Der har aldrig været flere automatiseringsværktøjer. AI-agenter, der kan læse din indbakke, opsummere dine møder, skrive dine svar, kode for dig, organisere din uge. Hver måned kommer en ny bølge.
Alligevel laver de fleste, vi taler med, stadig det samme manuelle, gentagende og drænende arbejde, som de gjorde for to år siden.
Hvorfor?
Vi har brugt de sidste par måneder på at finde svaret. Vi satte os ned med 22 personer på tværs af roller, brancher og kompetenceniveauer. Omtrent tre fjerdedele havde teknisk baggrund. Resten havde ikke. Cirka halvdelen arbejdede i tech. Den anden halvdel gjorde ikke.
Vi spurgte dem, hvordan deres arbejde var. Hvad der var svært. Hvad de ønskede at ændre.
Vi fandt fire barrierer, der går igen og igen, uanset hvad folk laver eller hvor tekniske de er. Tre af dem er personlige. Den fjerde er strukturel. Sammen forklarer de, hvorfor automatisering, trods at have været det mest lovede softwareområde i to årtier, stadig mest er et håb for de fleste.
Her er de.
Barriere 1: Du kan ikke se, hvad der er i stykker
Det første, der overraskede os: Når vi spurgte folk, hvad der var svært eller frustrerende ved deres arbejde, gav de fleste os vage overskriftsklager. "At jonglere prioriteter." "Kommunikation." "Jeg har bare travlt." Intet konkret. Intet brugbart.
Så vi prøvede et andet spørgsmål: "Hvis du kunne vifte med en tryllestav og fikse én ting ved dit nuværende workflow, hvad skulle det så være?"
Pludselig kom der tydelig smerte. Konkrete opgaver. Ting, de hadede. De samme personer, der havde trukket på skuldrene fem minutter før, havde nu tre svar hver.
En person fortalte os:
"Ja, jeg er enig. Jeg har haft virkelig mange diskussioner. Men bare det at holde alle opdateret er sådan en kedelig del af jobbet."
En anden, der beskrev en kvartalsproces:
"Det ville helt klart være at slippe af med denne manuelle opfølgning. Det tager bare for meget af vores tid. Det sker næsten hvert kvartal. Og i den uge, det foregår, hader alle det."
En tredje interviewperson om en tilbagevendende opgave:
"Nogle gange får jeg en butiksanmodning om at afstemme lageret online. Anmodningen er så... den er ikke standardiseret. Nogle gange får jeg de rigtige butiks-ID'er. Nogle gange skal butiks-ID'et være med store bogstaver, men de sender det med små. Formatet er forkert. Jeg skal manuelt tilpasse alle formater, så det er korrekt, lægge det ind i maskinen og trykke på knappen."
Ingen af disse personer havde tænkt på disse opgaver som noget, der kunne automatiseres, før vi stillede det rigtige spørgsmål. De havde gjort det i måneder eller år. Det var bare jobbet.
Det er ikke en personlig fejl. Det er sådan opmærksomhed fungerer. Gentagne opgaver forsvinder i baggrunden. Din hjerne holder op med at markere dem som vigtige, fordi de er forudsigelige. Ubehaget ved at udføre dem bliver til "mandag".
Du kan ikke automatisere det, du ikke kan sætte navn på. Og de fleste kan ikke selv sætte navn på det, der er i stykker i deres arbejde.
Det er barriere et.
Barriere 2: Du ved ikke, hvor du skal starte
Lad os sige, du kan se, hvad der er i stykker. Du ved præcis, hvilken opgave der dræner din uge. Du har endda adgang til AI-værktøjer, der sikkert kunne klare det.
De fleste går alligevel i stå.
Problemet: For mange muligheder, intet konkret startpunkt. Beslutningsparalyse overført til automatisering. Når du kan automatisere alt, ender du ofte med ikke at automatisere noget.
En person sagde til os:
"Hvordan får man AI til at gøre det? Hvordan formulerer man beskeden til AI? Jeg tror, det tager tid at lære at være mere specifik."
De vidste, at AI kunne. De vidste bare ikke, hvordan de skulle rette den mod deres arbejde.
En anden interviewperson beskrev det mere direkte:
"Jeg synes ikke, det er særlig tydeligt i brugerfladen, hvad man ellers kan gøre. For når man bare skriver et prompt, tænker jeg, 'åh, jeg skal selv finde på, hvad jeg har brug for.' Men jeg har ikke rigtig et valg, vel? Jeg ved ikke, hvad den ellers kan. Så hvor langt kan jeg forestille mig mit problem? I vores tidligere samtale fandt jeg ud af, at jeg kunne bede den om en standup-rapport på min mail, eller måske oprette en Linear-sag eller noget. Så det var ikke klart."
