AI-kunnighet är inte en kurs, det är en organisatorisk muskel

Ett intyg kan visa att någon deltog i en lektion. Det kan inte visa om en organisation kan erkänna ett AI-system, ifrågasätta dess bevis, eskalera ett...

AI-kunnighet är inte en kurs, det är en organisatorisk muskel

Den juridiska meningen som förändrar mötet

Den 24 juli 2026 publicerade Europeiska unionens officiella tidning Digital Omnibus om AI. Bland ändringarna fanns en liten justering av artikel 4 i AI-förordningen. Skyldigheten kvarstår, men lagen kräver inte längre att organisationer lovar en föreskriven eller universell nivå av AI-kompetens för varje individ. Leverantörer och användare är skyldiga att vidta åtgärder som stödjer utvecklingen av kompetens bland sin personal och bland andra personer som använder eller driver AI-system för deras räkning. Ändringen säger också att kommissionen och medlemsstaterna bör stödja dessa insatser, och att AI-nämnden bör arbeta mot gemensamma mål.

Det är en juridisk förändring. Det är också en ledningsfråga. Om det inte finns något universellt provresultat, vad gör en seriös organisation när den inför ett AI-system i en verklig process? Den kan inte svara med ett certifikat ensamt. Ett certifikat kan visa att någon genomfört en lektion. Det kan inte visa att personen kan skilja ett utkast från en godkänd policy, känna igen när en modell är utanför sin uppgift, be om underlaget bakom en rekommendation, stoppa ett arbetsflöde eller hitta ägaren som kan ändra det. Det intressanta med kompetens börjar efter att presentationen har tystnat.

Europeiska kommissionens egna frågor och svar formulerar poängen med ovanlig tydlighet. Det finns inget enskilt format för AI-kompetens och inget krav på ett specifikt certifikat. Organisationen bör beakta sin roll, systemets risk och syfte, kunskapen och erfarenheten hos de inblandade personerna samt sammanhanget där systemet används. Den bör föra en intern dokumentation över utbildning eller andra vägledande initiativ, men en närvarolista är inte samma sak som den förmåga dessa initiativ är avsedda att bygga.

AI-kompetens förstås därför bäst som en muskel i arbete. En muskel bevisas inte genom att man äger ett gymkort. Den byggs genom upprepad, kontextuell ansträngning och blir synlig när situationen är besvärlig. En kompetent organisation kan namnge systemet den använder, ange vad systemet får göra, märka när underlaget är svagt, fråga vem som kan påverkas och dirigera ett osäkert fall till en person med beslutsbefogenhet. Det är mindre glamoröst än en lansering. Det är också där lagen möter det vardagliga arbetet.

Den här artikeln handlar om det vardagliga arbetet. Den är inte en kursplan och inte juridisk rådgivning. Den är ett sätt att skilja på tre saker som ofta blandas samman: medvetenhet, förmåga och befogenhet. Den följer de frågor som uppstår när en offentlig myndighet, ett företag, en skola eller ett professionellt team försöker göra AI användbart utan att lämna över sitt omdöme till en skärm. Exemplen är hämtade från europeisk offentlig vägledning och dokumenterad institutionell praxis. Alla påhittade situationer är markerade som hypotetiska, eftersom en berättelse inte är bevis bara för att den innehåller ett trovärdigt kontor.

Kompetens är en praktik, inte ett märke

Ordet kompetens kom in i AI-debatten med för mycket bagage. Det kan låta som en grundläggande introduktion för personer som ännu inte lärt sig det viktiga ordförrådet. Det kan också låta som en regelefterlevnadsetikett som kan fästas på en person och arkiveras. Ingen av tolkningarna är användbar. Kompetens är förmågan att läsa en situation tillräckligt väl för att agera i den. Att läsa en bok om ett språk är inte samma sak som att förstå ett brev adresserat till dig. Att läsa en definition av ett AI-system är inte samma sak som att veta om verktyget framför dig gör en förutsägelse, hämtar en post, genererar en fortsättning, rangordnar alternativ eller styr ett steg i ett arbetsflöde.

Kommissionens nuvarande förklaring av artikel 4 börjar på rätt ställe: organisationer bör utveckla en allmän förståelse för vad AI är, hur det fungerar, vilka system de använder och vilka möjligheter och risker dessa system medför. Det är en början, inte ett slut. Allmän förståelse ger en person en karta. Kartan blir användbar först när den knyts till en uppgift, en roll, en evidenskälla och en konsekvens.

Tänk dig ett upphandlingsteam som granskar ett verktyg som sammanfattar leverantörernas anbud. Medvetenhet gör att teamet kan inse att verktyget producerar genererad text och kan göra fel. Kompetens gör att en granskare kan testa om sammanfattningen bevarar undantag, villkor och datum, och jämföra den med de underliggande anbuden. Befogenhet avgör vad som händer när sammanfattningen är ofullständig. Kan granskaren avvisa den? Kan teamet kräva att leverantören visar de bakomliggande passagerna? Kan någon pausa utvärderingen medan problemet utreds? Utan befogenhet blir kompetens en privat angelägenhet som arbetsflödet fritt kan ignorera.

Distinktionen spelar roll eftersom organisationer ofta tränar det enklaste lagret. De förklarar vad en modell är, visar några exempel och ber människor att acceptera en användningspolicy. Människor går därifrån med nya ord och de gamla incitamenten. Om snabbhet belönas och ifrågasättande behandlas som obstruktion lär sig en person som upptäcker ett problem att vara tyst. Organisationen kan sedan rapportera hög medvetenhet medan besluten förblir oförändrade. Märket är äkta. Läskunnigheten är dekorativ.

Ett praktikbaserat synsätt ställer en annan fråga: vad bör en person kunna lägga märke till och göra vid den punkt där ett AI-system rör deras arbete? Svaret varierar beroende på roll. En invånare som interagerar med en offentlig tjänst behöver veta när en maskin är inblandad, vad som kan ifrågasättas och var man kan be om en mänsklig väg. En handläggare behöver förstå systemets syfte, evidens, osäkerhet och överstyrningsväg. En chef behöver besluta om uppgiften lämpar sig för automatisering och om teamet har tid att granska resultatet. En utvecklare behöver känna till data- och modellgränsen, felsätten och de register som måste överleva en förändring. Att kalla allt detta för en kurs döljer de skillnader som gör arbetet säkert.

