Sta­ten ta­ler om at fjer­ne 30.000 år­s­værk, men det er slet ikke pro­blem­frit at er­stat­te men­ne­sker med ai-sy­ste­mer

Denne kronik er fra Berlingske

»Mere tid til det vigtige.« Sådan lyder overskriften på det udspil, som regeringen, Kommunernes Landsforening og Danske Regioners Taskforce for Kunstig Intelligens lancerede for nylig.

Udspillet lover frigørelse af ressourcer i stor skala, ligesom det lover kvalitetsforbedringer. Intentionerne er gode: Når medarbejderne ikke skal bruge tid på tunge administrative processer og omsiggribende dokumentation, vil de få mere tid til borgerne, patienterne, eleverne, osv. I en tid med mangel på arbejdskraft virker det som en oplagt vej at gå.

Taskforcen sætter tal på ambitionen om at frigive tid. 30.000 årsværk – mindst, lyder det. Det er altså den mængde arbejdskraft, som kunstig intelligens skal hjælpe os med at spare og omdirigere i den offentlige sektor frem mod 2035.

Men det er uklart, hvordan taskforcen er kommet frem til tallet 30.000, ligesom det er usandsynligt, at vi nogensinde vil kunne måle sådan en reduktion, hvis dette politiske initiativ på et tidspunkt skulle evalueres. 

Håb og løfter

Det er den type uklarhed, der for nylig fik stadsdirektør i Odense Kommune Eik Møller til at sammenligne hele øvelsen med legen »tænk på et tal« i et interview. For hvad tæller med? Hvad indgår i beretningerne, og hvad er udeladt?

Når politikerne melder tal ud af den størrelsesorden, vækker det opsigt. Men der er intet nyt i at koble forhåbningerne til digitale teknologier direkte med løfter om effektivisering. Det har kendetegnet digitaliseringsambitioner i den danske offentlige sektor i mere end to årtier. 

I regeringens digitaliseringsstrategi fra 2022 var det for eksempel 10.000 årsværk, der skulle frigøres ved hjælp af ny teknologi. Måske er disse prognoser inspireret og opmuntret af de store konsulenthuses rapporter, som gennem årene med jævne mellemrum har spået, at næsten halvdelen af alle administrative job vil kunne erstattes af ai inden for en relativt kort tidshorisont.

Med optimistiske beregninger har vi set utallige eksempler på, at medarbejdere er blevet sparet væk samme dag, som en ny teknologi er blevet indført. Man taler om at »høste effektiviseringsgevinster på forhånd«.

Et spektakulært eksempel på dette så vi med introduktionen af Sundhedsplatformen, hvor omkring en sjettedel af lægesekretærerne i Region H blev afskediget. Det skete, fordi teknologien angiveligt kunne overtage deres arbejde. Men det viste sig, at sekretærerne ikke blot tastede data – de stod også for koordinering og kvalitetskontrol.

Rigsrevisionen dokumenterede i en kritisk rapport, at produktiviteten var gået ned og effektiviseringsgevinsterne udeblev. Det var ikke mindst fordi administrativt personale efterfølgende måtte genansættes.

Lignende tendenser ses i mange andre projekter. Det statslige ejendomsvurderingssystem har slugt over ti års udvikling, men kræver stadig daglig fejlrettelse og support. Når ny teknologi indføres, opstår nye opgaver, som ikke er synlige i strategier og måltal – men som er afgørende for driften.

Kræver omfattende manuelle justeringer

I vores nye bog »Digitalisering og usynligt arbejde« giver vi en lang række eksempler på, hvordan mange forskellige faggrupper udfører forskellige typer af usynligt arbejde. Vores forskning i offentlig digitalisering har i årevis fulgt forskellige forsøg på at indføre ai for at »erstatte manuelle løsninger« og »frigøre hænder«.

De spænder fra automatiseret vagtplanlægning og ruteplanlægning til visitation og sagsbehandling. Igen og igen har vi set det samme mønster: Løsningerne kræver omfattende manuelle justeringer, fordi de ikke passer til hverdagens kompleksitet. Teknologien har svært ved at afkode det uforudsigelige og kontekstafhængige arbejde, der kendetegner mange offentlige kerneopgaver.

