När AI löser schemat – och förändringsarbetet börjar på riktigt

Häromdagen frågade min fru, som är mellanstadielärare, om AI skulle kunna hjälpa till att optimera schemat inför skolstarten. Hennes kollega hade tydligen sagt: “Kan han fixa det här kan jag ge honom vad som helst.” Ingen press alltså. 😅

Men det är precis den här typen av uppgifter som gör mig så nyfiken på praktisk AI. Inte för att schemaläggning låter flashigt. Utan för att det är rörigt, lokalt, fullt av undantag och väldigt tidskrävande för människor som redan har fullt upp.

Och kanske framför allt: det visar att den stora AI-frågan i många verksamheter inte längre är “fungerar tekniken?” utan “vet vi hur vi ska använda den?”

Från skärmdumpar till färdiga Excel-filer

Min fru skickade några skärmdumpar på redan satta lektioner och beskrev ett antal regler som behövde följas. Vissa lektioner måste ligga på särskilda tider. Vissa kombinationer får inte krocka. Vissa klasser har givna begränsningar. Sådant som säkert är självklart för den som arbetar med schemat varje år, men som för en utomstående ser ut ungefär som ett korsord där någon tappat bort hälften av ledtrådarna.

Jag tittade på materialet en stund och insåg ganska snabbt att jag inte tänkte sätta mig in i all logik själv.

Så jag ringde upp henne, slog på telefoninspelningen och började ställa frågor.

Reaktionen kom direkt:

“Vad sjutton håller du på med?”

Mitt svar var ganska enkelt:

“Jag vill få med allt du säger, för jag tänker inte lära mig hela schemalogiken. Det får AI göra.”

Tio minuter senare hade jag tillräckligt med material. ChatGPT fick gå igenom bilderna, tolka lektioner, tider, klasser och regler. Efter några omtag landade vi i färdiga Excel-filer med ett blad per klass och färgkodning per ämne.

Och för en gångs skull fick jag faktiskt ett “wow” hemma.

Det säger ändå något. Min fru har hört en del AI-snack vid det här laget och är inte direkt lättimponerad. 😇

Varför det här är ett bra AI-case

Det här var inte ett perfekt, standardiserat flöde. Det fanns inga rena datatabeller från början. Inga snygga API:er. Inga färdiga instruktioner. Bara skärmdumpar, muntliga regler och en massa lokala undantag.

Med andra ord: exakt så som mycket arbete ser ut i verkligheten.

AI är ofta som mest användbart när uppgiften innehåller:

✅ rörig information
✅ många små regler
✅ flera format samtidigt
✅ behov av struktur
✅ upprepade omtag
✅ ett resultat som ska kunna användas direkt

Det är också därför jag tycker att exemplet är relevant långt utanför skolan. Samma typ av problem finns i tillverkande företag, kommuner, vårdverksamheter, föreningar och små kontor överallt.

Någon sitter med en halvfärdig Excel-fil, en gammal PDF, några mejl, en bild på en whiteboard och en muntlig instruktion från “hon som brukar ha koll”. Sedan ska det bli ett beslutsunderlag, ett schema, en rapport eller en plan.

Tidigare hade det ofta krävts en specialbyggd lösning, ganska mycket manuellt arbete eller en person som kunde både verksamheten och tekniken. Nu går det ibland att göra direkt i ett verktyg som ChatGPT eller Microsoft Copilot – om man vet hur man ska angripa uppgiften.

Och där ligger en stor del av poängen.

Pro-läget: när AI behöver få jobba färdigt

En sak som var avgörande i det här fallet var att använda ett mer avancerat läge i ChatGPT för den sista optimeringsrundan.

Jag brukar tänka ungefär så här:

Den vanliga snabba chatten är perfekt för mycket. Den kan skriva om text, sammanfatta, ge förslag, strukturera information och hjälpa dig framåt. Men när uppgiften kräver att AI:n verkligen ska hålla många regler i huvudet, jämföra olika alternativ och göra en mer systematisk genomgång, då kan det vara värt att växla upp.

