ChatGPT på arbejdet: fire slags opgaver at starte med

Hvad kan man egentlig bruge ChatGPT på arbejdet til? Spørgsmålet er nemt at stille og svært at svare på, så længe samtalen handler om værktøjer og funktioner. Funktioner skifter fra måned til måned, og de fortæller ikke, om teknologien flytter noget i netop dit arbejde. Det gør opgaverne til gengæld.

Når vi underviser, deler vi derfor arbejdet op i fire slags opgaver: skabelse af indhold, informationsarbejde, sparring og automatisering af gentagne opgaver. Rammen gælder på tværs af værktøjer: ChatGPT, Microsoft Copilot og Claude løser de samme fire typer, bare med forskellig adgang til jeres data. Vi tager dem én ad gangen med et eksempel, du kan genkende fra en almindelig arbejdsuge.

Har du brug for grundlaget først (hvad en sprogmodel er, og hvorfor den kan tage fejl med stor overbevisning), så begynd med vores introduktion til generativ AI.

Hvorfor opgavetyper slår funktionslister

En sprogmodel er et statistisk system. Den beregner, hvilket næste stykke tekst der sandsynligvis passer bedst som fortsættelse på det, den har fået, igen og igen, til svaret er færdigt. Den har ikke egne mål, den kender ikke jeres sag, og den har ikke en indbygget “sandhedssans”, der kan skelne mellem det, der lyder rigtigt, og det, der er rigtigt.

Det lyder som en begrænsning, og det er det også. Men det er samtidig nøglen til at vurdere en opgave: Jo mere opgaven handler om at formulere, omformulere eller strukturere sprog ud fra materiale, du selv leverer, desto bedre passer den. Jo mere den kræver viden, modellen ikke har fået, desto større er risikoen for et svar, der er flydende og forkert.

Skabelse af indhold: fra tom side til udkast

Den første type er den, folk møder først: første udkast til mails, beskeder, opslag, notater og tilbud. Gevinsten er sjældent en færdig tekst. Den er, at den tomme side forsvinder, så du bruger tiden på at rette og tage stilling frem for at få hul på opgaven.

Tag en driftsleder i en boligforening, der skal varsle, at varmen lukkes ned i to dage. Beskeden er ikke svær, men den skal være præcis, den skal kunne læses af alle, og den skal skrives, mens tre andre ting venter. En prompt til den opgave kan se sådan ud:

Skriv et udkast til en besked til beboerne i en boligforening om, at varmen og det varme vand lukkes ned onsdag og torsdag i næste uge, fordi en varmeveksler skal skiftes. Beskeden hænges op i opgangene og sendes på mail til 84 husstande, hvoraf mange er ældre. Skriv hvad beboerne selv bør gøre inden nedlukningen, og hvem de kan kontakte, hvis der opstår akutte problemer. Højst 150 ord, venlig og konkret tone, ingen gentagne undskyldninger.

Det er ikke et spørgsmål, men en opgavebeskrivelse med mål, kontekst og forventninger, som vi gennemgår i indlægget om gode prompts. Uden konteksten om de 84 husstande og de ældre beboere ville modellen gætte, og gættet ville lyde som en standardbesked fra en vilkårlig udlejer.

Tommelfingerreglen for den her type: Brug kun sprogmodeller til at skabe noget om emner, du selv ved noget om. Du skal kunne se, når udkastet er ved siden af, og du står stadig som afsender.

Informationsarbejde: når materialet er større end tiden

Den anden type er den modsatte vej: Du har for meget tekst og for lidt tid. En mailtråd med 22 svar, en rapport på 60 sider, tre tilbud, der skal holdes op mod hinanden. Her bruger du modellen til at koge ned, finde frem og skabe overblik.

En projektleder, der overtager en sag midt i forløbet, kan lægge korrespondancen ind og bede om: hvad er aftalt, hvad er uafklaret, og hvem skylder hvem et svar. Det tager fem minutter og giver et arbejdsgrundlag i stedet for en aften med at læse bagud.

To ting er værd at holde fast i. Modellen kan kun arbejde med det, du giver den. Den henter ikke det bilag, du glemte at vedhæfte, men udfylder hullet med noget sandsynligt. Og et resumé er ikke et bevis: Bed om, hvor i materialet svaret står, så du kan slå det op, når noget skal kunne holde. Indeholder materialet personoplysninger, skal I have afklaret, hvad jeres retningslinjer og aftaler tillader, før det bliver en vane.

Sparring med udgangspunkt i jeres eget arbejde

Den tredje type handler om at få modspil: huller i argumentationen, indvendinger du bør forberede dig på eller en anden vinkel på et oplæg. Sparringen bliver mest relevant, når modellen får det materiale, du faktisk arbejder med, frem for en kort og generel beskrivelse af sagen.

Rolletildeling gør også en forskel. “Du er økonomichef i en mellemstor kommune og skal godkende det her forslag. Skriv de fem indvendinger, du ville rejse på mødet” giver noget andet end “hvad synes du om mit oplæg?”. Du angiver, hvilket perspektiv modellen skal tage, og hvad du vil have den til at lede efter.

Når vi laver workshops for virksomheder, bygger vi derfor øvelserne op omkring deltagernes egne arbejdsopgaver. Vi holder typisk et forberedende onlinemøde, hvor vi sammen finder relevante opgaver og dokumenter. På selve workshoppen underviser vi deltagerne i at bruge materialet fra deres konkrete arbejde som grundlag for sparring med ChatGPT.

Brug svarene som en tjekliste, ikke som en dom. Fagligheden bliver ved dig; modellen kan pege på spørgsmål og indvendinger, men du skal selv vurdere, hvilke der er relevante.

Automatisering af det, der gentager sig

Den fjerde type er den, de fleste når til sidst, og med god grund. Når den samme opgave skal løses ens hver gang, kan du gemme opgavebeskrivelsen som en fast rutine, så kolleger løser opgaven på samme måde uden at skrive prompten forfra.

Går man et skridt videre, bevæger man sig over i AI-agenter: sprogmodeller med en grad af autonomi til at udføre handlinger. Her er skellet mellem lav og høj autonomi det afgørende. Ved lav autonomi godkender et menneske hvert skridt; ved høj autonomi kører agenten selv inden for rammer, I har defineret. Jo mere standardiseret opgaven er, og jo tydeligere reglerne er, desto mere giver høj autonomi mening, og desto mere kræver det, at nogen har taget stilling til adgang, ansvar og sporbarhed på forhånd. Det er emnet for agent-workshoppen, ikke for jeres første måned.

Sådan begynder I med ChatGPT på arbejdet

De tre første typer kan de fleste gå i gang med i denne uge. Vores anbefaling er at vælge én opgave og blive god til den, før I breder det ud: en opgave, der kommer igen, og som ikke er kritisk, hvis første forsøg bliver middelmådigt.

Skal flere med på én gang, er det netop den øvelse, vi laver på ChatGPT-workshoppen: Deltagerne finder opgaverne i deres egen hverdag, bygger prompts til dem og tager dem med hjem som noget, der virker mandag morgen. Men vent ikke på en workshop for at komme i gang. Find den opgave, du løser hver uge, og prøv den af i morgen.