En AI-workshop kan ge energi, gemensamma ord och ett par imponerande demonstrationer. Två veckor senare är det ändå lätt att vara tillbaka i samma inkorgar, dokument och möten som före utbildningen.
Problemet är inte nödvändigtvis utbildningen. Problemet är att ett tillfälle för lärande behandlas som om det också vore ett färdigt införande.
En användbar AI-utbildning för företag behöver skapa en bro mellan förståelse och vardag: ett avgränsat arbetsmoment, en trygg testmiljö, tydliga gränser, en ansvarig och ett återbesök där teamet bedömer vad som faktiskt fungerade.
För nästa utbildning kan ni börja med AI-utbildningskollen för att planera mål, övning och uppföljning. Om arbetssättet sedan behöver genomföras i verksamheten finns praktisk AI och verksamhetsutveckling.
Börja med vad deltagarna ska kunna göra
”Förstå AI” är ett rimligt övergripande mål men ett svagt läranderesultat. Efter utbildningen bör deltagaren kunna utföra något konkret, till exempel:
- avgöra om ett arbetsmoment är lämpligt att stödja med generativ AI
- formulera en uppgift med relevant kontext och ett tydligt kvalitetskriterium
- kontrollera ett svar mot källa, instruktion och verkligt behov
- känna igen information som inte får matas in i en viss tjänst
- dokumentera ett fungerande arbetssätt så att en kollega kan prova det
- veta vem som beslutar om verktyg, data och fortsatt användning
Det gör det möjligt att utforma övningar och uppföljning kring beteenden, inte bara nöjdhet efter dagen.
AI-kompetens är mer än promptteknik
Att skriva bättre instruktioner är användbart, men bara en del av kompetensen. Ett team behöver också förstå:
Förmåga och begränsning
Vilka uppgifter kan verktyget stödja? När är resultatet osäkert? Vilka påståenden behöver kontrolleras? Hur påverkas kvaliteten av ofullständig kontext?
Informationsbedömning
Vilka uppgifter finns i underlaget? Är det personuppgifter, konfidentiell information, kundmaterial eller skyddsvärd intern kunskap? Vilken tjänst och konfiguration är godkänd för den informationen?
Mänskligt ansvar
Vem granskar resultatet och fattar beslutet? AI kan ge ett utkast eller ett förslag utan att bli ansvarig för konsekvensen.
Arbetsflöde
Var i processen ska stödet användas? Vad händer före och efter? Hur sparas källor, ändringar och beslut? Vad gör teamet när tjänsten är otillgänglig eller resultatet är dåligt?
Lärande över tid
Hur delar teamet fungerande exempel, upptäcker nya risker och tar bort arbetssätt som inte håller?
EU-kommissionen beskriver AI-kunnighet (AI literacy) som en skyldighet för leverantörer och användande organisationer att vidta åtgärder som stödjer personalens AI-kompetens, med hänsyn till kunskap, erfarenhet och användningskontext. Det innebär inte att alla behöver samma utbildning eller en viss individuell nivå. Utbildningen behöver passa rollen och den faktiska användningen. Detta är praktisk vägledning, inte juridisk rådgivning.
Före workshopen: välj ett riktigt arbetsmoment
Be deltagarna eller beställaren ta med återkommande uppgifter som tar tid eller skapar kvalitetsproblem. Välj sedan ett fåtal som är:
- tillräckligt vanliga för att vara värda att förbättra
- avgränsade nog att prova under utbildningen
- möjliga att testa utan olämplig information
- enkla att kvalitetsbedöma
- ägda av någon som kan fortsätta efteråt
Bra första övningar kan vara att strukturera egna ofarliga anteckningar, ta fram frågor inför en intervju, jämföra ett utkast mot en offentlig checklista eller skapa en första disposition från godkänt material.
Undvik att börja med automatiska beslut, känsliga personuppgifter eller uppgifter där deltagarna inte kan bedöma kvaliteten.
Under workshopen: arbeta i en komplett loop
En demonstration visar vad en utbildare kan göra. En övning visar vad deltagaren kan göra. Låt därför varje grupp gå igenom hela kedjan.
1. Beskriv uppgiften
Vad är startmaterialet? Vem ska använda resultatet? Vad är ett bra resultat? Vilka begränsningar gäller?
2. Gör ett första försök
Använd ett godkänt verktyg och ett rensat eller syntetiskt underlag. Dokumentera instruktionen och resultatet.
3. Granska
Jämför resultatet med källa, kriterier och verkligt behov. Markera fel, antaganden, utelämnanden och sådant som lät övertygande utan stöd.
4. Förbättra arbetssättet
Ändra inte bara prompten. Fråga om bättre underlag, tydligare kriterier eller en annan arbetsfördelning mellan människa och verktyg behövs.
5. Dokumentera
Spara syfte, godkänt underlag, steg, kvalitetskontroll, ansvar och situationer där metoden inte ska användas.
Denna loop gör utbildningen mindre spektakulär än en perfekt demo, men betydligt mer överförbar till arbetet.
Sätt säkra gränser som går att använda
”Lägg inte känslig data i AI” räcker sällan som instruktion. Deltagaren behöver veta vilka tjänster som är godkända, vilken information som får användas, hur material ska rensas och vem som svarar på tveksamma fall.
IMY:s vägledning om generativ AI betonar att arbetsgivaren behöver ha kontroll över arbetsrelaterad användning och bedöma bland annat ändamål, villkor, konfiguration och personuppgiftsbehandling. Allmänt tillgängliga tjänster kan sakna avtal eller inställningar som krävs för en viss användning.
