AI-kompetence er ikke et kursus, det er en organisatorisk muskel

Et certifikat kan vise, at nogen har deltaget i en lektion. Det kan ikke vise, om en organisation kan anerkende et AI-system, stille spørgsmål til dets...

AI-kompetence er ikke et kursus, det er en organisatorisk muskel

Den juridiske sætning, der ændrer mødet

Den 24. juli 2026 offentliggjorde Den Europæiske Unions Tidende Digital Omnibus om AI. Blandt ændringerne var en lille justering af artikel 4 i forordningen om kunstig intelligens. Forpligtelsen består, men loven kræver ikke længere, at organisationer lover et foreskrevet eller universelt niveau af AI-kompetence for hver enkelt person. Udbydere og brugere skal træffe foranstaltninger, der understøtter udviklingen af kompetence blandt deres personale og blandt andre personer, der driver eller bruger AI-systemer på deres vegne. Ændringen siger også, at Kommissionen og medlemsstaterne bør støtte disse bestræbelser, og at AI-bestyrelsen bør arbejde hen imod fælles mål.

Det er en juridisk ændring. Det er også et ledelsesspørgsmål. Hvis der ikke findes en universel eksamensscore, hvad gør en seriøs organisation så, når den indfører et AI-system i en reel proces? Den kan ikke svare med et certifikat alene. Et certifikat kan vise, at nogen har gennemført en lektion. Det kan ikke vise, at personen kan skelne et udkast fra en godkendt politik, genkende, når en model er uden for sin opgave, bede om dokumentationen bag en anbefaling, stoppe en arbejdsgang eller finde den ansvarlige, der kan ændre den. Den interessante del af kompetence begynder, efter at præsentationen er blevet stille.

Europa-Kommissionens egne spørgsmål og svar gør pointen med usædvanlig tydelighed. Der er ikke ét format for AI-kompetence og intet krav om et bestemt certifikat. Organisationen bør overveje sin rolle, systemets risiko og formål, viden og erfaring hos de involverede personer samt den kontekst, systemet bruges i. Den bør føre en intern registrering af træning eller andre vejledende initiativer, men en registrering af fremmøde er ikke det samme som den kapacitet, som disse initiativer skal opbygge.

AI-kompetence forstås derfor bedst som en muskel i brug. En muskel bevises ikke ved at eje et fitnesskort. Den opbygges gennem gentagen, kontekstuel indsats, og den bliver synlig, når situationen er akavet. En kompetent organisation kan navngive det system, den bruger, angive, hvad systemet må gøre, bemærke, når dokumentationen er svag, spørge, hvem der kan blive berørt, og sende en usikker sag videre til en person med beslutningskompetence. Det er mindre glamourøst end en lancering. Det er også der, hvor loven møder det almindelige arbejde.

Denne artikel handler om det almindelige arbejde. Den er ikke en kursusplan og ikke juridisk rådgivning. Den er en måde at adskille tre ting, der ofte blandes sammen: bevidsthed, kompetence og autoritet. Den følger de spørgsmål, der opstår, når en offentlig myndighed, en virksomhed, en skole eller et professionelt team forsøger at gøre AI nyttig uden at overlade sin dømmekraft til en skærm. Eksemplerne er hentet fra europæisk offentlig vejledning og dokumenteret institutionel praksis. Enhver opdigtet situation er markeret som hypotetisk, fordi en historie ikke er dokumentation, blot fordi den indeholder et plausibelt kontor.

Kompetence er en praksis, ikke et mærke

Ordet kompetence ankom til AI-debatten med for meget bagage. Det kan lyde som en grundlæggende introduktion for personer, der endnu ikke har lært det vigtige ordforråd. Det kan også lyde som en compliance-etiket, der kan sættes på en person og arkiveres. Ingen af fortolkningerne er nyttige. Kompetence er evnen til at læse en situation godt nok til at handle i den. At læse en bog om et sprog er ikke det samme som at forstå et brev stilet til dig. At læse en definition af et AI-system er ikke det samme som at vide, om værktøjet foran dig laver en forudsigelse, henter en registrering, genererer en fortsættelse, rangerer muligheder eller styrer et trin i en arbejdsgang.

Kommissionens nuværende forklaring af artikel 4 starter det rigtige sted: organisationer bør udvikle en generel forståelse af, hvad AI er, hvordan det fungerer, hvilke systemer de bruger, og hvilke muligheder og farer disse systemer medfører. Det er en begyndelse, ikke en afslutning. Generel forståelse giver en person et kort. Kortet bliver først nyttigt, når det er knyttet til en opgave, en rolle, en evidenskilde og en konsekvens.

Forestil dig et hypotetisk indkøbsteam, der gennemgår et værktøj, som opsummerer leverandørers bud. Bevidsthed gør, at teamet kan genkende, at værktøjet producerer genereret tekst og kan begå fejl. Kompetence gør, at en gennemgående person kan teste, om opsummeringen bevarer udelukkelser, betingelser og datoer, og sammenligne den med de underliggende bud. Autoritet afgør, hvad der sker, når opsummeringen er ufuldstændig. Kan gennemgående person afvise den? Kan teamet kræve, at leverandøren fremlægger kildepassagerne? Kan nogen sætte evalueringen på pause, mens problemet undersøges? Uden autoritet bliver kompetence en privat bekymring, som arbejdsgangen frit kan ignorere.

Forskellen betyder noget, fordi organisationer ofte træner det letteste lag. De forklarer, hvad en model er, viser et par eksempler og beder folk om at acceptere en brugspolitik. Folk går derfra med nye ord og de gamle incitamenter. Hvis hastighed belønnes, og spørgsmål behandles som obstruktion, lærer en person, der opdager et problem, at tie stille. Organisationen kan derefter rapportere høj bevidsthed, mens dens beslutninger forbliver uændrede. Badget er ægte. Literacy er dekorativ.

En praksisbaseret tilgang stiller et andet spørgsmål: hvad skal en person kunne lægge mærke til og gøre på det punkt, hvor et AI-system rører ved deres arbejde? Svaret varierer efter rolle. En borger, der interagerer med en offentlig tjeneste, skal vide, hvornår en maskine er involveret, hvad der kan anfægtes, og hvor man kan bede om en menneskelig vej. En sagsbehandler skal forstå systemets formål, evidens, usikkerhed og overstyringspath. En leder skal beslutte, om opgaven er egnet til automatisering, og om teamet har tid til at gennemgå resultatet. En udvikler skal kende data- og modelgrænsen, fejltilstandene og de registreringer, der skal overleve en ændring. At kalde alt dette et kursus skjuler de forskelle, der gør arbejdet sikkert.

