella eller motståndare till utveckling. Poängen är att människor inte fattar beslut om AI genom att objektivt räkna på alla möjliga fördelar och sedan välja den mest effektiva vägen.

Vi tar med oss vanor, känslor, osäkerhet, tidigare erfarenheter, social påverkan och begränsad uppmärksamhet in i beslutet. Med andra ord beter vi oss som människor.

Det här intresserar sig beteendevetenskapen för

Beteendevetenskap försöker förstå varför människor beter sig som de gör. Vad som motiverar oss att agera och vad som får oss att avstå. Hur vår miljö formar våra val. Hur andra människors beteende påverkar oss. Hur vanor, känslor och kognitiva bias påverkar de beslut vi fattar.

Och viktigt: beteendevetenskap utgår inte från att människor är perfekt rationella beslutsfattare.

Herbert Simon beskrev oss som begränsat rationella: våra beslut begränsas av tid, information och kognitiv kapacitet. Vi optimerar inte noggrant varje beslut. Ofta hittar vi något som fungerar tillräckligt bra och går vidare.

Det spelar enorm roll för AI-adoption. Ur organisationens perspektiv kan det nya AI-stödda arbetsflödet vara uppenbart bättre. Men ur medarbetarens perspektiv fungerar det gamla redan. De vet var de ska klicka, hur lång tid det tar, hur resultatet ser ut och vad som kan gå fel.

Det nya sättet kan objektivt vara snabbare när det väl behärskas, men just nu kräver det uppmärksamhet, experimenterande och osäkerhet. En stressig tisdagseftermiddag vinner det gamla sättet ofta.

AI-adoption är en beteendeförändringsprocess

När organisationer talar om ”AI-adoption” kan begreppet låta abstrakt. Men hur ser adoption faktiskt ut? Det är när någon som tidigare började en rapport från ett tomt dokument nu ber AI om ett första utkast. När någon som ägnade 45 minuter åt att sammanfatta mötesanteckningar nu använder AI till den första sammanfattningen. När någon som manuellt sökte igenom flera dokument nu ber en AI-assistent att hitta relevant information. När någon som alltid löst ett problem på ett visst sätt börjar experimentera med ett annat.

I varje fall har ett beteende förändrats.

Därför är inte köp av licenser adoption. Att ge medarbetare tillgång är inte adoption. Att genomföra en AI-utbildning är inte adoption. Det kan möjliggöra adoption. Men adoption sker när människor faktiskt börjar göra något annorlunda i vardagen.

Anta att en organisation vill att medarbetare använder en godkänd AI-assistent när de tar fram ett första utkast till ett internt dokument. De har tillgång till verktyget, har gått utbildning och vet att ledningen står bakom användningen. Men de använder det sällan. Varför?

Kanske vet de inte hur man skriver en användbar prompt. Kanske vet de, men känner sig inte tillräckligt trygga. Kanske glömmer de verktyget när det är mycket att göra. Kanske kräver det att de lämnar systemet där de redan arbetar. Kanske känns det befintliga arbetsflödet enklare. Kanske är de osäkra på vilken information de får mata in. Kanske provade de AI en gång, fick ett dåligt resultat och avfärdade det. Kanske använder deras chef det aldrig. Kanske gör alla runt dem fortfarande dokument på det gamla sättet. Kanske känns det som mindre ”riktigt” arbete att använda AI.

Utifrån ser alla dessa situationer likadana ut: låg AI-adoption. Beteendemässigt är de helt olika problem.

Mer utbildning är användbart när utbildning är problemet

Organisationer svarar ofta på låg adoption med mer information. Om människor inte använder verktyget: förklara fördelarna igen. Om adoptionen fortsatt är låg: ordna ännu en utbildning. Om medarbetare fortfarande tvekar: ta fram en ny guide, FAQ eller lista med användningsfall.

Ibland är det precis rätt svar. Om människor verkligen inte vet hur de använder AI kan utbildning ta bort ett viktigt hinder. Men tänk om de redan vet? Utbildning löser inte nödvändigtvis ett förtroendeproblem. En kommunikationskampanj löser inte nödvändigtvis ett arbetsflödesproblem. En till presentation om produktivitet löser inte nödvändigtvis osäkerhet om vad som är tillåtet. Och att förklara hur mycket tid AI kan spara hjälper kanske inte den som upplever att det hotar en viktig del av den professionella identiteten.

Forskning om AI-adoption visar på samma sak: organisationer betonar ofta möjliga vinster som effektivitet och produktivitet, men ägnar mindre uppmärksamhet åt om medarbetare faktiskt känner sig kapabla, motiverade och stärkta att integrera AI i sitt arbete.

Därför bör en beteendediagnos komma före en insats. Innan vi avgör att människor behöver mer utbildning, mer kommunikation eller ett annat verktyg bör vi förstå vad som först hindrar beteendet.

Vad innebär det då att bära beteendeglasögon?

Det innebär att bli mer nyfiken på vad människor faktiskt gör, snarare än på vad vi tycker att de borde göra.

Om vi vill att fler medarbetare ska använda AI, oftare, i vardagen behöver vi fråga: Vad hindrar dem från att använda det idag? Är det brist på kunskap? Självförtroende? Vana? Tillit? Osäkerhet? Ansträngning? Sociala normer? Och vad skulle göra det nya beteendet enklare, mer naturligt eller mer värt besväret?

Först då kan vi avgöra om svaret är mer utbildning, tydligare vägledning, bättre integration i befintliga arbetsflöden, synligt förebildskap från chefer, möjligheter att experimentera eller något helt annat.

Beteendevetenskap är inte ett trollspö för AI-adoption. Men den ger oss ett bättre sätt att förstå vad som behöver förändras för att adoption ska ske.

Tekniken kan vara redo före organisationen. AI-verktyg utvecklas mycket snabbt. Mänskliga vanor gör det vanligtvis inte. Och det gapet spelar roll.

En organisation kan rulla ut ett nytt AI-verktyg över en natt. Men att förändra rutiner, bygga självförtroende, utveckla tillit och skapa nya arbetssätt kräver mer än att slå på en licens.

Om vi bara behandlar AI-adoption som en teknikförändring riskerar vi att gång på gång välja tekniska lösningar på beteendeproblem. Fler verktyg. Fler funktioner. Mer utbildning. Mer kommunikation. Ibland är det exakt vad som behövs. Men ibland inte.

Vill vi att människor ska använda AI måste vi först förstå varför de inte använder det idag. Det är därför ledare som navigerar AI-adoption kan behöva beteendeglasögon mer än någonsin.