Vad gör du egentligen?

Att kunna förklara vad det är vi egentligen gör är något som vi sällan tvingas till. När det väl händer, som när barn eller välvilliga släktingar frågar “vad är det egentligen du gör” så bli svaret ofta dröjande, allmänt och höljt i klichéer som vi själva kan höra skorrar ganska ordentligt. “Jag skapar värde för kunder genom att hjälpa dem att kommunicera strategiskt” översätts stilla av nämnda släktingar till att vi nog jobbar med att svara på mejl, och kanske då och då sitter i möten. Eller så skriver vi press-releaser eller kanske gör tik-tok-videor.

Och hitintills har det varit okej. Det är inte så ofta vi måste förklara för någon som inte själv är inblandad i samma sorts arbete, och när vi förklarar är det ofta för någon som har en sorts idé om vad arbetet innebär. Nu står vi emellertid inför en intressant förändring i arbetslivet, och vi skulle kunna gå så långt som att säga att den som är bäst på att beskriva sitt arbete är den som med största sannolikhet kommer att kunna behålla det.

Skälet till denna förändring är den transformation av arbetsmarknaden som artificiell intelligens medför. Jobb som enbart utförs av människor, utan AI-stöd, försvinner allt mer.

För det första är det nu en styrka att kunna beskriva för AIn hur arbetet fungerar, eftersom det betyder att vi kan delegera bättre. Om AIn har en uppfattning om hur den passar in i ett arbetsflöde kommer den att kunna leverera märkbart bättre resultat än om den bara får slumpmässiga och ostrukturerade uppgifter. Det är därför s.k. “skills” - metodiska beskrivningar av arbetet - nu har kommit att bli så viktiga för den som vill använda AI effektivt. Den som kan beskriva sitt arbete kan helt enkelt inkludera andra - människor och maskiner - mycket bättre i det.

För den som är orolig för att ”AI ska ta deras jobb” är det värt att notera att förmågan att utveckla sitt eget jobb blir viktigare än att utföra det som det alltid sett ut.

För det andra är en beskrivning av arbetet en förutsättning för att förbättra det. När du kan rita upp ditt arbete i olika delsteg, se hur det hänger ihop och förstå vad det är du spenderar mest tid på, ja, då kan du helt också se var du skulle kunna effektivisera eller uppfinna helt nya moment. Detta senare, att utveckla helt nya tjänster, kräver att du vet hur de gamla tjänsterna faktiskt satts samman. Precis samma mentalitet som gör att ungdomar kan trimma en moppe - de plockar isär den och ser hur den fungerar - gör att den som kan plocka isär sitt jobb kan mecka med det och trimma det!

För det tredje är en beskrivning ett utmärkt sätt att bygga en lärandeinfrastruktur. Om alla på firman beskriver arbetet på samma sätt så kan man förbättra och effektivisera tillsammans. Det betyder att du plötsligt kan lära dig - i den gemensamma beskrivningen och den delade metoden - av alla andra som också använder den. När vi är flera som spelar samman spel kan vi alla bli bättre på det.

Hur kommer det sig då att du också sannolikt behåller jobbet om du kan beskriva det? Jo, för att då är du inte bara en arbetskraft, du är också en hantverkare som kan förbättra hantverket, utveckla det och ta det till nästa nivå.

Förmågan att metodiskt beskriva vad vi gör kallas ibland metakognition - och det är en av de saker som blir allt viktigare nu när AI intar arbetsmarknaden. Metakognition är ett enkelt begrepp med ett komplicerat namn: det handlar om att kunna tänka om ditt eget tänkande.

Det är nu en av de kanske viktigaste sakerna att lära sig, lära nästa generation och arbeta med.

På The Stockholm Project tycker vi att detta är roligt, och utvecklar gärna nya metoder och modeller. Nedan en enkel skill för kommunikationsanalys som du kan ladda ned och använda i ett chat-verktyg! Denna “skill” intervjuar dig och ställer sedan en kommunikationsdiagnos. Tänk på det som en liten hälsokoll!

Ladda ned .skill filen här.

Lästips

Det finns en bok som egentligen borde ligga på varje skrivbord, men som märkligt nog sällan nämns i dessa sammanhang: Donald Normans Things That Make Us Smart. Det är en bok om hur vi tänker tillsammans med världen, inte bara i våra huvuden. Norman visar att det mesta av vårt tänkande sker genom de verktyg vi använder – listor, modeller, diagram, gränssnitt – och att dessa i praktiken är lika viktiga som vår egen intelligens.

En av de mest användbara insikterna i boken är att bra arbete nästan alltid lämnar spår efter sig i form av strukturer: anteckningar, scheman, processer. Det är dessa som gör att arbetet kan delas, förbättras och skalas. Den som inte kan göra sitt arbete synligt – i någon form av modell eller beskrivning – kommer också att ha svårt att utveckla det. Och den som kan det, upptäcker ofta att arbetet redan innehåller möjligheter till förbättring som tidigare varit osynliga.

Norman skriver inte om AI, men det är svårt att läsa honom utan att tänka att det är precis detta som nu står på spel. När vi bygger “skills”, processer och beskrivningar av vad vi gör, skapar vi inte bara bättre förutsättningar för maskiner att hjälpa oss – vi gör också vårt eget tänkande skarpare. Att kunna säga vad man gör är, i Normans mening, redan ett sätt att göra det bättre.