Nye AI-verktøy kan stille og rolig rive ned år med konsekvent Excel-praksis. Én person begynner å bruke en tilleggsfunksjon for å skrive formler, en annen limer inn data i en offentlig chatbot, og i løpet av noen uker ser ikke rapportene like ut lenger. Alle får ulike resultater. Slik introduserer du AI i teamet uten å miste arbeidsflytene som allerede fungerer.

De fleste team sliter ikke med AI-adopsjon fordi verktøyene er for kompliserte. Det egentlige problemet er at utrullingen mangler struktur. Det er som når noen annenhver dag begynner å bruke en ny bot, eksperimenterer med den og trekker sine egne konklusjoner. Ved slutten av uken har alle ulike versjoner av ukesrapporten. Problemet er ikke manglende innsats; det er at dette nye verktøyet gjør jobben slik det er programmert til, noe som fører til inkonsekvente resultater.

Mønsteret er kjent for enhver teamleder som har sett det skje. Noen bruker AI til å oppsummere en kundesamtale. Noen andre laster opp bedriftsdata til et gratisverktøy for å spare tid. En tredje person slutter i stillhet å bruke den delte malen fordi AI-resultatet «så greit ut». Ingenting av dette er ondsinnet. Det er bare det som skjer når folk får et kraftig verktøy uten en felles forståelse av når det skal brukes.

Dette betyr mer for team som jobber i Excel enn nesten noe annet sted. Rapporter, sporingsverktøy og dashbord fungerer bare fordi alle bygger dem på samme måte. Når AI kommer inn i bildet, slutter formler å stemme, formater sklir fra hverandre, og det ene regnearket alle stoler på, blir til tre regneark ingen fullt ut stoler på. Enkelt sagt kan AI i enkelte tilfeller ødelegge arbeidsflyten i Excel, noe som kan gå utover virksomheten. I stedet for én rapport får man tre ulike. Dette øker ikke bare tidsbruken, men bremser også organisasjonens arbeidsflyt.

Før du introduserer noe nytt, bør du få et klart bilde av hva som allerede skjer. Hvilke rapporter bygger teamet hver uke? Hvor kommer dataene fra? Hvem eier egentlig formlene som alle andre kopierer?

Dette steget kan føles tregt når du er ivrig etter å komme i gang, men å hoppe over det er ofte grunnen til at utrullinger stopper opp seks måneder senere. Du kan ikke avgjøre hvor KI vil være nyttig før du vet hvilke deler av arbeidsflyten som er sårbare, og hvilke som er solide nok til å bygge videre på. Et logistikkteam som sporer forsendelsesforsinkelser i en delt arbeidsbok, har helt andre utfordringer enn et økonomiteam som avslutter regnskapene hver måned, og KI-verktøyene som hjelper det ene teamet, kan i verste fall skape problemer for det andre. Før man setter i gang, bør både organisasjonen og de ansatte kartlegge hva som foregår, hva som trenger forbedring, og hva som må endres.

Team og enkeltpersoner som allerede behersker Excel, har ofte et godt utgangspunkt. De vet hvilken formel som skal brukes, hvordan pivottabellen eller diagrammet skal se ut, og hvordan regnearket bør struktureres. Når nye KI-verktøy introduseres, har disse personene allerede en grunnleggende forståelse som gjør det enklere å tilpasse seg. Å ta i bruk et nytt KI-verktøy kan føles utfordrende de første dagene, men når du først har blitt fortrolig med det, kan det bidra til bedre tidsstyring og økt effektivitet.

KI uten tydelige rammer kan raskt føre til problemer, og det er ofte her feilene oppstår. Før du ruller ut et nytt verktøy, bør du etablere noen grunnleggende retningslinjer.

Dekk det viktigste:

• Hvilke verktøy som er godkjent for bruk med bedriftsdata, og hvilke som ikke er tillatt
• Hva som regnes som sensitiv informasjon, og som aldri bør legges inn i et offentlig KI-verktøy
• Når et menneske fortsatt må gjennomgå resultatet før det tas i bruk
• Hvem ansatte skal kontakte dersom de er usikre på hva som er tillatt

En enkel tommelfingerregel fungerer godt her: Hvis du ikke ville skrevet informasjonen inn i et offentlig søkefelt foran sjefen din, bør du heller ikke lime den inn i et KI-verktøy. Det er enkelt, men lett å huske.

Dersom teamet ditt tester innebygde løsninger som Microsoft Copilot i Excel, er det også verdt å gå gjennom den offisielle dokumentasjonen først. På den måten får medarbeiderne en bedre forståelse av hva verktøyet faktisk kan og ikke kan se i en arbeidsbok. Mye av forvirringen rundt datasikkerhet skyldes at man antar at et verktøy fungerer på én måte, mens det i realiteten fungerer på en annen.