Den nye juridiske formulering giver plads til den variation. Forordning (EU) 2026/1744 siger, at AI-literacy bør begynde i uddannelse og undervisning og fortsætte gennem livslang læring. Den anerkender også, at forskellige udbydere og implementører står over for forskellige byrder og sammenhænge. Dette er ikke en invitation til at gøre ingenting. Det er en invitation til at holde op med at lade som om, at én eksamen kan måle evnen til at handle ansvarligt på tværs af alle systemer, sektorer og grupper af berørte mennesker.

Praksis har en anden nyttig egenskab: den afslører huller uden at skamme folk for at have dem. En person kan forstå, at en sprogmodel forudsiger sandsynlige fortsættelser og stadig ikke vide, hvordan et bestemt genfindingssystem vælger dokumenter. En dataforvalter kan forstå oprindelse og stadig mangle tilladelse til at ændre indekset. En leder kan vide, at et menneske skal føre tilsyn med et højrisikosystem og stadig ikke have afsat tid til meningsfuld gennemgang. Disse er designhuller, ikke personlige moralske fejl. En literate organisation gør dem synlige, så den kan reparere dem.

AI-kompetence bliver synlig, når en brug af systemet efterlader den næste brug bedre forstået, ikke blot når en person gennemfører en lektion.

Bevidsthed er døren, ikke rummet

Bevidsthed afvises ofte, fordi det lyder blødt. Det er en fejl. Folk kan ikke stille spørgsmål til et system, de ikke kan navngive, og de kan ikke navngive et system, hvis al software beskrives som intelligent. Bevidsthed giver en organisation et fælles sprog til at adskille en model fra en grænseflade, en forudsigelse fra en beslutning, en kilde fra et resumé, en instruktion fra et stykke hentet indhold og en konfidensvisning fra bevis for korrekthed.

Sproget behøver ikke være storslået. Det skal være præcist nok til at stoppe en kategorifejl. En søgemaskine, en regelbaseret berettigelseskontrol, en klassifikator, en generativ assistent og en workflowagent kan alle optræde i samme produktkatalog. Deres mekanismer og risici er forskellige. Hvis personalet kalder dem alle AI og stopper der, mister de de spørgsmål, der bør følge. Hvilke data ser systemet? Hvad er dets tilsigtede formål? Hvad returnerer det? Hvem handler på resultatet? Hvilke fejl betyder noget? Hvad kan fortrydes? Hvilke mennesker berøres, selvom de aldrig rører grænsefladen?

Bevidsthed omfatter også den sociale kontekst. UNESCO's vejledning til generativ AI i uddannelse og forskning beskriver menneskelig kapacitet som en del af en menneskecentreret tilgang. Den placerer teknisk forståelse ved siden af privatliv, lighed, inklusion, sproglig og kulturel mangfoldighed og meningsfuld brug. Pointen er ikke, at enhver medarbejder skal blive politikforsker. Pointen er, at et system ikke bliver neutralt, når det placeres i en velkendt applikation. Det samme genererede afsnit kan være et harmløst skrivehjælpemiddel i én sammenhæng og en urevideret beslutning i en anden.

En person, der er bevidst om konteksten, kan høre forskellen mellem en anmodning om hjælp og en delegation af autoritet. Bed systemet om at foreslå spørgsmål til et møde, og brugeren forbliver forfatter til mødet. Bed det om at afgøre, hvilken beboer der modtager en knap service, og systemet er trådt ind i et andet moralsk og juridisk territorium. Ordene på skærmen kan ligne hinanden. Opgavegrænsen gør ikke. Bevidsthed er vanen med at bemærke, at grænsen har flyttet sig.

Offentlige institutioner har brug for denne bevidsthed i en særligt disciplineret form. Deres systemer kan påvirke mennesker, der ikke kan fravælge, som ikke ved, hvilke automatiserede værktøjer der er involveret, eller som ikke har råd til at forsøge igen efter en fejl. Et serviceteam har derfor brug for mere end en generel erklæring om, at AI kan være unøjagtig. Det har brug for et sprog til at forklare den vej, en person kan tage, når systemet er forkert, når data mangler, eller når svaret aldrig burde have været automatiseret.

Virksomheder har brug for det samme ordforråd af mindre synlige årsager. En leverandør kan beskrive et rangeringssystem som beslutningsstøtte, mens kundens proces behandler rangeringen som en beslutning, fordi ingen har tid til at gennemgå den. Et marketingteam kan bruge et oversættelsesværktøj til interne kladder og derefter kopiere resultatet ind i en offentlig meddelelse uden at tjekke det en ekstra gang. Et rekrutteringsteam kan kalde en screeningsscore en bekvemmelighed og stille og roligt bruge den til at sortere ansøgere fra. Bevidsthed afslører disse forskydninger, før de bliver begravet i et arbejdsgangsdiagram.

Bevidsthed bør derfor testes gennem sprog, der tilhører organisationen. Bed et team om at beskrive et system uden at bruge ordene smart, automatiseret eller intelligent. Spørg, hvilke oplysninger det modtager, hvad det producerer, og hvem der kan ændre resultatet. Hvis forklaringen bliver vag, har organisationen fundet et nyttigt uddannelsesbehov. Øvelsen er enkel, men enkelhed har en lang historie med at blive undervurderet af folk, der kan lide et kompliceret dashboard.

Kompetence har en opgave knyttet til sig

Kompetence er mere krævende end genkendelse, fordi den er specifik. En person er ikke bare kompetent med AI. De er kompetente til at udføre en defineret opgave med et defineret system under definerede betingelser. Kommissionens spørgsmål og svar knytter gentagne gange literacy til systemets kontekst og formål, viden hos de involverede personer og risikoen ved brugen. Det er en bedre beskrivelse af kompetence end en liste over generiske prompt-tricks.

For en almindelig bruger kan kompetence betyde at vide, hvilke oplysninger der kan indtastes, hvilket output der skal tjekkes, hvordan man bevarer kildematerialet, og hvornår man skal stoppe. Det kan omfatte evnen til at skelne et genereret svar fra en hentet passage, inspicere linket bag en påstand, opdage en manglende kvalifikation og rapportere en fejl på en måde, som en anden person kan reproducere. Det er praktiske færdigheder. De kræver ikke, at brugeren implementerer en transformer, men de kræver mere end at tro, at systemet har læst organisationens politik.

For en reviewer omfatter kompetence evnen til at udfordre outputtet. Revieweren har brug for et testsæt, der ligner arbejdet, en måde at se, hvilke beviser systemet brugte, og en klar erklæring om, hvad der tæller som et acceptabelt resultat. Hvis opgaven vedrører en offentlig rettighed eller en persons levebrød, har revieweren også brug for tilstrækkelig domæneviden til at genkende et svar, der er grammatisk rent og indholdsmæssigt forkert. Flydende sprog er en grænsefladeegenskab. Kompetence er en vurdering af opgaven.