I vores undervisning af offentlige ledere på CBS har vi gennem årene hørt tilsvarende eksempler. En leder i psykiatrien fortalte, hvordan et ai-system til vagtplanlægning overså kursusaktiviteter, arbejdsmiljøhensyn og personlige relationer. Resultatet var, at lederen oplevede at bruge markant mere tid på at rette planerne op, end det tidligere tog at lave dem manuelt. 

En anden leder oplevede, at et effektivt manuelt visitationssystem med 98 procent præcision blev erstattet af en ai-løsning, som kun ramte 92–96 procent. Systemet blev kort efter opgivet, fordi det ikke skabte værdi i praksis.

Digitaliseringsstyrelsens evalueringer af de offentlige såkaldte ai-signaturprojekter, som blev sat i gang i 2020, peger i samme retning. Da styrelsen udsendte et statusnotat i februar 2023, var det kun ét ud af syv afsluttede projekter, der blev realiseret – en løsning til postsortering. De øvrige strandede på problemer med datakvalitet, lovgivning og manglende nytteværdi. Det bør give anledning til omtanke, før man forpligter sig til at hente 30.000 årsværk ud af det offentlige system.

Ai kan noget. Vi har set vellykkede anvendelser, hvor for eksempel stemmegenkendelse sparer tid ved møder, og hvor systemer hjælper med at sortere informationer. Men i mange tilfælde skaber teknologien ny kompleksitet, som kræver mere arbejde – ofte af den slags, der ikke tælles med i gevinstberegninger.

»Usynligt« arbejde

I vores forskningsprojekt om usynligt arbejde i digitaliserede organisationer har vi undersøgt dette usynlige arbejde i digitaliserede organisationer. Det dækker over det arbejde, der får systemerne til at hænge sammen, og som opstår, når teknologien ikke virker som forventet. Vi har udviklet tre begreber, som sætter ord på det:

• Forbindelsesarbejde: at få systemer, data og lovgivning til at fungere sammen i praksis.
• Kompensationsarbejde: at korrigere, når teknologien laver fejl eller rammer forbi.
• Oprydningsarbejde: at rense data, udbedre fejl og rydde op i efterladenskaber fra automatiserede systemer.

Dette arbejde er ikke usynligt for dem, der udfører det – men det er ofte ude af syne for beslutningstagere. Det er et problem, hvis vi vil forstå den reelle effekt af ai i det offentlige. For at opnå en reel gevinst, må vi forstå kompleksiteten og de vilkår, som teknologien skal fungere under.

For regeringens Taskforce for Kunstig Intelligens var det en bunden opgave at fastsætte et måltal for, hvor mange årsværksbesparelser ai kan tilvejebringe i den offentlige sektor frem mod 2035. Men selvom baggrunden for måltallet ikke er klar for offentligheden, og ambitionen om at spare 30.000 årsværk allerede er omdiskuteret, så ved vi, at når man offentliggør et konkret tal, så er det et retorisk stærkt virkemiddel, der har konsekvenser i praksis.

Spørg de offentligt ansatte

Tal har en tendens til at klæbe. Vi husker dem, og når de bliver gentaget over tid får de autoritet, og vi er tilbøjelige til at tage dem for givet. Og derfor ser vi også allerede nu i debatten om de 30.000 årsværk, at der er stemmer, der taler om, bare at springe ud i at skære i budgetterne, før vi ved, hvad ai kan eller skal.

I stedet for at fokusere på hvordan kunstig intelligens kan løfte kvaliteten i opgaveløsning, kommer det derfor let – endnu en gang – til at handle om effektivisering, til trods for at taskforcen selv lægger op til en mere nuanceret tilgang.

Et andet udgangspunkt kunne være at begynde med de offentligt ansattes ønsker til teknologier, der kan aflaste dem i deres opgaveløsning. De er gode til at få øje på gentagne rutineopgaver, der ikke giver værdi. Det vil give plads til eksperimenter, læring og til at høste erfaringer i stedet for at høste effektiviseringsgevinster.

Ursula Plesner og Lise Justesen er begge lektorer på Institut for Organisation ved Copenhagen Business School