Det har aldri vært flere automatiseringsverktøy. AI-agenter som kan lese innboksen din, oppsummere møtene dine, utforme svar, skrive kode, organisere uken din. Hver måned kommer en ny bølge.
Likevel gjør de fleste vi snakker med fortsatt det samme manuelle, repeterende, utmattende arbeidet de gjorde for to år siden.
Hvorfor?
De siste månedene har vi forsøkt å finne svaret. Vi satte oss ned med 22 personer på tvers av roller, bransjer og ferdighetsnivåer. Omtrent tre fjerdedeler hadde teknisk bakgrunn. Resten hadde ikke. Omtrent halvparten jobbet i teknologibransjen. Den andre halvparten gjorde ikke det.
Vi spurte dem hvordan arbeidshverdagen deres var. Hva som var vanskelig. Hva de skulle ønske de kunne endre.
Vi fant fire barrierer som dukker opp igjen og igjen, uansett hva noen jobber med eller hvor tekniske de er. Tre av dem er personlige. Den fjerde er strukturell. Sammen forklarer de hvorfor automatisering, til tross for å ha vært den mest lovede kategorien i programvare i to tiår, fortsatt stort sett er et håp for de fleste.
Her er de.
Barriere 1: Du ser ikke hva som er ødelagt
Det første som overrasket oss: Da vi spurte folk hva som var vanskelig eller frustrerende med jobben deres, fikk vi stort sett vage overskriftsklager. "Å sjonglere prioriteringer." "Kommunikasjon." "Jeg er bare travel." Ingenting konkret. Ingenting å ta tak i.
Så vi prøvde et annet spørsmål: "Hvis du kunne vifte med en tryllestav og fikse én ting med arbeidsflyten din, hva ville det vært?"
Plutselig kom det tydelig smerte. Konkrete oppgaver. Ting de hatet. De samme personene som trakk på skuldrene fem minutter tidligere hadde nå tre svar hver.
En person vi intervjuet sa:
"Ja, jeg er enig. Jeg har hatt masse diskusjoner. Men det å holde alle oppdatert er en så kjedelig del av jobben."
En annen, som beskrev en kvartalsprosess:
"Det ville vært å eliminere denne manuelle oppfølgingen, helt klart. Det tar bare for mye av tiden vår. Det gjøres nesten hvert kvartal. Og det er liksom den uken det skjer, alle hater det."
En tredje intervjuet om en gjentakende oppgave:
"Noen ganger får jeg en forespørsel i butikken om å samkjøre lageret på nett. Forespørselen er så... den er ikke standardisert. Noen ganger får jeg riktige butikk-IDer. Noen ganger må butikk-IDen være med store bokstaver, men de sender små. Formatet er feil. Jeg må manuelt kalibrere alle formatene for å være sikker på at det er riktig, legge det inn i maskinen og trykke på knappen."
Ingen av disse hadde tenkt på disse oppgavene som automatiserbare før vi stilte det riktige spørsmålet. De hadde gjort dem i måneder eller år. Det var bare jobben.
Dette er ikke en personlig feil. Det er slik oppmerksomhet fungerer. Repeterende oppgaver forsvinner i bakgrunnen. Hjernen din slutter å merke dem som verdt oppmerksomhet fordi de er forutsigbare. Ubehaget ved å gjøre dem blir til "mandag".
Du kan ikke automatisere det du ikke kan navngi. Og de fleste klarer ikke å sette ord på det som er ødelagt i arbeidet sitt uten hjelp.
Det er barriere én.
Barriere 2: Du vet ikke hvor du skal begynne
La oss si at du ser hva som er ødelagt. Du vet nøyaktig hvilken oppgave som tapper deg for tid. Du har til og med tilgang til AI-verktøy som sannsynligvis kan håndtere det.
De fleste stopper likevel opp.
Problemet: For mange muligheter, ingen konkret start. Beslutningsvegring brukt på automatisering. Når du kan automatisere alt, ender du ofte med å ikke automatisere noe.
En person sa til oss:
"Hvordan får du liksom AI til å gjøre det? Hvordan lager du meldingen til AI for å få det gjort? Jeg tror det tar tid å lære seg å være mer spesifikk."
De visste at AI var kapabel. De visste bare ikke hvordan de skulle rette den mot sitt arbeid.
