AI kan analysere. Men hvem afgør retning og handling?

Introduktion
Kunstig intelligens kan analysere, sammenligne og organisere store informationsmængder med en hastighed, som mennesker ikke kan matche. Mange forventer derfor, at beslutninger bliver lettere. Erfaringerne fra organisationer peger imidlertid på noget andet. Jo mere analyse der bliver tilgængelig, desto tydeligere bliver det, at et bedre beslutningsgrundlag ikke nødvendigvis gør handling lettere. Analyse og handling er ikke det samme.

AI afslutter ikke alle sager
Forestil dig et større advokatfirma, der reducerer antallet af medarbejdere på de lavere niveauer, fordi en voksende del af deres tidligere arbejde nu håndteres af AI-baserede løsninger. Tilbage står en mindre gruppe mere erfarne medarbejdere, som i højere grad selv må arbejde med de sager, hvor analyserne ikke entydigt afgør, hvordan der skal handles.

Det arbejde, der er forsvundet, bestod i vid udstrækning af opgaver, som kunne opdeles i mindre dele, beskrives og udføres efter nogenlunde faste fremgangsmåder. Noget skulle findes frem, noget skulle samles, og noget skulle formuleres på baggrund af materiale, der allerede forelå. Det var arbejde, som med tiden kunne udføres hurtigere og mere ensartet, og som i dag i stigende grad håndteres af AI-baserede systemer.

Det, der er tilbage, har en anden karakter. AI kan fortsat gennemgå sagens materiale, sammenligne muligheder og belyse mulige konsekvenser. Men analyserne afgør ikke nødvendigvis, hvad der bør lægges vægt på, hvordan forskellige hensyn skal afvejes, eller hvilken retning der skal vælges. Flere mulige veje frem kan fortsat være i spil, selv når beslutningsgrundlaget er omfattende.

Man kunne umiddelbart tro, at det tilbageværende arbejde blot er en mere krævende udgave af det arbejde, AI har overtaget. Men forskellen handler ikke kun om sværhedsgrad. Den viser sig i forholdet mellem analyse og handling. Nogle sager kan afsluttes, fordi analysen peger tilstrækkeligt klart på, hvad der skal gøres. I andre sager kan analysen fortsat forbedres, uden at én bestemt handling dermed følger. Det er ikke nødvendigvis, fordi der mangler oplysninger, eller fordi analysen er utilstrækkelig. Det tilgængelige grundlag kan ganske enkelt være foreneligt med flere mulige veje frem.

Det samme skifte viser sig i andre vidensintensive funktioner. Inden for indkøb, økonomi, administration og projektarbejde kan AI overtage opgaver, når oplysninger, kriterier og fremgangsmåder kan beskrives tilstrækkeligt klart. Samtidig bliver en anden type arbejde mere synlig. Her kan AI styrke beslutningsgrundlaget, sammenligne muligheder og belyse relevante hensyn, uden at analysen entydigt afgør, hvilken retning der skal vælges, eller hvordan der skal handles.

Hvis et stadig bedre beslutningsgrundlag ikke nødvendigvis afgør handlingen, hvad er det så for et arbejde, der bliver tilbage?

Det arbejde, der bliver tilbage
Det arbejde, der bliver tilbage, består ikke blot i at analysere vanskeligere sager. Det opstår i de situationer, hvor et stærkt beslutningsgrundlag stadig efterlader flere muligheder åbne.

Men et bedre beslutningsgrundlag fastlægger ikke nødvendigvis, hvordan der skal handles. Flere muligheder kan fortsat være velbegrundede. Én retning kan være økonomisk fordelagtig, en anden kan begrænse risikoen, og en tredje kan tage større hensyn til kunder, medarbejdere eller samarbejdspartnere. Yderligere analyse kan gøre forskellene tydeligere uden dermed at afgøre, hvilke hensyn der skal veje tungest.

Det tilbageværende arbejde begynder netop dér, hvor analyserne fortsat efterlader flere forsvarlige veje frem. Nogen må vurdere, hvilke hensyn der skal tillægges størst betydning, hvornår grundlaget er tilstrækkeligt, og hvordan der skal handles. Det betyder ikke, at analysen er mangelfuld. Den har styrket grundlaget uden at efterlade én entydig retning.

AI kan gøre analysen både bredere, hurtigere og mere præcis. Den kan reducere visse usikkerheder og gøre forskellene mellem mulige veje frem tydeligere. Men den analytiske styrke afgør ikke i sig selv, hvilken retning der skal gøres gældende i handling. Det næste spørgsmål er derfor, hvorfor vi så ofte forventer, at den gør det.