Den nya lagtexten ger utrymme för den variationen. Förordning (EU) 2026/1744 säger att AI-läskunnighet bör börja i utbildning och träning och fortsätta genom livslångt lärande. Den erkänner också att olika leverantörer och distributörer står inför olika bördor och sammanhang. Detta är inte en inbjudan att göra ingenting. Det är en inbjudan att sluta låtsas att ett enda prov kan mäta förmågan att agera ansvarsfullt inom varje system, sektor och grupp av berörda människor.

Praktik har ytterligare en användbar egenskap: den avslöjar luckor utan att skamma människor för att de har dem. En person kan förstå att en språkmodell förutsäger sannolika fortsättningar och ändå inte veta hur ett särskilt hämtningssystem väljer dokument. En dataförvaltare kan förstå härkomst och ändå sakna behörighet att ändra indexet. En chef kan veta att en människa måste övervaka ett högrisk-system och ändå inte ha avsatt tid för meningsfull granskning. Dessa är designluckor, inte personliga moraliska misslyckanden. En läskunnig organisation gör dem synliga så att den kan reparera dem.

AI-kunnighet blir synlig när en användning av systemet gör att nästa användning förstås bättre, inte bara när en person genomför en lektion.

Medvetenhet är dörren, inte rummet

Medvetenhet avfärdas ofta för att det låter mjukt. Det är ett misstag. Människor kan inte ifrågasätta ett system de inte kan namnge, och de kan inte namnge ett system om all programvara beskrivs som intelligent. Medvetenhet ger en organisation ett gemensamt språk för att skilja en modell från ett gränssnitt, en förutsägelse från ett beslut, en källa från en sammanfattning, en instruktion från en hämtad innehållsdel och en konfidensvisning från bevis på korrekthet.

Ordförrådet behöver inte vara storslaget. Det behöver vara tillräckligt exakt för att stoppa ett kategorifel. En sökmotor, en regelbaserad behörighetskontroll, en klassificerare, en generativ assistent och en arbetsflödesagent kan alla förekomma i samma produktkatalog. Deras mekanismer och risker är olika. Om personalen kallar allt för AI och stannar där, förlorar de de frågor som borde följa. Vilka data ser systemet? Vad är dess avsedda syfte? Vad returnerar det? Vem agerar på resultatet? Vilka fel spelar roll? Vad kan ångras? Vilka människor påverkas även om de aldrig rör gränssnittet?

Medvetenhet inkluderar också den sociala kontexten. UNESCO:s vägledning för generativ AI inom utbildning och forskning beskriver mänsklig kapacitet som en del av ett människocentrerat förhållningssätt. Den placerar teknisk förståelse bredvid integritet, jämlikhet, inkludering, språklig och kulturell mångfald samt meningsfull användning. Poängen är inte att varje anställd måste bli en policyforskare. Poängen är att ett system inte blir neutralt bara för att det placeras i en välbekant applikation. Samma genererade stycke kan vara ett ofarligt skrivhjälpmedel i en miljö och ett oreviderat beslut i en annan.

En person som är medveten om kontexten kan höra skillnaden mellan en begäran om hjälp och en delegering av befogenhet. Be systemet föreslå frågor till ett möte och användaren förblir mötets författare. Be det avgöra vilken boende som får en sällsynt tjänst och systemet har trätt in i ett annat moraliskt och juridiskt territorium. Orden på skärmen kan se likadana ut. Uppgiftsgränsen gör det inte. Medvetenhet är vanan att lägga märke till att gränsen har flyttats.

Offentliga institutioner behöver denna medvetenhet i en särskilt disciplinerad form. Deras system kan påverka människor som inte kan välja bort, som inte vet vilka automatiserade verktyg som är inblandade, eller som inte har råd att göra ett andra försök efter ett misstag. En tjänstegrupp behöver därför mer än ett allmänt uttalande om att AI kan vara felaktig. Den behöver ett ordförråd för att förklara den väg en person kan ta när systemet har fel, när data saknas eller när svaret aldrig borde ha automatiserats.

Företag behöver samma vokabulär av mindre synliga skäl. En leverantör kan beskriva ett rankningssystem som beslutsstöd, medan kundens process behandlar rankningen som ett beslut eftersom ingen har tid att granska den. En marknadsföringsteam kan använda ett översättningsverktyg för interna utkast och sedan klistra in resultatet i ett offentligt meddelande utan en andra kontroll. En rekryteringsteam kan kalla en screeningpoäng för en bekvämlighet och tyst använda den för att sortera bort sökande. Medvetenhet blottlägger dessa förskjutningar innan de begravs i ett processflödesschema.

Medvetenhet bör därför testas genom språk som tillhör organisationen. Be ett team beskriva ett system utan att använda orden smart, automatiserad eller intelligent. Fråga vilken information det tar emot, vad det producerar och vem som kan ändra resultatet. Om förklaringen blir vag har organisationen hittat ett användbart utbildningsbehov. Övningen är enkel, men enkelhet har en lång historia av att underskattas av människor som uppskattar en komplicerad instrumentpanel.

Kompetens har en uppgift kopplad till sig

Kompetens är mer krävande än igenkänning eftersom den är specifik. En person är inte bara kompetent med AI. De är kompetenta att utföra en definierad uppgift med ett definierat system under definierade villkor. Kommissionens frågor och svar kopplar upprepade gånger läskunnighet till systemets sammanhang och syfte, kunskapen hos de inblandade personerna och risken med användningen. Det är en bättre beskrivning av kompetens än en lista med generiska prompt-trick.

För en vanlig användare kan kompetens innebära att veta vilken information som kan matas in, vilken utdata som behöver kontrolleras, hur källmaterialet bevaras och när man ska sluta. Det kan inkludera förmågan att skilja ett genererat svar från ett hämtat avsnitt, att inspektera länken bakom ett påstående, att upptäcka en saknad kvalifikation och att rapportera ett fel på ett sätt som en annan person kan återskapa. Det är praktiska färdigheter. De kräver inte att användaren implementerar en transformer, men de kräver mer än att tro att systemet har läst organisationens policy.