En enkelt, generell KI-opplæringsøkt endrer sjelden atferd. Folk glemmer innholdet i løpet av en uke, eller nikker anerkjennende uten å koble det til det faktiske arbeidet sitt. Adopsjon lykkes først når medarbeiderne tydelig ser hvordan KI passer inn i oppgavene de allerede utfører.

En innkjøpskoordinator får verdi av KI på en annen måte enn en økonomianalytiker. Den ene kan bruke teknologien til å rydde opp i leverandørdata før de legges inn i et delt sporingsverktøy. Den andre kan bruke den til å utarbeide et første utkast til en avviksforklaring før tallene gjennomgås manuelt. Ingen av dem trenger å bli KI-eksperter. De trenger én eller to konkrete måter KI kan integreres i oppgaver de allerede utfører hver uke.

Dette er også et område der mange Excel-spesifikke opplæringsplaner går galt. Team hopper ofte rett til KI-verktøy uten å sikre at alle har den samme grunnleggende Excel-kompetansen. Resultatet blir at deler av teamet bruker KI til å kompensere for manglende grunnleggende ferdigheter, i stedet for å effektivisere arbeidet på en meningsfull måte. En opplæringsplan som er bygget rundt teamets faktiske arbeidsflyter, fungerer som regel bedre enn en generell introduksjon til KI. Den tar utgangspunkt i hva folk allerede gjør, fremfor hva en leverandør ønsker at de skal prøve.

Excel bør fortsatt være det primære arbeidsområdet. KI kan utarbeide et forslag til en formel, flagge et avvik eller oppsummere innholdet i en fane, men det er fortsatt personen som har ansvar for den endelige filen.

Dette skillet er viktig fordi Excel-ferdigheter og KI-ferdigheter ikke er det samme. Å behandle dem som utskiftbare er ofte der team havner i problemer. En person som ikke forstår hvordan en pivottabell faktisk summerer data, har ingen enkel måte å oppdage det på dersom en KI-generert formel i det stille gir feil resultat.

Spørsmålet om team fortsatt trenger å lære Excel når KI kan skrive formler for dem, dukker stadig opp blant HR-ledere. Det ærlige svaret er ja. KI-resultater er bare så pålitelige som personen som vurderer og kvalitetssikrer dem. Uten grunnleggende Excel-kunnskap blir det vanskelig å avgjøre om forslagene fra KI faktisk er korrekte.

Hvis teamet ditt vurderer å bruke Copilot til daglig arbeid med formler og data, er det nyttig å forstå både styrkene og begrensningene før dere bygger en utrullingsplan rundt verktøyet. Copilot kan være en verdifull assistent for repetitive oppgaver og bidra til økt effektivitet. Det er imidlertid ingen erstatning for en person som forstår hvordan dataene er bygget opp, og hvordan resultatene bør se ut.

Den raskeste måten å skape kaos på er å la hver KI-assisterte oppgave starte fra et blankt ark. Gi i stedet teamet ditt en enkel, gjentakbar prosess som kan brukes konsekvent.

En praktisk modell kan se slik ut: Lag et utkast med KI, gjennomgå og korriger innholdet, kontroller det mot kildedataene, innhent godkjenning, og publiser eller send resultatet. Denne fremgangsmåten sikrer at et menneske er involvert i hvert steg, samtidig som KI får bidra til å effektivisere de tidlige og mer rutinepregede delene av arbeidet.

Kombiner gjerne dette med et lite sett av delte maler og eksempelprompter som er tilpasset teamets vanligste rapporter. Når medarbeiderne slipper å finne ut av riktig fremgangsmåte fra bunnen av hver gang, er det langt større sannsynlighet for at de følger prosessen fremfor å finne egne løsninger utenom den etablerte arbeidsflyten.

Det vil ofte være noen personer i teamet som ikke føler seg helt komfortable med å ta i bruk ny KI med en gang. Samtidig er det heller ikke nødvendig at alle er entusiastiske til KI fra dag én. Det viktigste er å finne noen få personer som er komfortable med å eksperimentere, villige til å teste nye tilnærminger og motiverte til å hjelpe kolleger med å løse utfordringer, som for eksempel en fastlåst formel i Excel.

Disse ildsjelene trenger verken en formell tittel eller ekstra arbeidstid. Rollen deres er enkel: teste nye løsninger først, dele hva som fungerte, lære av det som ikke fungerte, og svare på grunnleggende spørsmål før de utvikler seg til å bli en flaskehals for resten av teamet. På den måten blir kunnskap delt naturlig, og terskelen for å prøve nye verktøy blir lavere.