For en leder omfatter kompetence at beslutte, om opgaven overhovedet skal automatiseres. Den beslutning kræver en forståelse af arbejdet under etiketten. En opgave kan være gentagende og stadig indeholde en afgørende undtagelse. En beslutning kan være rutine for en erfaren professionel og stadig være for konsekvensrig til at delegere uden en synlig appelmulighed. En proces kan være teknisk målbar og socialt upassende at optimere. Ledere, der ikke kan stille disse spørgsmål, overlader designet til leverandøren og standardindstillingerne.

For en ingeniør omfatter kompetence at gøre systemets grænse inspicerbar. Hvilken modelversion kørte? Hvilke data var tilgængelige? Hvilke værktøjskald var tilladt? Hvilken politik eller prompt blev anvendt? Hvilken usikkerheds- eller afvisningstilstand blev nået? Hvad sker der, når en kilde er forældet, modstridende eller manglende? Teknisk personale behøver ikke at løse alle governance-spørgsmål, men de skal forhindre systemet i at slette de oplysninger, som governance senere vil kræve.

The AI Act's high-risk provisions make this concrete. The Commission's Q&A notes that deployers of high-risk systems must ensure that staff dealing with those systems in practice are trained to handle them and to ensure human oversight. Merely placing instructions beside the tool is not enough. The people doing the work need the skill and the practical conditions to use the oversight mechanism. If the operator cannot understand the output or cannot interrupt the process, the word human in human oversight has become a decorative noun.

Competence grows when the organisation lets people practise with real constraints. A privacy team can work through a hypothetical request that contains personal data and decide what may enter the system. A public-service team can rehearse a refusal and an escalation without using a real resident's case. A product team can replay a changed model against a fixed evaluation set and discuss which differences matter. These exercises are not evidence that a future deployment will be safe. They are rehearsal for the decisions that safety requires.

There is an important limit. Competence cannot compensate for missing evidence. A highly skilled reviewer cannot verify a claim when the source has vanished, nor can a well-trained operator override a system if the interface offers no override. Training can expose the absence, but it cannot fill it by force of enthusiasm. Organisations sometimes respond to a missing control by scheduling another course. The schedule becomes a monument to the control that was never built.

Authority is the missing half

Authority is the part of AI literacy that organisations prefer to leave implicit. It concerns who may decide, who may refuse, who may pause a process, who may alter a rule, and who carries the consequence when a system is wrong. Authority is not the same as seniority. A senior person may approve a system and still be unable to inspect its evidence. A front-line worker may see a problem first and still be told that only a supplier can change it.

Human oversight is often described as if a person standing near a dashboard were enough. It is not. Oversight needs a person with the time, knowledge and authority to understand the output, recognise when it is outside scope, and intervene. The AI Act's high-risk requirements make the training point explicit, but the underlying principle applies more widely. A person cannot exercise oversight over a process that treats intervention as a failure of efficiency.

Consider a hypothetical housing service that uses a tool to sort incoming applications for review. The system may be allowed to suggest an order, but the organisation still has to decide what happens when the source record is incomplete, when a resident's circumstances do not fit the categories, or when the ordering rule conflicts with a statutory duty. A literate team does not merely know that the model can be wrong. It knows who can stop the queue, who can make an exception, what record is kept, and how the resident is told what happened. The example is deliberately hypothetical. Its purpose is to show that authority is a workflow property, not a personality trait.

Authority also has a reverse direction. People affected by a system need a route to question it, even when they never chose the system. A customer, student, patient, applicant or resident may not need to understand the model's internal mathematics. They do need to know whether a machine was involved, what kind of decision it influenced, which human office can review the result, and what information would help that review. Literacy belongs to the person on the receiving end as well as to the person operating the tool.

Derfor er eskalering ikke en straf. Det er en informationskanal for sager, som den automatiserede vej ikke sikkert kan håndtere. En brugbar eskalering registrerer, hvad systemet blev bedt om at gøre, hvilke beviser det så, hvad det returnerede, hvorfor resultatet blev betvivlet, og hvem der besluttede, hvad der skulle ske derefter. Den behøver ikke at gøre enhver almindelig interaktion til en juridisk sag. Den skal dog bevare tilstrækkelig kontekst til, at en gentagen fejl bliver synlig i stedet for at blive afvist som en isoleret brugerklage.

Autoritet bør øves, før systemet sættes i drift. Hvem trykker på stop? Hvem kan godkende en ny model? Hvem kan ændre en tærskel? Hvem ejer en omstridt datakilde? Hvem kan fortælle en leverandør, at et output ikke er acceptabelt? Hvem informerer de berørte personer? Hvem beslutter, om systemet vender tilbage efter en hændelse? Hvis svarene er navne frem for roller, er ordningen skrøbelig. Folk forlader virksomheden, skifter job eller sidder i et møde. Roller kan overleve en kalender.

Det mest humane svar er ikke altid at lægge flere beslutninger på en allerede travl fagperson. Autoritet har en pris. Den kræver tid, adgang til beviser, støtte fra ledelsen og en proces, der ikke straffer en fornuftig afvisning. Hvis en organisation giver nominel autoritet uden disse betingelser, skaber den en syndebuk snarere end et tilsyn. Personen bliver ansvarlig for et resultat, de ikke var udstyret til at påvirke. Det er et velkendt ledelsesmønster med en ny grænseflade.

Kildedisciplinen bag hvert svar

AI-kompetence handler ofte om output, fordi output er det, folk ser. Den sværere del er at lære at spørge, hvad der kom ind i systemet. Et genereret svar kan være flydende, mens kildesættet er forældet, ufuldstændigt, uautoriseret eller blandet med materiale, der aldrig var tiltænkt at styre opgaven. Et søgesystem kan returnere et relevant afsnit fra den forkerte version af en politik. Et resumé kan udelade sætningen, der indeholder en undtagelse. En prompt kan indeholde en instruktion forklædt som et dokument. Kildedisciplin er vanen med at behandle input som styret materiale snarere end bekvem kontekst.

Folk behøver ikke at kende alle implementeringsdetaljer for at praktisere kildedisciplin. De skal dog stille et kort sæt spørgsmål. Hvad er kilden? Hvem ejer den? Hvornår var den gyldig? Er den autoritativ for denne opgave? Er den blevet transformeret? Kan systemet vise det afsnit eller den post, der formede svaret? Hvilke data blev udelukket, og af hvilken grund? Hvad skal der ske, når to kilder er uenige? Disse spørgsmål er nyttige for en politikassistent, et klinisk søgeværktøj, en kodeassistent og en offentlig informationstjeneste på samme måde.