För en granskare inkluderar kompetens förmågan att utmana utdata. Granskaren behöver en testuppsättning som liknar arbetet, ett sätt att se vilka bevis systemet använde och en tydlig redogörelse för vad som räknas som ett acceptabelt resultat. Om uppgiften rör en allmän rättighet eller en persons försörjning behöver granskaren också tillräcklig domänkunskap för att känna igen ett svar som är grammatiskt rent men sakligt felaktigt. Flyt är en gränssnittsegenskap. Kompetens är en bedömning av uppgiften.

För en chef inkluderar kompetens att avgöra om uppgiften överhuvudtaget bör automatiseras. Det beslutet kräver en förståelse för arbetet under etiketten. En uppgift kan vara repetitiv och ändå innehålla ett avgörande undantag. Ett beslut kan vara rutinmässigt för en erfaren yrkesperson och ändå vara för konsekvensrikt för att delegeras utan en synlig överklagandeväg. En process kan vara tekniskt mätbar och socialt olämplig att optimera. Chefer som inte kan ställa dessa frågor lämnar designen till leverantören och standardinställningarna.

För en ingenjör inkluderar kompetens att göra systemets gräns inspekterbar. Vilken modellversion kördes? Vilken data var tillgänglig? Vilka verktygsanrop var tillåtna? Vilken policy eller prompt tillämpades? Vilket osäkerhets- eller avvisningsvillkor uppnåddes? Vad händer när en källa är inaktuell, motstridig eller saknas? Teknisk personal behöver inte lösa varje styrningsfråga, men de behöver hindra systemet från att radera den information som styrningen senare kommer att kräva.

De högriskrelaterade bestämmelserna i AI-förordningen gör detta konkret. I kommissionens frågor och svar anges att de som använder högrisksystem måste säkerställa att personal som i praktiken arbetar med dessa system är utbildad att hantera dem och att säkerställa mänsklig tillsyn. Det räcker inte att bara placera instruktioner bredvid verktyget. De som utför arbetet behöver kompetensen och de praktiska förutsättningarna för att använda tillsynsmekanismen. Om operatören inte kan förstå resultatet eller inte kan avbryta processen har ordet mänsklig i mänsklig tillsyn blivit ett dekorativt substantiv.

Kompetens växer när organisationen låter människor öva under realistiska förutsättningar. Ett integritetsteam kan arbeta igenom ett hypotetiskt ärende som innehåller personuppgifter och besluta vad som får föras in i systemet. Ett team inom offentlig service kan öva på ett avslag och en eskalering utan att använda en verklig invånares ärende. Ett produktteam kan spela upp en ändrad modell mot en fast utvärderingsuppsättning och diskutera vilka skillnader som spelar roll. Dessa övningar är inte bevis för att en framtida driftsättning kommer att vara säker. De är repetition inför de beslut som säkerheten kräver.

Det finns en viktig begränsning. Kompetens kan inte kompensera för utebliven evidens. En mycket skicklig granskare kan inte verifiera ett påstående när källan har försvunnit, och en välutbildad operatör kan inte åsidosätta ett system om gränssnittet inte erbjuder någon åsidosättningsfunktion. Utbildning kan blottlägga frånvaron, men den kan inte fylla den genom entusiasm. Organisationer svarar ibland på en saknad kontroll genom att schemalägga ytterligare en kurs. Schemat blir ett monument över den kontroll som aldrig byggdes.

Befogenhet är den saknade hälften

Befogenhet är den del av AI-kompetensen som organisationer föredrar att lämna outtalad. Den handlar om vem som får besluta, vem som får neka, vem som får pausa en process, vem som får ändra en regel och vem som bär konsekvenserna när ett system har fel. Befogenhet är inte detsamma som senioritet. En senior person kan godkänna ett system och ändå inte kunna granska dess evidens. En medarbetare i frontlinjen kan se ett problem först och ändå få beskedet att endast en leverantör kan ändra det.

Mänsklig tillsyn beskrivs ofta som om en person som står nära en instrumentpanel vore tillräckligt. Det är det inte. Tillsyn kräver en person med tid, kunskap och befogenhet att förstå resultatet, inse när det ligger utanför tillämpningsområdet och ingripa. AI-förordningens krav för högrisksystem gör utbildningspunkten uttrycklig, men den underliggande principen gäller mer allmänt. En person kan inte utöva tillsyn över en process som behandlar ingripande som ett effektivitetsmisslyckande.

Betrakta en hypotetisk bostadstjänst som använder ett verktyg för att sortera inkommande ansökningar för granskning. Systemet kan få föreslå en ordning, men organisationen måste ändå besluta vad som händer när källposten är ofullständig, när en invånares omständigheter inte passar in i kategorierna eller när sorteringsregeln står i konflikt med en lagstadgad skyldighet. Ett kompetent team vet inte bara att modellen kan ha fel. Det vet vem som kan stoppa kön, vem som kan göra ett undantag, vilken registrering som görs och hur invånaren informeras om vad som har hänt. Exemplet är medvetet hypotetiskt. Dess syfte är att visa att befogenhet är en egenskap i arbetsflödet, inte en personlighetsegenskap.

Befogenhet har också en omvänd riktning. Människor som påverkas av ett system behöver en väg att ifrågasätta det, även när de aldrig har valt systemet. En kund, student, patient, sökande eller invånare kanske inte behöver förstå modellens interna matematik. De behöver däremot veta om en maskin var inblandad, vilken typ av beslut den påverkade, vilket mänskligt kontor som kan granska resultatet och vilken information som skulle underlätta den granskningen. Kompetens tillhör personen som tar emot resultatet lika mycket som personen som använder verktyget.