En annen intervjuet beskrev det mer direkte:
"Jeg synes ikke det er veldig tydelig fra brukergrensesnittet hva annet du kan gjøre. For når du bare skriver inn en prompt, så må jeg liksom tenke ut hva jeg trenger. Men jeg har egentlig ikke noe valg, ikke sant? Jeg vet ikke hva annet det kan gjøre. Så hvor langt kan jeg forestille meg mitt problem? I vår forrige samtale skjønte jeg at jeg kunne be om en standup-rapport på e-posten min, eller kanskje opprette en Linear-sak eller noe sånt. Så jeg synes det var litt uklart."
De utdypet:
"Kanskje hvis du hadde en nedtrekksmeny eller eksempelpåstander eller maler jeg kunne bruke, føler jeg det kunne hjulpet, i stedet for at jeg må tenke ut alt fra bunnen av."
En annen ønsket noe enda mer konkret:
"Det er så mange. Teknologistakken er enorm nå. Det er så mange muligheter. Så hvis noen kunne fortelle meg hvilket verktøy jeg burde bruke, hvilket som er mest effektivt for hver oppgave jeg gjør. For eksempel, se på min Linear og si at, hei, for denne oppgaven burde du bruke dette i stedet for Claude Code eller noe. Det hadde vært veldig fint."
Det folk trenger er ikke mer kapasitet. Det er et konkret startpunkt. Et ekte eksempel. En arbeidsflyt noen som dem har laget, som fungerer fra start til slutt, som de kan kopiere og tilpasse.
Dette er én grunn til at de samme fem arbeidsflytene blir automatisert overalt: morgenbrief, ukesrapport, innboks-sortering, standup-notater, kundesammendrag. Det er ikke de beste automatiseringene. Det er bare de som har offentlige maler og åpenbare startpunkter.
Alt annet forblir manuelt. Ikke fordi det ikke kan automatiseres, men fordi ingen har vist hvordan "å starte" ser ut.
Det er barriere to.
Barriere 3: Kostnaden ved å starte er høyere enn å la være
OK, du har identifisert arbeidet. Du har et konkret startpunkt. Nå må du faktisk sette det opp.
Her gir de fleste opp.
En intervjuet fortalte oss om et AI-verktøy kollegaene brukte jevnlig:
"Jeg kjenner til OpenClaw, men jeg har aldri prøvd det selv. Jeg vet at kollegaene mine bruker det, men jeg har aldri prøvd det."
Da vi spurte hvorfor, sa de at oppsettet var for komplisert og tidkrevende. De hadde aldri engang forsøkt. Det at kollegaene fikk det til var ikke nok. Den opplevde aktiveringskostnaden var høy nok til at de bare... lot være.
En annen var enda mer direkte om hvor det stoppet opp:
"Jeg tror personlig det gjelder spesielt for nye brukere. For det er mange som ser dette og vil prøve det ut. Og når de går videre og skriver inn den NPM install, og så får de beskjed om at 'du trenger en Claude install også' i tillegg... det er der jeg tror mange bare gir opp, og ikke gidder å fortsette."
Og under begge sitatene ligger samme rasjonelle vurdering. En annen intervjuet sa det rett ut:
"Når vi vil automatisere arbeidsflyten, vil vi bare spare tid og øke produktiviteten. Vi vil ikke bruke masse tid på verktøyene som skal gjøre oss mer effektive."
Dette er ikke latskap. Det er matematikk.
Hele poenget med automatisering er å spare tid. Men for de fleste arbeidsflyter tar oppsettet lengre tid enn å gjøre oppgaven manuelt. Du bruker timer på å lære grensesnittet, timer på å koble sammen triggere, timer på å teste unntak, og først etter alt dette begynner du å spare tid. For ukentlige oppgaver tar det måneder før det lønner seg. For månedlige eller kvartalsvise oppgaver går regnestykket aldri opp.
Så folk lar det være.
Tidligere erfaring forsterker problemet. Folk har prøvd verktøy som lovet alt og leverte et 40-stegs oppsett. De har brukt tid på å lære grensesnitt som ikke ga uttelling. Så selv når et nytt verktøy faktisk fungerer, gjør tidligere erfaring dem nølende til å investere.
De fleste automatiseringsverktøy antar at du vil bruke en time på å lære før du får verdi. For de fleste, spesielt de ikke-tekniske, er det der forholdet slutter.
Det er barriere tre.
Barriere 4: Organisasjonen din lar deg ikke
Her er barrieren som er vanskeligst å løse, og den vi oftest hører om fra folk i større organisasjoner.
Selv om du ser hva som er ødelagt, vet nøyaktig hvor du skal starte og er villig til å bruke tid på oppsett, kan det hende at bedriften din ikke lar deg gjøre det.