En kilde er ikke autoritativ, blot fordi den er let at hente. Delte mapper indeholder kladder. Databaser indeholder dubletter. Et modelgenereret resumé kan være blevet indekseret, som om det var en primær post. En oversættelse kan have mistet en juridisk kvalifikation. Et dokument kan være aktuelt og stadig ligge uden for det formål, som systemet må bruge det til. Kompetence gør disse skel til en del af det normale arbejde snarere end en specialiseret bekymring, der først opstår efter en klage.

Kildedisciplin ændrer også, hvordan folk taler om sikkerhed. Et output med høj sikkerhed er ikke stærkt bevis, hvis den relevante kilde mangler. Et forsigtigt output kan være det ansvarlige resultat, når kildesættet er ufuldstændigt. Organisationen bør ikke træne brugere i at belønne flydende sikkerhed og straffe en nyttig afvisning. Hvis systemet ikke kan svare inden for de tilladte beviser, kan næste skridt være at finde ejeren af kilden, bede om en menneskelig vurdering eller indsnævre spørgsmålet.

Kildestien skal være synlig på det rette niveau. En bruger kan have brug for et link til det relevante afsnit i politikken. En reviewer kan have brug for versions- og transformationshistorikken. En revisor kan have brug for den fulde inputkæde. Informationen kan lagdeles uden at blive skjult. Et værktøj, der kun viser et grønt tillidsbadge, beder brugeren om at stole på en abstraktion. Et værktøj, der viser dokumentationen og dens begrænsninger, giver brugeren mulighed for at udøve skøn.

Dette er også et spørgsmål om kompetence i indkøb. En køber bør spørge, om leverandøren kan beskrive datagrænsen, eksportere logfiler, bevare versionshistorikken og forklare, hvad der sker, når en kilde trækkes tilbage. Det er ikke kun tekniske krav. De afgør, om organisationen kan lære af en fejl. Hvis kontrakten giver køberen et svar, men ikke dokumentationen bag det, har køberen købt en forklaring og beholdt risikoen.

Eskalering er en form for viden

Organisationer behandler ofte eskalering som et tegn på, at systemet ikke har leveret den forventede effektivitet. En bedre tilgang er at se eskalering som organisationens måde at lære, hvor automatiseringen holder op med at være pålidelig. Hver eskalering indeholder information om grænsen mellem opgaven og verden. Sagen kan være usædvanlig, kilden kan være mangelfuld, politikken kan være tvetydig, grænsefladen kan have skjult en betingelse, eller arbejdsgangen kan have tildelt autoritet til den forkerte person.

En god eskalationsvej er specifik. Den fortæller brugeren, hvad der skal registreres, hvem der modtager sagen, og hvilket svar der kan forventes. Den adskiller en manglende kilde fra et formodet skadeligt output og en teknisk udfald fra en politikkonflikt. Denne skelnen er ikke papirarbejde for sin egen skyld. Den gør det muligt for organisationen at reparere det rette lag. Genoptræning af en model kan ikke løse en manglende juridisk kilde. Opdatering af en politik kan ikke løse en grænseflade, der ikke giver nogen mulighed for at stoppe.

Eskalering skal være sikkert for den person, der bruger den. Hvis en medarbejder kun måles på hastighed, ligner hver eskalering en personlig omkostning. Hvis en medarbejder i den offentlige sektor risikerer kritik for at forsinke en sag, vil systemet akkumulere stille tilsidesættelser frem for synlige registreringer. Ledelsen skal gøre den forsigtige vej legitim. Alternativet er en kultur, hvor folk er kompetente nok til at se problemet og disciplinerede nok til at skjule det.

Europa-Kommissionens egne interne foranstaltninger, beskrevet i dens spørgsmål og svar i artikel 4, er lærerige, fordi de rækker ud over et enkelt kursus. Kommissionen oplyser, at den har udviklet en intern kompetenceramme for grundlæggende AI-kompetence, læringspakker til forskellige grupper, herunder generalister, ledere og udviklere, en portal med værktøjsspecifikke ressourcer, spørgsmål-og-svar-sessioner, et praksisfællesskab, et månedligt nyhedsbrev og et AI Champions-netværk. Disse præsenteres ikke som en universel skabelon, og Kommissionen bemærker, at dens interne ramme kan ændre sig, efterhånden som fælles mål udvikler sig. Den vigtige idé er netværket: viden har en vej gennem organisationen.

Et praksisfællesskab er nyttigt, fordi det forvandler isolerede spørgsmål til fælles hukommelse. En person kan spørge, hvorfor et system opførte sig mærkeligt, sammenligne svaret med en anden teams erfaring og finde nogen, der forstår domænet. Det erstatter ikke formelt ejerskab. Det gør ejerskab lettere at lokalisere. Et nyhedsbrev kan pege på en ny risiko, men det kan ikke beslutte, om en lokal arbejdsgang skal ændres. En AI-champion kan hjælpe et team med at lære, men bør ikke blive den eneste person, der ved, hvordan systemet fungerer.

Eskalering bør også føres tilbage til træningen. Hvis den samme forvirring optræder gentagne gange, er det ikke længere et individuelt videnshul. Det kan betyde, at grænsefladen er vildledende, at politikken er uklar, at beviserne ikke er synliggjort, eller at rollegrænsen er forkert. Organisationen kan derefter opdatere det relevante lag. Træning er én mulighed. En bedre etiket, en mere sikker standardindstilling, en ekstra registrering eller en ændret godkendelsesvej kan gøre mere.

Det er derfor, at muskelsammenligningen er vigtig. En muskel vokser gennem modstand. Eskaleringer er modstanden i et AI-arbejdsflow. Fjern dem for at få dashboardet til at se roligt ud, og organisationen mister de signaler, der ville have gjort den stærkere. Et stille system kan være sundt. Det kan også være et system, hvor brugerne er holdt op med at rapportere, hvad de ser.

Vaner slår begivenheder

Et kursus er en begivenhed. Literacy er et mønster af små adfærdsmønstre, der gentages før, under og efter et systems brug. Før brug identificerer folk opgaven, formålet, de tilladte data, de berørte personer og den myndighed, der forbliver menneskelig. Under brug tjekker de beviserne, lægger mærke til usikkerhed, registrerer vigtige beslutninger og eskalerer, når systemet forlader sin grænse. Efter brug gennemgår de resultaterne, bevarer relevante registreringer og reparerer kilden, politikken, træningen eller systemet, når det samme problem vender tilbage.