Det är därför eskalering inte är ett straff. Det är en informationsväg för ärenden som den automatiserade processen inte på ett säkert sätt kan hantera. En användbar eskalering ska beskriva vad systemet ombads göra, vilka bevis det såg, vad det returnerade, varför resultatet ifrågasattes och vem som beslutade vad som skulle hända härnäst. Den behöver inte göra varje vanlig interaktion till en juridisk handling. Den behöver däremot bevara tillräckligt med sammanhang för att ett upprepat fel ska bli synligt i stället för att avfärdas som ett isolerat användarklagomål.

Befogenheter bör övas in före driftsättning. Vem trycker på stopp? Vem kan godkänna en ny modell? Vem kan ändra ett tröskelvärde? Vem äger en omtvistad datakälla? Vem kan säga till en leverantör att ett resultat inte är acceptabelt? Vem informerar de berörda? Vem beslutar om systemet ska återgå i drift efter en incident? Om svaren är namn i stället för roller är upplägget skört. Människor slutar, byter jobb eller sitter i möte. Roller överlever en kalender.

Det mest humana svaret är inte alltid att lägga fler beslut på en redan hårt belastad yrkesperson. Befogenhet har ett pris. Den kräver tid, tillgång till bevis, stöd från ledningen och en process som inte straffar en välgrundad vägran. Om en organisation ger nominell befogenhet utan dessa förutsättningar skapar den en syndabock snarare än tillsyn. Personen blir ansvarig för ett utfall som hen inte var rustad att påverka. Det är ett välbekant ledarskapsmönster med ett nytt gränssnitt.

Källdisciplinen bakom varje svar

AI-kunnighet beskrivs ofta utifrån resultat, eftersom resultat är vad människor ser. Den svårare delen är att lära sig fråga vad som matades in i systemet. Ett genererat svar kan vara flytande medan källmaterialet är inaktuellt, ofullständigt, obehörigt eller blandat med material som aldrig var avsett att styra uppgiften. Ett hämtningssystem kan returnera ett relevant stycke från fel version av en policy. En sammanfattning kan utelämna meningen som bär ett undantag. En prompt kan innehålla en instruktion förklädd till dokument. Källdisciplin är vanan att behandla indata som styrt material snarare än som bekvämt sammanhang.

Människor behöver inte känna till alla implementeringsdetaljer för att utöva källdisciplin. De behöver ställa en kort uppsättning frågor. Vad är källan? Vem äger den? När var den giltig? Är den auktoritativ för den här uppgiften? Har den omvandlats? Kan systemet visa den passage eller post som formade svaret? Vilka data uteslöts, och av vilken anledning? Vad ska hända när två källor inte överensstämmer? Dessa frågor är lika användbara för en policyassistent, ett kliniskt sökverktyg, en kodassistent och en offentlig informationstjänst.

En källa är inte auktoritativ bara för att den är lätt att hämta. Delade mappar innehåller utkast. Databaser innehåller dubbletter. En modellgenererad sammanfattning kan ha indexerats som om den vore en primär post. En översättning kan ha förlorat en juridisk kvalificering. Ett dokument kan vara aktuellt och ändå ligga utanför det syfte för vilket systemet får använda det. Kunnighet gör dessa åtskillnader till en del av det normala arbetet snarare än en specialistfråga som dyker upp först efter ett klagomål.

Källdisciplin förändrar också hur människor talar om säkerhet. Ett resultat med hög säkerhet är inte starka bevis om den relevanta källan saknas. Ett försiktigt resultat kan vara det ansvarsfulla när källmaterialet är ofullständigt. Organisationen bör inte träna användare att belöna flytande säkerhet och straffa en användbar vägran. Om systemet inte kan svara inom det tillåtna bevismaterialet kan nästa steg vara att hitta ägaren till källan, be om en mänsklig bedömning eller avgränsa frågan.

The source path should be visible at the right level. A user may need a link to the policy passage. A reviewer may need the version and transformation history. An auditor may need the complete input lineage. The information can be layered without being hidden. A tool that shows only a green confidence badge asks the user to trust an abstraction. A tool that shows the evidence and its limits lets the user exercise judgement.

This is also a literacy issue for procurement. A buyer should ask whether the supplier can describe the data boundary, export records, preserve version history, and explain what happens when a source is withdrawn. These are not only technical requirements. They determine whether the organisation can learn from an error. If the contract gives the buyer an answer but not the evidence behind it, the buyer has purchased prose and retained the risk.

Escalation is a form of knowledge

Organisations often treat escalation as a sign that the system has failed to deliver efficiency. A better view is that escalation is how the organisation learns where automation stops being trustworthy. Every escalation contains information about the boundary between the task and the world. The case may be unusual, the source may be defective, the policy may be ambiguous, the interface may have hidden a condition, or the workflow may have assigned authority to the wrong person.

A good escalation route is specific. It tells the user what to record, who receives the case and what response to expect. It distinguishes a missing source from a suspected harmful output, and a technical outage from a policy conflict. The distinction is not paperwork for its own sake. It allows the organisation to repair the correct layer. Re-training a model cannot fix a missing legal source. Updating a policy cannot fix an interface that gives nobody the ability to stop.

Escalation must be safe for the person who uses it. If a worker is measured only on speed, every escalation looks like a personal cost. If a public-service employee risks criticism for delaying a case, the system will accumulate silent overrides rather than visible records. Management has to make the prudent route legitimate. The alternative is a culture in which people are literate enough to see the problem and disciplined enough to hide it.

The European Commission’s own internal measures, described in its Article 4 questions and answers, are instructive because they extend beyond a single course. The Commission says it has developed an internal competency framework for basic AI literacy, learning packages for different groups including generalists, managers and developers, a portal with tool-specific resources, question-and-answer sessions, a community of practice, a monthly newsletter and an AI Champions network. These are not presented as a universal template, and the Commission notes that its internal framework may change as common objectives evolve. The important idea is the network: knowledge has a route through the organisation.

A community of practice is useful because it turns isolated questions into shared memory. A person can ask why a system behaved oddly, compare the answer with another team’s experience, and find someone who understands the domain. That does not replace formal ownership. It makes ownership easier to locate. A newsletter can point to a new risk, but it cannot decide whether a local workflow should change. An AI champion can help a team learn, but should not become the only person who knows how the system works.