En person vi intervjuet, som jobber i et stort konsern, beskrev hvordan dette ser ut i praksis:
"Hvert verktøy vi bruker må enten godkjennes av kunden eller internt. Når det er godkjent og budsjettet er satt av, kjøper vi verktøyet person for person."
Godkjenning. Budsjett. Lisens per person. For hvert nytt verktøy. Når prosessen er ferdig, er motivasjonen som fikk deg til å ville prøve det for lengst borte.
Men den dypere versjonen av problemet er ikke bare "jeg får ikke godkjent verktøyet." Det er at selv når du kan bruke AI-verktøy privat, kan du ikke koble dem til systemene der arbeidet ditt faktisk skjer. Den samme personen:
"Jeg kan ikke koble arbeidsmiljøet mitt til dette. Hvis jeg bruker det privat, kan jeg ikke koble til Salesforce. Jeg kan ikke koble til Teams. Fordi det ligger på jobb-PC-en min."
De har tilgang til ChatGPT. De har oppgaver de gjerne skulle automatisert i Salesforce. De to kan ikke kobles sammen. Automatiseringen de ønsker krever å bygge bro mellom personlige verktøy og jobbdata, og den broen er forbudt.
Dette er ikke bare et storbedriftsproblem. En annen intervjuet sa:
"Jeg tror store selskaper har et visst fokus på personvern. Vi får bruke ChatGPT, men ikke Gemini. Jeg vet ikke hvorfor. Jeg vet ikke hvorfor. Men det er liksom et selskapsvalg."
"Jeg vet ikke hvorfor." Den setningen kommer ofte opp når man snakker med folk om organisasjonens verktøysbegrensninger. Valgene føles vilkårlige fra innsiden. Noen verktøy godkjent, andre ikke, ingen tydelig logikk. Du må jobbe rundt reglene uten å forstå dem.
For mange er dette den virkelige veggen. Ikke "jeg ser ikke hva som er ødelagt." Ikke "jeg vet ikke hvordan jeg skal automatisere det." Men "jeg får ikke lov."
Denne barrieren er vanskeligere enn de andre fordi det ikke handler om deg. Det handler om omgivelsene dine. Og omgivelser endrer seg sakte.
Det er barriere fire.
Hva dette betyr
Disse fire barrierene er lagvis. Selv om du kommer forbi den første, møter du den andre. Forbi den andre, møter du den tredje. Og selv om du kommer gjennom alle tre, kan organisasjonen stoppe deg uansett.
Sammen danner de en vegg de fleste aldri kommer forbi, selv når de vet nøyaktig hva de vil fikse. Derfor er arbeidsflytautomatisering, til tross for å ha vært den mest lovede kategorien i programvare i to tiår, fortsatt mest et håp.
Vi tror veggen kan brytes. Ikke alt, ikke for alle, men mer enn dagens verktøy antar. Vi har brukt de siste månedene på å bygge ting spesielt for å løse de tre første barrierene, og tenkt nøye på hvordan vi kan gjøre automatisering trygg nok til at den fjerde blir mindre begrensende over tid. Vi har meninger om hva som fungerer. Men vi vil heller vise deg enn å fortelle.
Så her er hva vi gjør i stedet.
Lørdag 16. mai holder vi et gratis praktisk lab i San Jose. Vi går gjennom hvordan du kan oppdage hva som kan automatiseres i ditt eget arbeid, hvor du skal starte når du har hundre alternativer, og hvordan du setter opp din første AI-kollega på under 15 minutter. Ingen koding.
Maks 30 personer. Meld deg på: https://luma.com/yqpulmgq
Tirsdag 20. mai arrangerer vi et lignende arrangement i San Francisco. Detaljer og påmelding kommer snart. Følg @vm0_ai for å være først ute.
Hvis du ikke kan delta på noen av arrangementene, følg oss likevel. Vi skriver om hva folk faktisk bygger på laben. Arbeidsflytene, overraskelsene, det som ikke fungerte. Vi publiserer det i neste innlegg. Så du får de praktiske svarene uansett.
De fire barrierene over er reelle. Vi hører om dem fra nesten alle vi snakker med. De tre første kan løses i dag. Den fjerde tar lengre tid, men den kan også løses. Vi skal bruke de neste ukene på å bevise det, på arrangementene og i det vi publiserer fremover.
Sitatene er anonymisert til rolle. Utvalget: 22 personer fra programvare/AI, helse, scenekunst, produksjon, rådgivning, detaljhandel, biomekanikk og ideelle organisasjoner. Omtrent 73% med teknisk bakgrunn og 27% uten.