De uddyber:
"Måske hvis der var en dropdown eller eksempler på prompts eller skabeloner, jeg kunne bruge, ville det hjælpe, i stedet for at jeg skal opfinde det hele fra bunden."
En tredje ønskede noget endnu mere konkret:
"Der er så mange. Tech-stakken er enorm nu. Der er så mange muligheder. Så hvis nogen kunne fortælle mig, hvilket værktøj jeg burde bruge, hvilket der er mest effektivt til hver opgave, jeg laver. Hvis nogen kunne kigge på min Linear og sige, hey, til denne opgave burde du bruge dette i stedet for Claude Code eller noget. Det ville være virkelig rart."
Folk har ikke brug for flere muligheder. De har brug for et konkret startpunkt. Et rigtigt eksempel. Et workflow, nogen som dem har bygget, der virker fra ende til anden, som de kan kopiere og tilpasse.
Det er én af grundene til, at de samme fem workflows bliver automatiseret overalt: morgenbriefs, ugentlige rapporter, indbakke-triage, standup-noter, kundesammendrag. Det er ikke de bedste automatiseringer. Det er bare dem med offentlige skabeloner og tydelige startpunkter.
Alt andet forbliver manuelt. Ikke fordi det ikke kan automatiseres, men fordi ingen har vist, hvordan "at starte" ser ud.
Det er barriere to.
Barriere 3: Omkostningen ved at starte er højere end ved at lade være
OK, du har identificeret arbejdet. Du har et konkret startpunkt. Nu skal du faktisk sætte det op.
Her stopper de fleste.
En interviewperson fortalte om et AI-værktøj, deres kolleger brugte regelmæssigt:
"Jeg kender OpenClaw, men jeg har aldrig selv prøvet det. Jeg ved, mine kolleger bruger det, men jeg har aldrig prøvet det."
Da vi spurgte hvorfor, sagde de, at opsætningen var for kompleks og tidskrævende. De havde aldrig engang forsøgt. At kollegerne brugte det med succes, var ikke nok. Den oplevede aktiveringsomkostning var så høj, at de bare... lod være.
En anden var endnu mere direkte om frafaldspunktet:
"Jeg tror personligt, det især gælder nye brugere. For der er mange, der ser det her og gerne vil prøve det. Og når de så går i gang og skriver NPM install, og så får beskeden 'du skal også installere Claude' oveni... der tror jeg, mange bare giver op og ikke gider fortsætte."
Og bag begge citater ligger den samme rationelle beregning. En tredje interviewperson sagde det direkte:
"Når vi vil automatisere workflowet, vil vi bare spare tid og øge produktiviteten. Vi vil ikke bruge så meget tid på værktøjer, der skulle gøre os mere effektive."
Det er ikke dovenskab. Det er matematik.
Hele pointen med automatisering er at spare tid. Men for de fleste workflows tager opsætningen længere tid end bare at gøre opgaven manuelt. Du bruger timer på at lære brugerfladen, timer på at forbinde triggers, timer på at teste særtilfælde, og først derefter begynder du at spare tid. For opgaver, der sker ugentligt, er tilbagebetalingstiden måneder. For månedlige eller kvartalsvise opgaver går regnestykket aldrig op.
Så folk springer det over.
Tidligere erfaringer forværrer problemet. Folk har prøvet værktøjer, der lovede alt og leverede en 40-trins opsætning. De har brugt tid på at lære brugerflader, der ikke gav gevinst. Så selv når et nyt værktøj faktisk virker, gør tidligere erfaringer dem tøvende med at investere tiden.
De fleste automatiseringsværktøjer antager, at du vil bruge en time på at lære, før du får værdi. For de fleste, især de ikke-tekniske, slutter forholdet der.
Det er barriere tre.
Barriere 4: Din organisation tillader det ikke
Her er den barriere, der er sværest at løse, og som vi oftest hører om fra folk i større organisationer.
Selv hvis du kan se, hvad der er i stykker, ved præcis hvor du skal starte og er villig til at investere opsætningstiden, kan din virksomhed nægte dig at gøre det.
En person, vi interviewede, som arbejder i en stor virksomhed, beskrev det sådan her:
"Alle værktøjer, vi bruger, skal enten godkendes af kunden eller internt. Når det er godkendt og budgettet er givet, køber vi værktøjet person for person."