Eskalering bör också återkoppla till utbildningen. Om samma förvirring återkommer upprepade gånger handlar det inte längre om en individuell kunskapslucka. Det kan innebära att gränssnittet är missvisande, att policyn är otydlig, att underlaget inte visas eller att rollgränsen är felaktig. Organisationen kan då uppdatera det relevanta lagret. Utbildning är ett alternativ. En bättre etikett, en säkrare standardinställning, en ytterligare registrering eller en ändrad godkännandeväg kan göra mer.

Den återkopplingen är anledningen till att muskelmetaforen är betydelsefull. En muskel växer genom motstånd. Eskaleringar är motståndet i ett AI-arbetsflöde. Ta bort dem för att instrumentpanelen ska se lugn ut, så förlorar organisationen de signaler som skulle ha gjort den starkare. Ett tyst system kan vara hälsosamt. Det kan också vara ett system där användarna har slutat rapportera vad de ser.

Vanor slår händelser

En kurs är en händelse. Läskunnighet är ett mönster av små beteenden som upprepas före, under och efter att ett system används. Före användning identifierar människor uppgiften, syftet, de tillåtna uppgifterna, de berörda personerna och den myndighet som förblir mänsklig. Under användning kontrollerar de underlaget, lägger märke till osäkerhet, registrerar viktiga beslut och eskalera när systemet lämnar sin gräns. Efter användning granskar de resultaten, bevarar relevanta register och reparerar källan, policyn, utbildningen eller systemet när samma problem återkommer.

Dessa vanor måste utformas in i arbetet. En uppmaning som ber om källan bakom ett svar är mer användbar än en affisch som säger var kritisk. Ett obligatoriskt fält för beslutsägaren är mer användbart än en utbildningsbild om ansvarsskyldighet. En synlig stoppkontroll är mer användbar än ett stycke som påminner personalen om att de behåller ansvaret. Kontroller är inte ersättningar för omdöme, men de kan göra gott omdöme lättare att utöva en tisdagseftermiddag.

Vanor måste också passa arbetets takt. En allmän informationsdisk kan inte genomföra en lång granskning för varje utkast med låga konsekvenser. Ett säkerhetskritiskt arbetsflöde kan inte behandla en snabb visuell kontroll som meningsfull tillsyn. Organisationen bör definiera nivåer av underlag och granskning som matchar uppgiften och dess möjliga konsekvenser. Poängen är proportionalitet, inte minimalism. En liten uppgift med stor effekt på en annan person förtjänar mer omsorg än en stor uppgift utan meningsfull konsekvens.

Det finns en användbar skillnad mellan en regel och en vana. En regel säger att du inte ska ange konfidentiella uppgifter i ett ej godkänt verktyg. En vana frågar, innan du öppnar verktyget, vilka uppgifter som faktiskt är nödvändiga och om syftet tillåter användningen. En regel säger att en människa måste granska en rekommendation. En vana frågar om granskaren har underlaget, tiden och myndigheten att göra granskningen verklig. En regel säger rapportera incidenter. En vana lägger märke till nära ögat-händelser innan de blir rapporterbara incidenter och behandlar dem som lärandematerial.

Vanor kan observeras utan att göra människor till övervakningsobjekt. Organisationen kan inspektera om ett arbetsflöde visar sin källa, om en eskaleringsväg används, om modelländringar utlöser en granskning och om register kan spelas upp. Den bör inte förväxla ett högt antal klick med en hög nivå av läskunnighet. En person kan bocka i varje ruta och ändå missförstå beslutet. Observerbarhet är användbar när den mäter förutsättningarna för omdöme, inte när den belönar skenet av efterlevnad.

AI-kontorets förråd av läskunnighetspraxis följer denna praktiska logik. Kommissionen beskriver mer än fyrtio initiativ från företag och offentlig sektor, inklusive e-lärande, utbildning på plats, bootcamps och samarbete mellan industri och akademi. Den anger också att kopiering av en praxis från förrådet inte automatiskt skapar en presumtion om efterlevnad. Denna friskrivning är viktig. En praxis kan vara en användbar idé utan att vara bevis för att en annan organisation har hanterat sitt eget sammanhang.

Det som kan lånas är vanan att fråga hur en praktik är kopplad till arbetet. Når den människorna som driver systemet? Täcker den riskerna i uppgiften? Ger den människor en väg att ifrågasätta och korrigera? Förändras den när systemet eller sammanhanget förändras? Skapar den ett underlag som hjälper organisationen att lära sig? Formatet kan variera. Frågorna bör förbli desamma.

Människorna som systemet används på

AI-kunnighet riktas ofta till personalen eftersom personalen är den lättaste publiken att samla i ett rum. Lagen och allmänintresset är vidare. Kommissionens förklaring uppmanar organisationer att beakta de människor eller grupper som deras system används på. Den formuleringen håller den berörda personen kvar i designkonversationen även när de aldrig ser modellen, aldrig samtyckt till utrullningen och aldrig fått inbjudan till utbildningen.

För berörda människor innebär kunnighet en annan typ av tillgång. De kan behöva veta att ett automatiserat system har påverkat en tjänst, vilken typ av påverkan det hade, vilken information som beaktades och hur man begär en granskning. De exakta rättigheterna och meddelandena beror på systemet och tillämplig lag. Den allmänna principen är stabil: en person ska inte behöva förstå maskininlärning innan de kan ifrågasätta ett beslut som betyder något för dem.

Kommunikation är en del av kontrollen. Ett meddelande fullt av tekniska termer kan vara formellt transparent och praktiskt värdelöst. En kort förklaring som anger syftet, den mänskliga vägen och begränsningen kan göra mer för handlingskraften. Organisationen bör testa förklaringen med människorna som behöver den, inte bara med ingenjörerna som byggde systemet. Tydlighet är inte en dekorativ egenskap. Den avgör om en utmaning kan inledas.

Språk spelar också roll här. UNESCO:s vägledning placerar språklig och kulturell mångfald inom sin människocentrerade ansats till generativ AI. Ett översatt meddelande kan fortfarande misslyckas om det tappar skillnaden mellan en inbjudan och en skyldighet, eller om det använder en term som människor inte känner igen i tjänsten de försöker nå. Kunnighet inkluderar därför förmågan att fråga om budskapet överlevde översättningen och om personen kan använda det för att agera.

