En skola eller utbildningsinstitution består av två slags tid som sällan är jämnt fördelade: tid i klassrummet eller föreläsningssalen, och tid utanför. Den senare kategorin är större än man ofta tror. Lektionsförberedelse, framställning och rättning av prov, rapportering, redovisning till inspektion eller styrelse, schemaläggning, kommunikation med föräldrar eller studenter, och administration kring elevvård och stöd. Mycket av det arbetet är språkligt: det består av att läsa texter, skriva texter, bedöma texter. Det gör utbildningssektorn till en bransch där förskjutningen av arbete genom AI märks konkret och tidigt, eftersom textarbete är precis där språkmodeller gör mest.
Därtill kommer en omständighet som skiljer utbildningssektorn från en butik eller en fabrik: resultatet av arbetet är någons utveckling, och den utvecklingen bedöms och finansieras enligt fastställda ramar. En läroplan, ett examensprogram, ett inspektionsramverk. Det styr med vilket arbete som kan flyttas och vilket arbete som stannar hos läraren, oberoende av vad som är tekniskt möjligt.
I vissa skolor upprättas redan ett förstautkast till ett prov, en bedömningsmall eller en formulering av återkoppling av AI, med en lärare som kontrollerar, skärper och först därefter godkänner. I andra skolor sker det ännu inte, och skillnaden ligger sällan i viljan att förnya. Den ligger i tre saker som var och en måste finnas på plats innan arbete faktiskt övergår.
Det första är tillgång: får en lärare använda en språkmodell på elevdata, eller finns det ett personuppgiftsbiträdesavtal och en integritetsbedömning som ännu inte är klar. Det andra är tillsyn: vem bedömer om en AI-genererad bedömning av en elev är korrekt, med vilken befogenhet och enligt vilket protokoll. Det tredje är förtroende hos användaren själv: en lärare som tvivlar på om ett AI-förslag gör rättvisa åt en specifik elev kommer att ignorera förslaget, hur bra systemet än är.
Dessa tre kategorier genomsyrar allt arbete inom utbildningssektorn. En del kan AI ta över helt självständigt, som att sammanfatta en lång policytext eller upprätta ett förstautkast till ett schema. En del sker med mänsklig tillsyn som godkänner eller avslår med motivering, som återkoppling på en uppsats eller ett utkast till rapport. Och en del förblir mänskligt arbete, som samtalet med en elev som kört fast, eller den pedagogiska bedömningen bakom en orosanmälan. Vilken del som hamnar var skiljer sig inte bara mellan institutioner utan även mellan uppgifter inom samma institution.
"Vi använder AI för att minska arbetsbelastningen" är en mening som passar i praktiskt taget varje styrelseberättelse och som i praktiken nästan ingenting fastställer. Menas att rättningstid frigörs för mer uppmärksamhet per elev, eller att en fast mängd undervisningstid fylls med mindre stödpersonal? Båda är legitima ambitioner, men de kräver olika förmågor: andra system, andra befogenheter, andra överenskommelser med medbestämmandeorganet. Så länge det valet inte fastställts i en konkret framtidsbild och prövats mot vad organisationen behöver kunna för det, fortsätter en ledningsgrupp att prata förbi varandra med samma ord.
Det är där en beredskapstest gör skillnad: inte att omformulera ambitionen, utan att pröva om förutsättningarna för den finns. Tänk på datatillgång, på tydliga beslutsrättigheter om vem som får godkänna ett AI-förslag, på utbildad kompetens hos lärare och personal, på en tillsynsstruktur som passar känsligheten hos elevuppgifter.
Om textarbete förskjuts frigörs undervisningstid eller stödtid. Vad en styrelse gör med den frigjorda kapaciteten hör till institutionens egna strategiska och arbetsrättsliga överväganden, med egna lagkrav när det gäller personalbeslut. Denna sida beskriver endast vart arbetet självt rör sig, inte vad en styrelse bör göra med det.
Den underliggande dynamiken — språkligt arbete förskjuts tidigare än fysiskt eller relationellt arbete, och tillsyn förblir den styrande faktorn — förekommer inte bara inom utbildningssektorn. Liknande mönster går att känna igen i vad som finns för AI-ambitioner inom IT-branschen, i sättet som detaljhandeln ser på AI-uppgifter, och i den helt annorlunda utgångspunkten för AI-ambitioner inom restaurangbranschen. Vad som alltid skiljer sig är inte tekniken utan beredskapen hos organisationen bakom den.
En ambition som "AI stödjer provutveckling" översätts till konkreta roller: vem upprättar, vem godkänner, vem är ansvarig om ett fel slinker igenom. Den översättningen från ambition till roll och beslutsrätt står i centrum på sidan om vilka förmågor en organisation behöver för att förverkliga en AI-ambition, och är för en skolstyrelse eller rektorsledning sällan bara en teknisk fråga — det är också en fråga om hur en ledningsgrupp kommer överens om vad ambitionen exakt innebär.
Frågan om vilket arbete inom er institution som verkligen kan tas över av AI kan inte besvaras med en allmän branschbild; den frågan besvaras uppgift för uppgift med FTE TO AI:s arbetsscan. Vill ni först veta var er organisation står just nu, ger den kostnadsfria beredskapskontrollen med åtta korta frågor, en per dimension, en bild av var ni har kommit längst och var ni har kommit minst långt. Den fullständiga ambitionstesten, med de fyra lagren från vision till målläge och översättningen till roller och beslutsrätt, är under uppbyggnad.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.