Disse vaner skal designes ind i arbejdet. En prompt, der beder om kilden bag et svar, er mere nyttig end en plakat, der siger, at man skal være kritisk. Et obligatorisk felt for beslutningsejeren er mere nyttigt end et træningsslide om ansvarlighed. En synlig stopknap er mere nyttig end et afsnit, der minder medarbejderne om, at de bærer ansvaret. Kontroller er ikke erstatninger for dømmekraft, men de kan gøre det lettere at udøve god dømmekraft en tirsdag eftermiddag.

Vaner skal også passe til arbejdets tempo. En offentlig informationsskranke kan ikke gennemføre en lang revision for hvert udkast med lave konsekvenser. Et sikkerhedskritisk arbejdsflow kan ikke behandle et hurtigt visuelt tjek som meningsfuldt tilsyn. Organisationen bør definere niveauer af bevis og gennemgang, der matcher opgaven og dens mulige konsekvenser. Pointen er proportionalitet, ikke minimalisme. En lille opgave med stor effekt på et andet menneske fortjener mere omhu end en stor opgave uden meningsfulde konsekvenser.

Der er en nyttig forskel mellem en regel og en vane. En regel siger, at man ikke må indtaste fortrolige data i et ikke-godkendt værktøj. En vane spørger, før værktøjet åbnes, hvilke data der faktisk er nødvendige, og om formålet tillader brugen. En regel siger, at et menneske skal gennemgå en anbefaling. En vane spørger, om den, der gennemgår, har beviserne, tiden og myndigheden til at gøre gennemgangen reel. En regel siger, at man skal rapportere hændelser. En vane opdager næsten-hændelser, før de bliver rapporterbare hændelser, og behandler dem som læringsmateriale.

Vaner kan observeres uden at gøre folk til overvågningsobjekter. Organisationen kan undersøge, om et arbejdsflow synliggør sin kilde, om en eskalationsvej bruges, om modelændringer udløser en gennemgang, og om registreringer kan afspilles. Den bør ikke forveksle et højt antal klik med et højt niveau af literacy. En person kan sætte flueben i hver boks og stadig misforstå beslutningen. Observerbarhed er nyttig, når den måler betingelserne for dømmekraft, ikke når den belønner udseendet af overholdelse.

AI-kontorets repository for literacy-praksisser følger denne praktiske logik. Kommissionen beskriver mere end fyrre initiativer fra virksomheder og den offentlige sektor, herunder e-læring, fysisk træning, bootcamps og samarbejde mellem industri og akademia. Den fastslår også, at kopiering af en praksis fra repositoryet ikke automatisk skaber en formodning om overholdelse. Det forbehold er vigtigt. En praksis kan være en nyttig idé uden at være bevis på, at en anden organisation har håndteret sin egen kontekst.

Det, der kan lånes, er vanen med at spørge, hvordan en praksis er forbundet med arbejdet. Når den de mennesker, der driver systemet? Dækker den opgavens risici? Giver den folk en vej til at stille spørgsmål og rette fejl? Ændrer den sig, når systemet eller konteksten ændrer sig? Skaber den et spor, der hjælper organisationen med at lære? Formatet kan variere. Spørgsmålene bør forblive.

De mennesker, som et system bruges på

AI-kompetence henvender sig ofte til medarbejdere, fordi medarbejdere er det nemmeste publikum at samle i et lokale. Loven og offentlighedens interesse er bredere. Kommissionens forklaring beder organisationer om at overveje de mennesker eller grupper, som deres systemer bruges på. Den formulering holder den berørte person inde i design-samtalen, selv når de aldrig ser modellen, aldrig har givet samtykke til udrulningen og aldrig har modtaget invitationen til træning.

For berørte mennesker betyder kompetence en anden form for adgang. De kan have brug for at vide, at et automatiseret system har påvirket en service, hvilken slags påvirkning det havde, hvilke oplysninger der blev overvejet, og hvordan man anmoder om en gennemgang. De præcise rettigheder og meddelelser afhænger af systemet og den gældende lov. Det generelle princip er stabilt: en person bør ikke skulle forstå maskinlæring, før de kan udfordre en beslutning, der betyder noget for dem.

Kommunikation er en del af kontrollen. En meddelelse fuld af tekniske termer kan være formelt transparent og praktisk ubrugelig. En kort forklaring, der nævner formålet, den menneskelige vej og begrænsningen, kan gøre mere for handlekraft. Organisationen bør teste forklaringen med de mennesker, der har brug for den, ikke kun med ingeniørerne, der byggede systemet. Klarhed er ikke en dekorativ kvalitet. Den afgør, om en udfordring kan begynde.

Sprog betyder også noget her. UNESCO's vejledning placerer sproglig og kulturel mangfoldighed inde i sin menneskecentrerede tilgang til generativ AI. En oversat meddelelse kan stadig fejle, hvis den mister skelnen mellem en invitation og en forpligtelse, eller hvis den bruger et udtryk, som folk ikke genkender i den service, de forsøger at få adgang til. Kompetence inkluderer derfor evnen til at spørge, om budskabet overlevede oversættelsen, og om personen kan bruge det til at handle.

Offentlige institutioner bør være særligt omhyggelige med ideen om informeret brug. Folk bliver ikke informerede, fordi en webside indeholder en oplysning. De bliver informerede, når forklaringen kommer på det punkt, hvor den påvirker deres valg, når den menneskelige vej er reel, og når institutionen kan vise, hvad den gjorde med de oplysninger, den modtog. Byrden er højere, når institutionen har magt, og personen ikke har noget praktisk alternativ.

Virksomheder står over for det samme problem i kunde- og ansættelsesservices. En virksomhed kan træne sit personale grundigt og stadig efterlade kunder, der ikke kan forstå, hvorfor en score påvirkede deres ansøgning. En arbejdsplads kan træne ledere og stadig efterlade arbejdere underlagt et planlægningssystem, de ikke kan stille spørgsmål til. Kompetence er ufuldstændig, når organisationen forstår sit værktøj, men personen, der bærer konsekvensen, efterlades med en sort boks og en generisk kontaktformular.

At designe for berørte mennesker forbedrer også systemet. Spørgsmål fra beboere, patienter, ansøgere og arbejdere afslører ofte antagelser, som intern testning overså. Spørgsmålet er ikke, om hver klage er korrekt. Spørgsmålet er, om organisationen kan skelne en individuel uenighed fra et mønster, der signalerer en fejlbehæftet datakilde, en uretfærdig tærskel eller en vildledende forklaring. En vej til udfordring er også en vej til bevis.