Offentliga institutioner bör vara särskilt försiktiga med idén om informerat användande. Människor blir inte informerade för att en webbsida innehåller en upplysning. De blir informerade när förklaringen kommer vid den punkt där den påverkar deras val, när den mänskliga vägen är verklig, och när institutionen kan visa vad den gjorde med informationen den fick. Bördan är högre när institutionen innehar makt och personen saknar praktiska alternativ.

Företag står inför samma fråga i kund- och anställningstjänster. Ett företag kan utbilda sin personal grundligt och ändå lämna kunder oförmögna att förstå varför en poäng påverkade deras ansökan. En arbetsplats kan utbilda chefer och ändå lämna arbetstagare underkastade ett schemaläggningssystem de inte kan ifrågasätta. Kunnigheten är ofullständig när organisationen förstår sitt verktyg men personen som bär konsekvensen lämnas med en svart låda och ett generiskt kontaktformulär.

Att designa för berörda människor förbättrar också systemet. Frågor från boende, patienter, sökande och arbetstagare avslöjar ofta antaganden som intern testning missade. Frågan är inte om varje klagomål är korrekt. Frågan är om organisationen kan skilja en individuell oenighet från ett mönster som signalerar en bristfällig datakälla, en orättvis tröskel eller en missvisande förklaring. En väg för utmaning är också en väg för bevis.

En offentlig institution måste lära ut sina egna gränser

Offentliga institutioner har en undervisande roll även när de inte ser sig själva som pedagoger. Varje automatiserad tjänst lär människor vad institutionen betraktar som normalt, bevisbart och möjligt att ifrågasätta. Ett system som bara accepterar strukturerad bevisning lär invånarna att deras liv måste passa in i en mall. Ett system som returnerar en genererad förklaring utan en mänsklig väg framåt lär dem att institutionen har delegerat ansvaret. Ett system som tydligt anger sina begränsningar lär en annan läxa: teknik kan stödja en offentlig uppgift, men den ersätter inte uppgiften.

Europeiska kommissionens uppdaterade etiska riktlinjer för användning av AI och data i undervisning och lärande är ett konkret offentligt exempel på detta undervisningsarbete. Riktlinjerna riktar sig främst till lärare och pedagogisk personal, inklusive personer med liten eller ingen tidigare erfarenhet och personer med avancerad digital kompetens. Uppdateringen från 2026 lägger till praktiska scenarier, en uppdaterad ordlista och juridisk kontext som omfattar AI-förordningen och GDPR. Formen är pedagogisk, men principen fungerar väl även i andra sammanhang: människor behöver definitioner, frågor och exempel som hjälper dem att fatta kontextbaserade beslut.

Riktlinjerna gör inte lärare till regelefterlevnadsansvariga. De hjälper pedagoger att förstå potentiella fördelar, dolda risker och det ansvar som följer med att använda AI och data kring elever. Den distinktionen är viktig. God digital kompetens gör inte en yrkesperson misstänksam mot alla verktyg. Den ger dem tillräcklig förståelse för att välja var ett verktyg hjälper, var det behöver begränsningar och var den mänskliga relationen måste förbli central.

En hypotetisk skolstyrelse illustrerar skillnaden. Om den köper in en skrivassistent och erbjuder en allmän demonstration kan lärare lära sig att producera material snabbt. Om den också frågar vilka elevuppgifter som matas in i systemet, hur genererat material kontrolleras, hur en elev kan ifrågasätta en automatisk flaggning och vem som kan stoppa verktyget, bygger styrelsen institutionell kompetens. Det andra samtalet kan vara långsammare. Det är också det samtal som gör det första ansvarsfullt.

Offentliga institutioner bör publicera sitt eget lärande i den utsträckning som sekretess och säkerhet tillåter. En kort beskrivning av ett systems syfte, bevisgräns, granskningsväg och kända begränsningar kan hjälpa invånare, personal och leverantörer att tala om samma objekt. Offentlig dokumentation ger också civilsamhället och tillsynsorgan något konkret att ifrågasätta. Ett vagt löfte om ansvarsfull innovation lämnar alla att argumentera om tonläget.

Det finns en demokratisk dimension i detta. AI-kompetens beskrivs ibland som ett arbetskraftsprogram, som om medborgare bara vore framtida anställda. Medborgare är också väljare, patienter, hyresgäster, föräldrar, sökande, grannar och personer vars uppgifter förekommer i någon annans arbetsflöde. Deras förmåga att förstå och ifrågasätta automatiserade system är en del av den offentliga kapacitet som krävs för demokratisk kontroll. Ett samhälle som bara kan diskutera AI genom leverantörsdemonstrationer har lagt ut sitt ordförråd på entreprenad.

Utbildning är en organisatorisk repetition

Skolor och universitet är naturliga platser för att diskutera AI-kompetens, men läxan ska inte stanna vid klassrummet. UNESCO:s vägledning säger att generativ AI förändras snabbare än många nationella regelverk och efterfrågar att mänsklig kapacitet håller jämna steg. Det är inte en anledning att skynda in alla verktyg i undervisningen. Det är en anledning att lära människor att utvärdera verktyg, skydda data, känna igen begränsningar och fråga vem som gynnas av en viss användning.

Europeiska kommissionen och OECD presenterade i juni 2026 en ram för AI-kunnighet för grund- och gymnasieskola. Ramen beskrivs som en gemensam referens för skolor, lärare, skolledare, beslutsfattare och utbildningsdesigner, med utrymme för anpassning till lokala förhållanden. En gemensam referens är användbar eftersom den minskar frestelsen att definiera kunnighet som den funktion som en leverantör råkar sälja. Anpassning är lika viktig eftersom en skola, ett forskningsinstitut och en offentlig verksamhet inte står inför samma uppgifter eller berörda människor.