Forestillingen om, at mere analyse giver bedre handling
En tidligere artikel 1) i Effektivitet beskriver, hvordan generativ AI kan automatisere processer, bearbejde store informationsmængder og styrke beslutningsgrundlaget inden for indkøb og kontraktstyring. Det forbedrer betingelserne for handling. Bedre information kan bidrage til at udelukke dårligt begrundede muligheder, afdække risici og gøre konsekvenser tydeligere.

Herfra er det nærliggende at gå et skridt videre. Hvis bedre analyser giver et stærkere beslutningsgrundlag, vil stadig bedre analyser måske til sidst vise, hvordan der skal handles. Set på den måde bliver handling afslutningen på en analyseproces. Når først informationsgrundlaget er omfattende nok, sammenligningerne præcise nok og de relevante usikkerheder tilstrækkeligt reduceret, må den rigtige retning træde frem.

Men analyser fastlægger ikke nødvendigvis deres egen betydning. En økonomisk analyse kan pege mod én retning, mens en risikovurdering peger mod en anden. Begge analyser kan være solide. Yderligere analyse kan præcisere forskellene og gøre konsekvenserne mere synlige, men den afgør ikke nødvendigvis, hvilket hensyn der skal tillægges størst betydning, når der handles.

Et stærkere beslutningsgrundlag kan derfor forbedre betingelserne for handling uden at fastlægge handlingen. Det rejser spørgsmålet, om selv korrekte og omfattende analyser nødvendigvis afgør, hvad situationen egentlig handler om.

Elevatoren og problemet med at forstå situationen
Forestil dig nu en travl bygning, hvor brugerne klager over lange ventetider ved elevatoren. Hvis situationen forstås som et kapacitetsproblem, er den oplagte reaktion at måle ventetider, analysere trafikmønstre og undersøge, om elevatoren kan gøres hurtigere. AI kan styrke denne analyse betydeligt. Den kan bearbejde store datamængder, sammenligne belastningen på forskellige tidspunkter og beregne konsekvenserne af mulige tekniske ændringer.

Analysen kan være både omfattende og korrekt. Men den arbejder allerede ud fra en bestemt forståelse af situationen: Problemet er, at brugerne venter for længe. Hvis problemet i stedet forstås som oplevelsen af at vente, bliver andre oplysninger og andre mulige retninger relevante. Et spejl ved elevatoren kan eksempelvis ændre brugernes oplevelse af ventetiden uden at reducere den faktiske ventetid.

Spejlet er ikke en alternativ teknisk løsning på det samme problem. Det bliver relevant, fordi situationen er forstået anderledes. Det betyder ikke, at den ene forståelse er rigtig, og den anden er forkert. Den faktiske ventetid, oplevet ventetid, kapacitet, tilgængelighed og energiforbrug kan alle være relevante. Men de retter opmærksomheden mod forskellige forhold og åbner for forskellige veje frem.

AI kan styrke analysen inden for hver af disse forståelser. Den kan beregne, sammenligne og synliggøre mulige konsekvenser. Men analysens præcision afgør ikke i sig selv, hvilken forståelse der skal være styrende, når der handles. Situationen kan fortsat forstås på flere måder, som peger mod forskellige veje frem.

Her bliver en mere grundlæggende vanskelighed synlig. Flere forståelser og flere veje frem kan fortsat være velbegrundede, selv når analyserne er stærke. Det er denne form for underbestemthed, vi nu skal se nærmere på.

Hvorfor analyse ikke afslutter situationen
Analysen kan efterlade en situation åben på flere måder. Der kan fortsat mangle oplysninger, og konsekvenserne kan være vanskelige at forudsige. Denne usikkerhed kan ofte reduceres gennem flere data og bedre analyse. Men det kan også være uafklaret, hvordan situationen skal forstås, hvilke forhold der er relevante, og hvilke konsekvenser der bør tillægges betydning. Udfordringen er da ikke alene, at organisationen ved for lidt, men at den tilgængelige viden ikke entydigt afgør, hvordan der skal handles.

Forskellige hensyn kan desuden stille forskellige krav til den retning, der overvejes. Formelle hensyn retter opmærksomheden mod, om beregninger, modeller og regler hænger sammen. Empiriske hensyn vedrører, hvad data, observationer og erfaringer viser om situationen og dens mulige konsekvenser. Normative hensyn handler blandt andet om organisationens formål, dens ansvar, de berørte interesser og hvilke konsekvenser der kan accepteres. AI kan styrke analysen af alle tre typer hensyn. Den kan kontrollere sammenhænge, analysere data, formulere argumenter og synliggøre modsætninger.

Disse hensyn kan alle være relevante uden at pege i samme retning. En mulighed kan være økonomisk fordelagtig, men øge risikoen. En anden kan være godt understøttet af data, men vanskelig at forene med organisationens ansvar over for kunder, medarbejdere eller samarbejdspartnere. Analyserne kan gøre forskellene tydeligere uden dermed at afgøre, hvilken betydning hvert hensyn skal have, når der handles.