En offentlig institution skal lære sine egne grænser

Offentlige institutioner har en undervisende rolle, også selvom de ikke opfatter sig selv som undervisere. Enhver automatiseret tjeneste lærer folk, hvad institutionen anser for normalt, beviseligt og anfægteligt. Et system, der kun accepterer struktureret dokumentation, lærer borgerne, at deres liv skal passe ind i en formular. Et system, der returnerer en genereret forklaring uden en menneskelig kontaktvej, lærer dem, at institutionen har delegeret ansvaret. Et system, der tydeligt angiver sine begrænsninger, lærer en anden lektie: teknologi kan understøtte en offentlig opgave, men den erstatter ikke opgaven.

Europa-Kommissionens opdaterede etiske retningslinjer for brug af AI og data i undervisning og læring er et konkret offentligt eksempel på dette undervisningsarbejde. Retningslinjerne er primært rettet mod lærere og pædagogisk personale, herunder personer med ingen eller begrænset forhåndserfaring og personer med avancerede digitale kompetencer. 2026-opdateringen tilføjer praktiske scenarier, en opdateret ordliste og juridisk kontekst, der dækker AI-forordningen og GDPR. Formen er pædagogisk, men princippet er bredt anvendeligt: folk har brug for definitioner, spørgsmål og eksempler, der hjælper dem med at træffe en kontekstbaseret beslutning.

Retningslinjerne gør ikke lærere til compliance-medarbejdere. De hjælper undervisere med at forstå potentielle fordele, skjulte risici og de ansvarsområder, der følger med at bruge AI og data omkring elever. Den sondring er vigtig. God digital dannelse gør ikke en professionel mistænksom over for ethvert værktøj. Den giver dem tilstrækkelig forståelse til at vælge, hvor et værktøj hjælper, hvor det har brug for begrænsninger, og hvor den menneskelige relation skal forblive primær.

Et hypotetisk skolebestyrelse illustrerer forskellen. Hvis den køber en skriveassistent og tilbyder en generel demonstration, kan lærerne lære at producere materiale hurtigt. Hvis den også spørger, hvilke elevdata der indgår i systemet, hvordan genereret materiale kontrolleres, hvordan en elev kan anfægte et automatisk flag, og hvem der kan stoppe værktøjet, opbygger bestyrelsen institutionel kompetence. Den anden samtale kan være langsommere. Det er også den samtale, der gør den første ansvarlig.

Offentlige institutioner bør offentliggøre deres egen læring, i det omfang fortrolighed og sikkerhed tillader det. En kort beskrivelse af et systems formål, dokumentationsgrænse, gennemgangsproces og kendte begrænsninger kan hjælpe borgere, personale og leverandører med at tale om det samme objekt. Offentlig dokumentation giver også civilsamfundet og tilsynsorganer noget konkret at udfordre. Et vagt løfte om ansvarlig innovation efterlader alle til at skændes om tonen.

Der er en demokratisk dimension i dette. AI-dannelse beskrives nogle gange som et arbejdsstyrkeprogram, som om borgere kun var fremtidige medarbejdere. Borgere er også vælgere, patienter, lejere, forældre, ansøgere, naboer og mennesker, hvis data indgår i en andens arbejdsgang. Deres evne til at forstå og udfordre automatiserede systemer er en del af den offentlige kapacitet, der kræves for demokratisk kontrol. Et samfund, der kun kan diskutere AI gennem leverandørdemonstrationer, har outsourcet sit ordforråd.

Uddannelse er en organisatorisk generalprøve

Skoler og universiteter er naturlige steder at diskutere AI-dannelse, men lektionen bør ikke stoppe ved klasselokalets dør. UNESCO's vejledning siger, at generativ AI ændrer sig hurtigere end mange nationale lovgivningsrammer, og opfordrer til, at menneskelig kapacitet holder trit. Det er ikke en grund til at haste ethvert værktøj ind i undervisningen. Det er en grund til at lære folk at evaluere værktøjer, beskytte data, genkende begrænsninger og spørge, hvem der har fordel af en bestemt anvendelse.

Europa-Kommissionen og OECD præsenterede i juni 2026 en ramme for AI-kompetence til grundskolen og de gymnasiale uddannelser. Rammen beskrives som et fælles referencepunkt for skoler, undervisere, ledere, beslutningstagere og læringsdesignere, med plads til tilpasning til lokale forhold. Et fælles referencepunkt er nyttigt, fordi det mindsker fristelsen til at definere kompetence som den funktion, en leverandør tilfældigvis sælger. Tilpasning er lige så vigtig, fordi en skole, et forskningsinstitut og en offentlig tjeneste ikke står over for de samme opgaver eller de samme berørte mennesker.

Uddannelse kan være forbillede for de vaner, organisationer senere har brug for. Elever kan sammenligne en genereret forklaring med en kilde, dokumentere, hvad der ændrede sig, stille spørgsmålstegn ved et selvsikkert svar og diskutere, hvornår et menneske bør bevare ansvaret. Lærere kan gøre usikkerhed synlig i stedet for at behandle den som en fejl i undervisningen. Skoleledere kan gøre indkøbs- og dataspørgsmål til en del af beslutningen i stedet for at overlade dem til en entusiastisk enkeltperson med en gratis konto.

Disse praksisser handler ikke om at gøre børn ansvarlige for styringen af kommercielle systemer. De handler om at give mennesker et holdbart ordforråd, før de træder ind på arbejdspladser og i offentlige institutioner, hvor indsatsen kan være højere. Voksne har brug for den samme mulighed. En leder, der lærte at stille spørgsmålstegn ved kilder i skolen, kan bruge den vane i et indkøbsmøde. En borger, der ved, at en model kan tage fejl, men stadig være indflydelsesrig, kan bede om den rigtige vej gennem en offentlig tjeneste.

Uddannelse viser også, hvorfor kompetence ikke kan reduceres til teknisk kunnen. En lærer kan lære, hvordan en model genererer tekst, og stadig skulle beslutte, om brugen af den ændrer forholdet til en elev. En forsker kan forstå en models træningsproces og stadig skulle kontrollere rettigheder og samtykke i dataene. En elev kan måske imponere med at styre et system, men skal stadig kunne genkende, hvornår systemet ikke er en passende kilde. Menneskelig dømmekraft er en færdighed, ikke en rest, der er tilbage efter den tekniske lektion.

Universiteter og faglige organisationer kan hjælpe ved at forbinde fagområder. AI-kompetence hører sammen med jura, datastyring, design, etik, arbejdsmarked, offentlig forvaltning, sundhed og ingeniørvidenskab, ikke i et rum, hvor én specialitet forklarer fremtiden for alle andre. Målet er ikke at gøre enhver til ekspert i alle felter. Det er at gøre det muligt for eksperter at genkende, hvor deres eget felt stopper, og hvor et andet felt må inviteres ind.