Når medarbeidere ser en kollega utforske nye muligheter og av og til gjøre feil uten at det får negative konsekvenser, begynner KI å føles som en naturlig del av arbeidshverdagen i stedet for et pålegg som kommer ovenfra. Dette bidrar til en mer organisk og bærekraftig adopsjon, der læring og forbedring skjer fortløpende gjennom praktisk erfaring.

AI fungerer best når teamet allerede forstår regnearket som ligger bak. Dersom de ansatte har varierende Excel-ferdigheter, kan AI gjøre disse forskjellene mer synlige. Én person vet kanskje hvordan man kvalitetssikrer en formel, mens en annen godtar det verktøyet foreslår fordi resultatet ser riktig ut.

Det er derfor strukturert Excel-opplæring er så viktig.

Learnesy hjelper nordiske team med å bygge et felles Excel-fundament før AI blir en del av arbeidshverdagen. Ansatte lærer ferdighetene som gjør AI-genererte resultater enklere å verifisere, inkludert formler, datastruktur, pivottabeller og praktiske rapporteringsprosesser. Målet er ikke å skille Excel-opplæring fra AI-adopsjon, men å sikre at begge utvikler seg i takt med hverandre.

For HR-ledere gjør dette også utrullingen enklere å håndtere. Learnesy er utviklet for opplæring på tvers av hele team, med korte leksjoner, svenske og norske kursalternativer samt et administrasjonsdashbord som viser fremgang på tvers av avdelinger. I stedet for å gjette hvem som er klare til å bruke AI med trygghet og selvtillit, kan HR-team følge med på hvem som først har bygget det nødvendige Excel-fundamentet.

Når ansatte har en god forståelse av Excel, bruker de AI til de riktige oppgavene: effektivisering av formler, oppsummeringer, dataopprydding og rapportering. De bruker det ikke til å skjule kunnskapshull de ikke selv er klar over. Det er dette som gjør AI-adopsjon tryggere, mer konsekvent og mer verdifull for hele teamet.

Det er her en strukturert Excel-opplæringsplattform, utviklet for hvordan HR-ledere faktisk gjennomfører teamomfattende utrullinger, blir særlig verdifull. AI-adopsjon og Excel-kompetanse bør utvikles samtidig, ikke som separate initiativer. Learnesy kombinerer praktisk Excel-opplæring, rollebaserte læringsløp og flerspråklige kursalternativer.

Når teamet ditt har et solid og konsistent fundament av Excel-ferdigheter før AI-verktøy introduseres, vil medarbeiderne bruke disse verktøyene til de oppgavene de er best egnet for, i stedet for å støtte seg på dem for å kompensere for kunnskapshull som aldri har blitt adressert. Samtidig gir det HR-ledere konkrete mål å følge opp, fremfor å måtte gjette hvordan utrullingen faktisk fungerer fra avdeling til avdeling. På denne måten erstatter ikke AI kjernekompetansen i organisasjonen; den styrker og supplerer den som et produktivitetsverktøy.

En utrulling som er på riktig spor, viser seg vanligvis gjennom små, praktiske tegn snarere enn gjennom ett enkelt, dramatisk måltall. Se etter:

• Færre tilfeller der den samme rapporten bygges opp på tre forskjellige måter
• Mindre tid brukt på å forklare de samme AI-relaterte spørsmålene til ulike personer
• At medarbeidere deler prompter eller nyttige snarveier på eget initiativ
• Færre feil som kan spores tilbake til AI-resultater som ikke ble kvalitetssikret

Hvis du ikke ser noen av disse tegnene etter noen måneder, er det som regel et signal om at grunnreglene eller den rollespesifikke opplæringen ikke har festet seg, og ikke nødvendigvis at AI i seg selv var et feil valg.

Å rulle ut AI i et team fungerer best når det behandles som et system, og ikke som en enkeltstående kunngjøring. Start med å forstå hvordan teamet faktisk jobber i Excel i dag. Etabler klare rammer og retningslinjer før noen begynner å eksperimentere med nye verktøy. Opplæring er en viktig del av prosessen og bidrar til å sikre en mer konsekvent og trygg adopsjon.

La Excel forbli den primære kilden til rapporter, analyser og dashbord, samtidig som AI brukes som et verktøy som støtter arbeidsprosessene og bidrar til å gjøre dem mer effektive. Bygg opp en gjentakbar arbeidsflyt, utnevn noen ildsjeler som kan drive læring og erfaringsdeling, og sørg for at teamet har et konsekvent nivå av Excel-kompetanse før AI-bruken skaleres videre.

Learnesy passer naturlig inn i denne tilnærmingen ved å gi teamet et solid Excel-fundament før AI blir en integrert del av arbeidshverdagen. Konsekvent Excel-opplæring gjør det mulig for ansatte å bruke AI-verktøy på en effektiv og ansvarlig måte, fremfor å benytte dem som en snarvei rundt kunnskapshull som aldri har blitt adressert.