Utbildning kan föregå med gott exempel för de vanor som organisationer senare behöver. Elever kan jämföra en genererad förklaring med en källa, dokumentera vad som ändrats, ifrågasätta ett självsäkert svar och diskutera när en människa bör förbli ansvarig. Lärare kan göra osäkerhet synlig i stället för att behandla den som ett misslyckande i lektionen. Skolledare kan göra upphandlings- och datafrågor till en del av beslutet i stället för att lämna dem till en entusiastisk individ med ett gratiskonto.

Dessa metoder handlar inte om att göra barn ansvariga för styrningen av kommersiella system. De handlar om att ge människor ett varaktigt ordförråd innan de kommer in på arbetsplatser och i offentliga institutioner där insatserna kan vara högre. Vuxna behöver samma möjlighet. En chef som lärde sig att ifrågasätta källor i skolan kan använda den vanan i ett upphandlingsmöte. En invånare som vet att en modell kan ha fel men ändå vara inflytelserik kan be om rätt väg genom en offentlig tjänst.

Utbildning visar också varför kunnighet inte kan reduceras till teknisk kompetens. En lärare kan lära sig hur en modell genererar text och ändå behöva avgöra om användningen förändrar relationen till en elev. En forskare kan förstå en modells träningsprocess och ändå behöva kontrollera rättigheter och samtycke i datan. En elev kan imponera med sina förmågor att styra ett system och ändå behöva inse när systemet inte är en lämplig källa. Mänskligt omdöme är en färdighet, inte en rest som blir kvar efter den tekniska lektionen.

Universitet och yrkesorganisationer kan hjälpa till genom att koppla samman discipliner. AI-kunnighet hör hemma inom juridik, datahantering, design, etik, arbetsliv, offentlig förvaltning, hälsa och ingenjörsvetenskap, inte i ett rum där en specialitet förklarar framtiden för alla andra. Målet är inte att göra varje människa till expert inom alla områden. Det är att göra det möjligt för experter att inse var deras eget område slutar och var ett annat område måste bjudas in.

Vad kommissionen gör med sig själv

Det finns en användbar skillnad mellan en policy som säger åt andra vad de ska göra och en institution som beskriver vad den gör internt. Kommissionens frågor och svar om artikel 4 innehåller det senare. De beskriver en intern policy för en AI-kunnig arbetsstyrka, en grundläggande ram för AI-kunnighet, utbildningspaket för generalister, chefer och utvecklare, verktygsspecifika resurser, frågestunder, en praxisgemenskap, ett månatligt nyhetsbrev och ett nätverk av AI-champions.

Inget av detta bör behandlas som en magisk mall. Kommissionen säger själv att den interna ramen kan ändras i ljuset av framtida rekommendationer. Metoderna är ett exempel på en institution som behandlar kunnighet som ett stödsystem snarare än en enskild händelse. En ram ger språk. Olika utbildningspaket erkänner olika roller. Verktygsspecifik vägledning kopplar lärande till arbete. En gemenskap ger frågor någonstans att ta vägen. Champions skapar en väg genom organisationen utan att göra dem till enda ägare av kunskap.

Exemplet innehåller också en stilla varning. Programmet beskrivs i termer av uppmuntrat lärande och praktiska resurser, inte som ett bevis på att varje anställd kan utföra varje AI-uppgift på ett säkert sätt. Det är den ärliga gränsen. En organisation kan bygga upp kapacitet och ändå ha luckor. Den kan erbjuda utbildning och ändå upptäcka att ett arbetsflöde saknar en överstyrning. Den kan publicera vägledning och ändå behöva revidera den när ett verktyg, en lag eller en uppgift förändras.

Kommissionens offentliga databas gör samma gräns tydlig. Den samlar exempel för att stödja lärande och utbyte, men att återskapa en praxis skapar inte automatiskt en presumtion om regelefterlevnad. Den meningen förtjänar att upprepas, eftersom organisationer ofta kopierar ett synligt format och lämnar det osynliga resonemanget därhän. En bootcamp kan vara användbar på en plats och irrelevant på en annan. En e-lärningsmodul kan nå alla och förändra ingen. En praktikgemenskap kan blomstra i en forskningsmiljö och behöva en annan form i ett offentligt callcenter.

Den praktiska frågan för varje organisation är inte om dess program liknar kommissionens. Det är om människor kan använda det de lärt sig i det ögonblick systemet ber dem fatta ett omdöme. Om de kan det är programmet kopplat till arbetet. Om de inte kan det har organisationen byggt ett bibliotek utan dörröppning.

En kapacitetskarta för en vanlig organisation

Det hjälper att kartlägga läsförmåga utifrån kapacitet snarare än närvaro. Kartan bör visa vad organisationen behöver göra, vem som utför varje del, vilka bevis som stöder den och vilken auktoritet som förblir mänsklig. En liten organisation kan rita detta på en sida. En större kan behöva ett register kopplat till system, roller och granskningscykler. Formen spelar mindre roll än att hålla relationerna synliga.

Den första kapaciteten är igenkänning. Organisationen kan lista de AI-system den tillhandahåller, distribuerar eller använder på någon annans vägnar, och beskriva deras syfte i vanligt språk. Den vet vilka verktyg som är experimentella, vilka som är godkända, vilka som är inbäddade i en leverantörstjänst och vilka som kom in via ett enskilt konto. Igenkänning är inte övervakning av varje anställds nyfikenhet. Det är ett sätt att hindra konsekvent användning från att gömma sig bakom en upphandlingskategori eller en entusiastisk kringgående lösning.

Den andra är bevis. För varje uppgift vet organisationen vilka data systemet tar emot, vilka källor som är auktoritativa, hur färskhet och behörighet kontrolleras och vilka register som överlever transformation. Den kan skilja ett genererat förslag från en källpost och ett utvärderingsresultat från ett produktionsutfall. Bevis är den del av läsförmågan som gör ett påstående till något en andra person kan granska.

Den tredje är omdöme. Organisationen kan ange vilka åtgärder systemet får vidta, vilka det får föreslå och vilka som förblir mänskliga beslut. Den definierar villkoren som kräver ett avslag, en eskalering eller en granskning. Den gör avvägningen synlig när en snabbare väg ger mindre bevis eller mindre möjlighet att bestrida. Omdöme är inte ett argument mot automatisering. Det är den del av designen som säger vad automatisering är till för.