En enkel workshopregel kan delas i fyra nivåer:
- Grönt: offentligt eller särskilt framtaget övningsmaterial
- Gult: intern information som kräver godkänt verktyg och tydlig bedömning
- Rött: uppgifter som inte får användas i den aktuella tjänsten
- Fråga först: allt som deltagaren inte säkert kan klassificera
Den exakta indelningen måste beslutas av organisationen utifrån dess verktyg, avtal, risker och regler.
Efter workshopen: gör ett fyra veckor långt införandetest
Vecka 1: en uppgift, en ägare
Varje grupp väljer ett enda arbetssätt att prova. Ägaren ansvarar för dokumentation, frågor och avstämning. Begränsa användningen till godkända personer, verktyg och material.
Vecka 2: samla verklig friktion
Notera när metoden sparar ett steg, när resultatet behöver mycket korrigering och när deltagaren väljer att inte använda AI. Det sista är också värdefullt lärande.
Vecka 3: dela ett exempel
Visa ursprungsuppgift, arbetsmetod, kontroll och slutresultat. Ta bort personuppgifter och annat skyddsvärt material. Kollegorna ska kunna se både nytta och begränsning.
Vecka 4: fatta ett beslut
Välj mellan:
- behåll som individuellt stöd
- standardisera för fler
- ändra och testa igen
- pausa tills verktyg eller styrning är klar
- sluta använda metoden
Ett nej efter ett väl genomfört test är inte ett misslyckande. Det förhindrar att en dålig metod blir informell standard.
Mät det som händer efter utbildningen
Kursutvärdering behövs för att förbättra själva tillfället, men säger lite om förändrat arbete. Följ hellre några signaler efter två och sex veckor:
- hur många deltagare har provat ett godkänt arbetsmoment
- hur många metoder har dokumenterad kvalitetskontroll
- vilka uppgifter valde teamet bort och varför
- vilka frågor återkommer om data, verktyg eller ansvar
- vilka arbetssätt har en aktiv ägare
- finns en observerbar förbättring i tid, kvalitet eller tydlighet
Undvik att mäta mängden AI-användning som ett mål i sig. Fler prompts betyder inte automatiskt bättre verksamhet.
Anpassa utbildningen efter roll
En ledningsgrupp behöver kunna prioritera användningsfall, förstå ansvar och besluta om ramar. En operativ grupp behöver öva verkliga uppgifter och kvalitetskontroll. IT, informationssäkerhet och dataskydd behöver kunna bedöma verktyg, åtkomst och risk. En intern förändringsledare behöver kunna följa upp och förbättra arbetssätt.
Samla gärna rollerna kring samma verkliga flöde, men ge dem olika frågor. Då blir utbildningen en gemensam startpunkt utan att låtsas att alla har samma ansvar.
Vad Stockholm faktiskt tillför
En AI-utbildning i Stockholm kan genomföras på plats, vilket underlättar gemensamma övningar, tvärfunktionella samtal och arbete med fysiska processkartor. Det lokala formatet är relevant när gruppen behöver bygga förtroende eller arbeta nära sina egna flöden.
Men adressen skapar inte effekten. Kräv samma konkreta läranderesultat, säkra övningsmiljö, ägarskap och uppföljning som vid en distansutbildning. Välj på plats för att det hjälper gruppen, inte för att det ser mer genomfört ut.
En kravbild för beställaren
Be utbildaren eller den interna ansvariga beskriva:
- målgrupp och konkreta läranderesultat
- verkliga uppgifter som ska övas
- godkända verktyg och datagränser
- metod för kvalitetskontroll
- material deltagarna får med sig
- ansvarig för uppföljning
- testperiod och beslutstillfälle
- hur lärandet dokumenteras utan att samla onödig data
Om svaret främst handlar om antal verktyg, promptmallar och inspirerande exempel är införandebron fortfarande ofärdig.
Slutsats: utbildningen ska lämna efter sig ett arbetssätt
En bra AI-workshop ger inte bara deltagarna mod att prova. Den ger dem förmåga att välja rätt uppgift, använda godkänt material, granska resultat och veta när de ska avstå.
Det viktigaste resultatet är därför inte en perfekt instruktion. Det är ett litet, dokumenterat och ägt arbetssätt som har testats i verkligheten och fått ett medvetet beslut.
Planerar ni en AI-utbildning i Stockholm eller på distans och vill koppla den till verkliga arbetsflöden? Mejla Caspian med målgruppen och ett återkommande arbetsmoment, så kan upplägget börja där.
Vanliga frågor
Hur lång bör en AI-workshop vara?
Det beror på målgruppen och resultatet. Ett kort tillfälle kan ge orientering. Praktiska färdigheter kräver tid för egna övningar, granskning och en planerad uppföljning efter workshopen.
Behöver alla medarbetare samma AI-utbildning?
Nej. Innehåll och övningar bör anpassas efter kunskap, roll, verktyg, risk och användningskontext. Gemensamma grunder kan kombineras med rollspecifika moment.
Får deltagare använda verkliga kunduppgifter i övningar?
Inte utan en dokumenterad bedömning av ändamål, rättslig grund, verktyg, villkor, konfiguration och skydd. Använd rensat eller syntetiskt material som standard. Sök juridisk rådgivning vid osäkerhet.
Hur vet man om utbildningen gav effekt?
Följ om deltagarna provar godkända arbetsmoment, använder kvalitetskontroll, dokumenterar lärande och fattar beslut om fortsatt användning. Mät inte bara nöjdhet eller antal prompts.