Selv når usikkerheden er reduceret, situationen er grundigt belyst, og relevante hensyn er gjort synlige, kan flere forsvarlige veje frem derfor fortsat bestå. Det er denne tilstand, der her betegnes som underbestemthed. Underbestemthed betyder ikke, at alle muligheder er lige gode, eller at situationen er uden begrænsninger. Analysen kan udelukke nogle muligheder og styrke andre uden nødvendigvis at efterlade én entydig retning.

Yderligere analyse kan fortsat forbedre beslutningsgrundlaget, reducere visse usikkerheder og ændre, hvilke muligheder der står åbne. Underbestemtheden kan dermed reduceres eller ændre karakter, men ikke nødvendigvis forsvinde. På et tidspunkt må organisationen derfor handle på et grundlag, som analysen har styrket, men som ikke fastlægger én entydig retning.

Når handling ikke længere kan udsættes
Et omfattende og solidt beslutningsgrundlag viser ikke nødvendigvis, hvornår det er tilstrækkeligt. Nye oplysninger kan fortsat indsamles, flere konsekvenser belyses, og andre muligheder undersøges. Det kan reducere bestemte usikkerheder og ændre, hvilke veje der fremstår forsvarlige, uden at give et endeligt kriterium for, hvornår der er analyseret tilstrækkeligt.

Det spørgsmål kan analysen ikke altid afklare på egen hånd. Hvis flere veje frem fortsat kan forsvares, kan endnu en analyse ganske vist ændre beslutningsgrundlaget. Den kan styrke én mulighed, svække en anden eller gøre nye hensyn synlige. Men resultatet kan stadig være, at flere forsvarlige retninger står åbne, blot på et ændret grundlag.

På et tidspunkt må nogen derfor bedømme grundlaget som tilstrækkeligt og handle. Dømmekraften træder ikke i stedet for analysen, men bygger på, hvad analyserne har vist, hvilke muligheder de har udelukket, og hvilke hensyn de har gjort synlige. Når analyserne fortsat peger mod flere forsvarlige veje frem, kan handlingen imidlertid ikke udledes direkte af dem.

Når organisationen handler, bliver én retning gjort gældende, mens andre fravælges. Det gør ikke den valgte retning korrekt eller optimal, og det viser heller ikke, at analysen entydigt har bestemt den.

AI kan styrke grundlaget helt frem til dette punkt. Men jo stærkere analysen bliver, desto tydeligere bliver det også, at handling ikke blot er analysens sidste trin.

Konklusion: Hvad AI gør synligt
AI gør ikke kun analysearbejdet hurtigere og mere omfattende. Den flytter grænsen for, hvor meget organisationer kan undersøge, sammenligne og gøre synligt, før der handles. Dermed bliver det også vanskeligere at forklare de problemer, der står tilbage, når der skal handles, med manglende information, utilstrækkelige metoder eller begrænset analysekapacitet.

Det betyder ikke, at analyse bliver mindre vigtig. Tværtimod kan AI styrke beslutningsgrundlaget, reducere visse usikkerheder og udelukke dårligt begrundede muligheder. Men når flere forsvarlige retninger fortsat står åbne, bliver det tydeligere, at dømmekraft ikke blot kompenserer for mangler i analysen. Dømmekraft forbinder et stærkt beslutningsgrundlag med den handling, hvor én retning gøres gældende.

For ledere betyder det, at bedre beslutningsstøtte ikke nødvendigvis gør ledelsesarbejdet overflødigt. Den kan snarere gøre dømmekraftens rolle i overgangen fra analyse til handling mere synlig.

AI kan udvide grundlaget for handling. Men et stærkere beslutningsgrundlag afgør ikke i sig selv, hvornår grundlaget er tilstrækkeligt. På et tidspunkt må nogen stadig afgøre, hvad der tæller, hvad der vejer tungest, og hvordan der skal handles. Måske er den vigtigste konsekvens af AI for organisationer derfor ikke, at menneskelig dømmekraft bliver overflødig, men at dens betydning bliver sværere at komme uden om.

Denne artikel indgår i en serie om ledelse, handling og organisatorisk praksis. Artiklerne belyser beslægtede problemstillinger fra forskellige vinkler, men kan læses uafhængigt af hinanden. Serien tager afsæt i et bredere forskningsarbejde 2) om dømmekraft og handling i situationer, hvor viden og analyser ikke entydigt afgør, hvad der skal gøres.

Referencer

1. Nandi, V. (2024). “A (Gen)AI Revolution in Procurement and Contract Management?”. Effektivitet. https://effektivitet.dk/magasin/ai-og-supply-chain/a-genai-revolution-in-procurement-and-contract-management/
2. Johansen, S. K. (2026). Navigational Epistemics: Epistemology of Competent Action [Preprint]. Zenodo. https://doi.org/10.5281/zenodo.19387778