Hvad Kommissionen gør ved sig selv

Der er en nyttig forskel mellem en politik, der fortæller andre, hvad de skal gøre, og en institution, der beskriver, hvad den selv gør internt. Kommissionens spørgsmål og svar om artikel 4 omfatter det sidste. De beskriver en intern politik for en arbejdsstyrke med AI-kompetencer, en grundlæggende ramme for AI-kompetence, læringspakker til generalister, ledere og udviklere, værktøjsspecifikke ressourcer, spørgsmål-og-svar-sessioner, et praksisfællesskab, et månedligt nyhedsbrev og et netværk af AI-mestre.

Intet af dette skal behandles som en magisk skabelon. Kommissionen siger selv, at den interne ramme kan ændre sig i lyset af fremtidige anbefalinger. Praksisserne er et eksempel på en institution, der behandler kompetence som et støttesystem snarere end en enkelt begivenhed. En ramme giver sprog. Forskellige læringspakker anerkender forskellige roller. Værktøjsspecifik vejledning forbinder læring med arbejde. Et fællesskab giver spørgsmål et sted at blive stillet. Mestre skaber en vej gennem organisationen uden at gøre dem til de eneste ejere af viden.

Eksemplet indeholder også en stille advarsel. Programmet beskrives i form af opmuntrende læring og praktiske ressourcer, ikke som et bevis på, at enhver medarbejder kan udføre enhver AI-opgave sikkert. Det er den ærlige grænse. En organisation kan opbygge kapacitet og stadig have huller. Den kan tilbyde træning og stadig opdage, at en arbejdsgang mangler en tilsidesættelse. Den kan udgive vejledning og stadig have brug for at revidere den, når et værktøj, en lov eller en opgave ændrer sig.

Kommissionens offentlige repository gør den samme grænse eksplicit. Det samler eksempler for at støtte læring og udveksling, men at reproducere en praksis skaber ikke automatisk en formodning om overholdelse. Den sætning fortjener at blive gentaget, fordi organisationer ofte kopierer et synligt format og efterlader den usynlige ræsonneren bagved. En bootcamp kan være nyttig ét sted og irrelevant et andet. Et e-læringsmodul kan nå alle og ændre ingen. Et praksisfællesskab kan blomstre i en forskningssammenhæng og have brug for en anden form i et offentligt callcenter.

Det praktiske spørgsmål for enhver organisation er ikke, om dens program ligner Kommissionens. Det er, om folk kan bruge det, de har lært, i det øjeblik systemet beder dem om at træffe en vurdering. Hvis de kan, er programmet forbundet med arbejdet. Hvis de ikke kan, har organisationen bygget et bibliotek uden en dør.

Et kapabilitetskort for en almindelig organisation

Det hjælper at kortlægge literacy efter kapabilitet frem for efter fremmøde. Kortet skal vise, hvad organisationen skal gøre, hvem der udfører hver del, hvilke beviser der understøtter det, og hvilken autoritet der forbliver menneskelig. En lille organisation kan tegne dette på én side. En større kan have brug for et register forbundet til systemer, roller og review-cyklusser. Formen betyder mindre end at holde relationerne synlige.

Den første kapabilitet er genkendelse. Organisationen kan liste de AI-systemer, den leverer, implementerer eller bruger på en andens vegne, og beskrive deres formål i almindeligt sprog. Den ved, hvilke værktøjer der er eksperimentelle, hvilke der er godkendte, hvilke der er indlejret i en leverandørtjeneste, og hvilke der kom ind via en individuel konto. Genkendelse er ikke overvågning af enhver medarbejders nysgerrighed. Det er en måde at forhindre, at konsekvensfuld brug gemmer sig bag en indkøbskategori eller en entusiastisk workaround.

Den anden er bevis. For hver opgave ved organisationen, hvilke data systemet modtager, hvilke kilder der er autoritative, hvordan friskhed og tilladelse kontrolleres, og hvilke optegnelser der overlever transformation. Den kan skelne et genereret forslag fra en kildeoptegnelse og et evalueringsresultat fra et produktionsresultat. Bevis er den del af literacy, der gør et krav til noget, en anden person kan inspicere.

Den tredje er vurdering. Organisationen kan angive, hvilke handlinger systemet må tage, hvilke det må foreslå, og hvilke der forbliver menneskelige beslutninger. Den definerer de betingelser, der kræver en afvisning, en eskalering eller en gennemgang. Den gør afvejningen synlig, når en hurtigere vej giver mindre bevis eller mindre mulighed for at bestride. Vurdering er ikke et argument mod automatisering. Det er den del af designet, der siger, hvad automatisering er til for.

Den fjerde er autoritet. Roller tildeles til godkendelse, tilsyn, dataejerskab, håndtering af hændelser, kommunikation med berørte personer, udfordring af leverandører og tilbagetrækning. Rollerne har adgang og tid. En person med en titel, men ingen vej til at stoppe eller ændre systemet, er ikke en tilsynsmekanisme. En eskaleringspostkasse uden ejer er en forslagskasse i formelt tøj.

Den femte er læring. Organisationen registrerer, hvad folk spurgte om, hvor systemet fejlede, hvilke antagelser der ændrede sig, og hvad der blev repareret. Den opdaterer træning, når opgaven ændrer sig, men den ændrer også grænsefladen, bevisvejen, politikken eller kontrakten, når det er den bedre løsning. Læring er ikke en retrospektiv rapport, der ligger ved siden af systemet. Det er systemet, der bliver mere ærligt om sine begrænsninger.

Et kapabilitetskort holder de mennesker, den dokumentation og den autoritet, der omgiver et AI-system, synlige. Det er et kort over arbejde, ikke en deltagerliste.

Sådan får du loopet til at overleve en travl kvartal

De fleste literacy-programmer fejler på den helt almindelige måde. Lanceringen er velbesøgt, materialet er poleret, og så vender det hastende arbejde tilbage. Nye værktøjer kommer gennem en leverandør, et team kopierer en prompt fra et andet team, en politik ændres, eller en modelopdatering dukker op i en release note. Organisationen fortsætter med at tale om literacy, som om det oprindelige kursus stadig er til stede. Det er det ikke. Systemet er bevæget sig, mens læringen forblev stille.

Den første beskyttelse er en tydelig udløser for gennemgang. En ændring af modellen, datakilden, formålet, den berørte befolkning, leverandøren, tærsklen eller den menneskelige rute bør få nogen til at spørge, om den eksisterende praksis stadig passer. Udløseren behøver ikke at nedsætte et udvalg for hver lille ændring. Den skal forhindre, at en væsentlig ændring bliver behandlet som vedligeholdelse, når den ændrer autoritet eller risiko.