Godkendelse. Budget. Licens pr. person. For hvert nyt værktøj. Når processen er færdig, er det øjeblik, der motiverede dig til at prøve det, for længst forbi.
Men den dybere version af problemet er ikke bare "jeg kan ikke få værktøjet godkendt." Det er, at selv når du må bruge AI-værktøjer personligt, kan du ikke forbinde dem til de systemer, hvor dit arbejde foregår. Den samme person:
"Jeg kan ikke forbinde mit arbejdsmiljø med dette. Hvis jeg bruger det privat, kan jeg ikke forbinde min Salesforce. Jeg kan ikke forbinde mine Teams. Fordi det ligger på min arbejdscomputer."
De har adgang til ChatGPT. De har opgaver, de gerne vil automatisere i Salesforce. De to kan ikke forbindes. Den automatisering, de ønsker, kræver en bro mellem deres personlige værktøjer og deres arbejdsdata, og den bro er forbudt.
Det er ikke kun et storvirksomhedsproblem. En anden interviewperson sagde:
"Jeg tror, store virksomheder har en vis bekymring for privatliv. Vi må gerne bruge ChatGPT. Vi må ikke bruge Gemini. Jeg ved ikke hvorfor. Jeg ved ikke hvorfor. Men det er bare virksomhedens valg."
"Jeg ved ikke hvorfor." Den sætning hører vi ofte, når folk taler om deres organisations værktøjsbegrænsninger. Valgene føles vilkårlige indefra. Nogle værktøjer godkendt, andre ikke, uden klar logik. Du må arbejde uden om reglerne uden at forstå dem.
For mange er det den reelle mur. Ikke "jeg kan ikke se, hvad der er i stykker." Ikke "jeg ved ikke, hvordan jeg skal automatisere det." Men "jeg må ikke."
Denne barriere er sværere end de andre, fordi det ikke handler om dig. Det handler om dit miljø. Og miljøer ændrer sig langsomt.
Det er barriere fire.
Hvad betyder det?
Disse fire barrierer ligger lag på lag. Selv hvis du kommer forbi den første, rammer du den næste. Forbi den anden, rammer du den tredje. Og selv hvis du overvinder alle tre, kan organisationen stadig stoppe dig.
Sammen danner de en mur, de fleste aldrig kommer forbi, selv når de ved præcis, hvad de vil fikse. Derfor er workflow-automatisering, trods at have været det mest lovede softwareområde i to årtier, stadig mest et håb.
Vi tror, muren kan brydes. Ikke hele vejen, ikke for alle, men mere end de nuværende værktøjer antager. Vi har brugt de sidste måneder på at bygge løsninger, der specifikt adresserer de første tre barrierer, og tænkt meget over, hvordan automatisering kan gøres så sikkert, at den fjerde barriere med tiden bliver mindre begrænsende. Vi har holdninger til, hvad der virker. Men vi vil hellere vise dig det end fortælle om det.
Så her er, hvad vi gør i stedet.
Lørdag den 16. maj holder vi et gratis hands-on lab i San Jose. Vi gennemgår, hvordan du spotter, hvad der kan automatiseres i dit eget arbejde, hvor du starter, når du har hundrede muligheder, og hvordan du sætter din første AI-kollega op på under 15 minutter. Ingen kodning.
Der er plads til 30 personer. Tilmeld dig: https://luma.com/yqpulmgq
Tirsdag den 20. maj laver vi et lignende arrangement i San Francisco. Detaljer og tilmelding kommer snart. Følg @vm0_ai for at være den første, der får besked.
Hvis du ikke kan deltage i nogen af arrangementerne, så følg os alligevel. Vi skriver om, hvad folk faktisk bygger på labbet. Workflows, overraskelser, det der ikke virkede. Vi udgiver det i næste indlæg. Så du får de praktiske svar uanset hvad.
De fire barrierer ovenfor er virkelige. Vi hører om dem fra næsten alle, vi taler med. De første tre kan løses i dag. Den fjerde tager længere tid, men den kan også løses. Vi bruger de næste uger på at bevise det – til arrangementerne og i det, vi udgiver næste gang.
Citaters roller er anonymiseret. Interviewudvalg: 22 personer fra software/AI, sundhed, scenekunst, produktion, rådgivning, detail, biomekanik og nonprofit. Cirka 73% med teknisk baggrund og 27% uden.