Den fjärde är auktoritet. Roller tilldelas för godkännande, tillsyn, dataägarskap, incidenthantering, kommunikation med berörda personer, utmaning av leverantörer och tillbakadragande. Rollerna har åtkomst och tid. En person med en titel men ingen väg att stoppa eller ändra systemet är inte en tillsynsmekanism. En eskaleringse-postlåda utan ägare är en förslagslåda i formell klädsel.

Den femte är lärande. Organisationen dokumenterar vad människor frågade, var systemet misslyckades, vilka antaganden som förändrades och vad som reparerades. Den uppdaterar utbildningen när uppgiften förändras, men den ändrar också gränssnittet, bevisvägen, policyn eller avtalet när det är den bättre lösningen. Lärande är inte en retrospektiv rapport som ligger bredvid systemet. Det är systemet som blir mer ärligt om sina begränsningar.

En förmågekarta håller människorna, bevisen och mandaten kring ett AI-system synliga. Det är en karta över arbetet, inte en närvarolista.

Så överlever loopen en hektisk kvartal

De flesta kompetensprogram misslyckas på det vanliga sättet. Lanseringsdagen är välbesökt, materialet är polerat, och sedan återvänder det brådskande arbetet. Nya verktyg kommer via en leverantör, ett team kopierar en prompt från ett annat team, en policy ändras, eller en modelluppdatering dyker upp i en versionsnotis. Organisationen fortsätter att tala om kompetens som om den ursprungliga kursen fortfarande finns kvar. Det gör den inte. Systemet har rört sig medan lärandet stod stilla.

Det första skyddet är en tydlig utlösare för översyn. En ändring av modellen, datakällan, syftet, den berörda populationen, leverantören, tröskelvärdet eller den mänskliga vägen bör få någon att fråga om den befintliga praktiken fortfarande passar. Utlösaren behöver inte skapa en kommitté för varje liten ändring. Den måste förhindra att en väsentlig ändring behandlas som underhåll när den förändrar mandat eller risk.

Det andra skyddet är lokalt ägarskap. Ett centralt AI-kansli kan erbjuda vägledning, men den som står närmast uppgiften ser oftast den första avvikelsen mellan systemet och arbetet. Den personen behöver en namngiven väg för att ställa frågor, rapportera ett problem och få ett svar. Lokalt ägarskap förhindrar också att programmet blir en uppsättning abstrakta principer som ingen kan översätta till morgondagens ärende.

Det tredje skyddet är en liten uppsättning återanvändbara frågor. Vad gör systemet? Vilka bevis använder det? Vad kan det ändra? Vem berörs? Vad skulle få oss att stoppa? Vem kan ändra det? Vilken post gör att vi senare kan förstå resultatet? Dessa frågor kan förekomma i upphandling, designgranskning, personalvägledning, ett offentligt meddelande, en incidentblankett och en övning. Upprepning är inte en brist när frågan är kontrollen.

Det fjärde skyddet är tid. Organisationer ber ofta människor att utöva omdöme i glappen mellan andra uppgifter. Det får det korrekta agerandet att se ineffektivt ut. Om en granskare förväntas kontrollera en genererad rekommendation måste arbetsbördan inkludera den kontrollen. Om en medarbetare förväntas eskalera en oro måste schemat tillåta det. Om en chef förväntas granska en ny modell måste rollen inkludera granskningen. Annars har organisationen gjort kompetens till en frivillig aktivitet och blir förvånad när frivilliga är sällsynta.

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

På Dweve är vårt lilla bidrag Ground truth, en kostnadsfri webbläsarbaserad medborgarguide till AI. Den är inte ett certifikat och den kan inte göra en organisation kunnig på egen hand. Den är en plats att öva på det gemensamma ordförråd som beskrivs här: vad ett system gör, vilka bevis det använder, vilka begränsningar som spelar roll och var mänskligt omdöme förblir avgörande. Vi nämner den som ett exempel på det material vi skapar, inte som bevis på ett organisatoriskt resultat. Beviset måste synas i arbetet, i de frågor människor ställer och i de beslut de tillåts ändra.

Lärdomen

AI-kunnighet är inte det ögonblick en person avslutar en kurs. Det är det ögonblick en organisation kan se vad dess system gör och fortfarande kan agera när svaret är osäkert. Medvetenhet namnger systemet och dess sammanhang. Kompetens kopplar kunskap till en uppgift och dess bevis. Befogenhet gör omdöme och ingripande möjliga. Vanor håller dessa förmågor vid liv när verktyget, policyn, datan eller människorna förändras.

Den europeiska hållningen blir allt tydligare. AI-förordningens artikel 4 förblir ett organisatoriskt ansvar, men den nuvarande lagen föreskriver inte en enskild individuell nivå eller ett certifikat. Kommissionens vägledning pekar på sammanhang, risk, roll och berörda personer. Dess eget interna program kombinerar ramverk, rollspecifikt lärande, verktygsvägledning, en gemenskap och en väg för frågor. Utbildningsriktlinjerna och UNESCO:s vägledning ställer mänsklig kapacitet, rättigheter och meningsfull användning vid sidan av teknisk förståelse. Ingen av dessa källor lovar en genväg. Det är just deras värde.

För en offentlig verksamhet handlar arbetet om att göra den mänskliga vägen synlig och användbar. För ett företag handlar det om att koppla utbildning till bevis, ägarskap och förmågan att avvisa ett dåligt arbetsflöde. För en skola handlar det om att lära människor att ifrågasätta ett system innan systemet ber dem lita på det. För en person som påverkas av ett beslut handlar det om att ha ett sätt att förstå vad som hände och begära omprövning utan att först lära sig leverantörens ordförråd.

Förmågan växer när organisationen övar innan konsekvensen inträffar: känn igen, ifrågasätt, kontrollera, besluta, eskalera och åtgärda. Det kommer inte att finnas något slutgiltigt certifikat som säger att arbetet är klart. Det är inte en brist i programmet. Det är själva poängen. Ett levande system behöver levande omdöme, och levande omdöme är något en organisation måste fortsätta utöva.

Källor