Den anden beskyttelse er lokalt ejerskab. Et centralt AI-kontor kan tilbyde vejledning, men den person, der er tættest på opgaven, ser som regel den første uoverensstemmelse mellem systemet og arbejdet. Den person har brug for en navngivet rute til at stille spørgsmål, rapportere et problem og få et svar. Lokalt ejerskab forhindrer også, at programmet bliver til et sæt abstrakte principper, som ingen kan omsætte til morgendagens sag.

Den tredje beskyttelse er et lille sæt genanvendelige spørgsmål. Hvad laver systemet? Hvilken dokumentation bruger det? Hvad kan det ændre? Hvem er berørt? Hvad ville få os til at stoppe? Hvem kan ændre det? Hvilken registrering vil lade os forstå resultatet senere? Disse spørgsmål kan optræde i indkøb, designgennemgang, medarbejdervejledning, en offentlig meddelelse, en hændelsesformular og en træningsøvelse. Gentagelse er ikke en fejl, når spørgsmålet er kontrollen.

Den fjerde beskyttelse er tid. Organisationer beder ofte folk om at udøve skøn i hullerne mellem andre opgaver. Det får den korrekte handling til at se ineffektiv ud. Hvis en reviewer forventes at kontrollere en genereret anbefaling, skal arbejdsbyrden omfatte den kontrol. Hvis en medarbejder forventes at eskalere en bekymring, skal tidsplanen tillade det. Hvis en leder forventes at gennemgå en ny model, skal rollen omfatte gennemgangen. Ellers har organisationen gjort literacy til en frivillig aktivitet og vil blive overrasket, når frivillige er sjældne.

The fifth protection is a visible end to the loop. An escalation should not disappear into an inbox. The person who raised it should know whether the case was accepted, what changed and who owns the next step, subject to privacy and security limits. A small acknowledgement can be more powerful than another policy because it shows that the organisation treats judgement as part of work, not as an interruption to it.

Metrics can help, but they must be chosen carefully. Count how many systems have an owner, how many tasks have a declared evidence boundary, how many changes triggered review, how many escalations received a response and how often a source or policy was repaired. Do not use completion percentages as a proxy for understanding. A hundred per cent completion can coexist with zero authority. A lower completion figure may reveal that the organisation has finally stopped pretending that one lesson fits everyone.

The best measure is not a number. It is the quality of the next question. After the programme, can a team challenge a confident output without being told that the model is only a tool? Can it identify the source and the missing evidence? Can it say what would make the workflow stop? Can an affected person reach a human review? Can the organisation change the system without losing the history of what happened? If the answer improves, the muscle is being used.

What a certificate cannot tell you

A certificate can tell you that a person completed an identified activity. That may be useful for orientation, record-keeping or professional development. It cannot tell you whether the activity matched the system in front of the person, whether the person had a chance to practise, whether the organisation exposed its evidence, whether authority was real, or whether the system changed afterwards. Those questions belong to the organisation and the work.

The distinction is not an argument against courses. Courses can provide a shared starting point, especially when a new vocabulary is needed quickly. They can explain mechanisms, legal context and recurring risks. They can help people who have been excluded from technical conversations enter them without having to pretend they already know the answers. The problem begins when the course is treated as the outcome rather than as one instrument in a larger practice.

A good course should make the next use more demanding. It should leave people with questions they can ask, evidence they can inspect, limits they can state and routes they can use when the system is not enough. It should make a manager less comfortable with a vague claim and a worker more confident in a prudent refusal. It should make the organisation’s own gaps easier to see. Learning that produces only confidence has not necessarily produced literacy.

The law’s current wording helps because it refuses to define one finish line for every person. Article 4 now asks providers and deployers to take measures that support development. The amendment’s recital says literacy should be a strategic priority regardless of regulatory obligations and possible sanctions. That is a stronger foundation than a race to a universal score. It tells organisations to build capability because their work requires it, not because a certificate might quiet a checklist.

Our small note

Hos Dweve er vores lille bidrag Ground truth, en gratis browserbaseret borgervejledning til AI. Det er ikke et certifikat, og det kan ikke gøre en organisation kyndig af sig selv. Det er ét sted at øve det fælles ordforråd, der beskrives her: hvad et system gør, hvilke beviser det bruger, hvilke grænser der betyder noget, og hvor den menneskelige dømmekraft bliver. Vi nævner det som et eksempel på det materiale, vi laver, ikke som bevis på et organisatorisk resultat. Beviset skal fremgå af arbejdet, af de spørgsmål, folk stiller, og af de beslutninger, de får lov til at ændre.

Lærdommen

AI-kyndighed er ikke det øjeblik, hvor en person afslutter et kursus. Det er det øjeblik, hvor en organisation kan se, hvad dens systemer gør, og stadig kan handle, når svaret er usikkert. Bevidsthed navngiver systemet og dets sammenhæng. Kompetence forbinder viden med en opgave og dens beviser. Autoritet gør dømmekraft og indgriben mulig. Vaner holder disse evner i live, når værktøjet, politikken, dataene eller menneskene ændrer sig.

Den europæiske holdning bliver tydeligere. AI-forordningens artikel 4 forbliver et organisatorisk ansvar, men den nuværende lovgivning foreskriver ikke et enkelt individuelt niveau eller certifikat. Kommissionens vejledning peger på kontekst, risiko, rolle og berørte personer. Dens eget interne program kombinerer rammer, rolletilpasset læring, værktøjsvejledning, et fællesskab og en kanal til spørgsmål. Uddannelsesvejledningen og UNESCO's vejledning placerer menneskelig kapacitet, rettigheder og meningsfuld brug ved siden af teknisk forståelse. Ingen af disse kilder lover en genvej. Det er netop deres værdi.

For et offentligt organ er arbejdet at gøre den menneskelige vej synlig og brugbar. For en virksomhed handler det om at forbinde træning med beviser, ejerskab og evnen til at afvise et dårligt workflow. For en skole handler det om at lære folk at stille spørgsmål til et system, før systemet beder dem om at stole på det. For en person, der er berørt af en beslutning, handler det om at have en måde at forstå, hvad der skete, og anmode om gennemgang uden først at skulle lære leverandørens ordforråd.

Musklen vokser, når organisationen øver sig, før konsekvensen indtræffer: genkend, spørg, tjek, beslut, eskalér og reparér. Der vil ikke komme et endeligt certifikat, der siger, at arbejdet er gjort. Det er ikke et hul i programmet. Det er pointen. Et levende system har brug for levende dømmekraft, og levende dømmekraft er noget, en organisation er nødt til at blive ved med at udøve.

Kilder