I ChatGPT finns det tyngre lägen för mer komplexa uppgifter. Namn och gränser ändras över tid, men principen är viktigare än produktetiketten: AI:n får mer tid och beräkningsutrymme att resonera, analysera och kontrollera sitt arbete.

Det är inte något jag skulle använda till varje liten fråga. Ska jag formulera ett mejl eller sammanfatta en kort text är det oftast onödigt. Men för en uppgift som skolans schema, där små fel kan skapa stora följdproblem, var det helt rimligt.

Man kan jämföra det med att välja rätt verktyg i verktygslådan:

• snabbchatt för enklare uppgifter (Använd i princip inte detta)
• tänkande läge för analys och problemlösning
• tyngre pro- eller agentläge för uppgifter där AI:n behöver arbeta längre, testa mer och hålla ihop flera delar

Här tror jag många användare missar potentialen. De testar AI på en komplex uppgift i “vanligt läge”, får ett halvbra svar och tänker: “Jaha, det där gick ju inte.”

Men ibland är problemet inte att AI:n inte kan. Problemet är att den inte fick rätt förutsättningar.

Kontext är inte fluff – det är bränslet

Det viktigaste i hela arbetet var egentligen inte vilken knapp jag tryckte på. Det viktigaste var kontexten.

AI:n behövde förstå:

1️⃣ Vad målet var
2️⃣ Vilka regler som var fasta
3️⃣ Vilka regler som var önskemål
4️⃣ Vad som redan var bestämt
5️⃣ Hur resultatet skulle presenteras
6️⃣ Vad som räknades som ett bra schema

Det är här många fastnar. Min fru och hennes kollegor har tillgång till Microsoft Copilot. I teorin hade de kanske kunnat göra något liknande där. Men det är inte säkert att de hade vetat var de skulle börja.

Och det är inte konstigt.

När man kan ett område väl har man ofta en massa tyst kunskap i huvudet. Man vet vilka undantag som är viktiga. Man vet vilka regler som “egentligen” betyder något annat i praktiken. Man vet vilka kompromisser som brukar fungera och vilka som skapar problem senare.

Men AI:n vet inte det förrän vi berättar det.

Det fina är att man inte alltid behöver skriva en perfekt prompt från början. I det här fallet var telefoninspelningen nästan bättre. Jag kunde ställa frågor, låta henne prata fritt och sedan använda samtalet som råmaterial.

Det är en väldigt underskattad metod:

✅ prata först
✅ transkribera
✅ låt AI:n strukturera
✅ be AI:n identifiera regler och oklarheter
✅ komplettera där det saknas information
✅ kör först därefter själva uppgiften

Det är ofta mycket lättare än att sitta framför en tom chattruta och försöka formulera den perfekta instruktionen.

Vissa lär sig AI direkt – andra behöver en väg in

Jag funderar ofta på varför vissa personer får en extremt snabb utvecklingskurva med generativ AI, medan andra fastnar efter några försök.

Min bild är att de som lyckas snabbt ofta har en intuitiv känsla för uppgiftsbeskrivning. De förklarar målet, ger exempel, beskriver begränsningar, testar, rättar och kör igen. De behandlar AI:n som en ganska kompetent men ny kollega som behöver onboarding.

Andra skriver kanske:

“Gör ett schema.”

Och när resultatet inte blir bra är det lätt att känna att AI inte fungerar.

Det här är inte en fråga om intelligens. Det är en färdighet. Och färdigheter behöver tränas.

För företag, skolor och organisationer betyder det att AI-implementering inte kan stanna vid att “alla får tillgång till verktyget”. Det räcker inte att köpa Copilot-licenser eller säga att medarbetarna får använda ChatGPT.

Man behöver också arbeta med:

✅ gemensamma exempel
✅ tydliga användningsområden
✅ uppföljning
✅ målsättning ✅ trygghet kring data och sekretess
✅ utbildning

Det är här AI går från inspiration till förändringsarbete.

Från testande till faktisk användning

Jag älskar att testa nya AI-verktyg. Det är ingen hemlighet. Men i många verksamheter finns det två eller tre personer som tycker detta är jätteroligt, medan resten tänker: “Jaha, ännu ett verktyg jag borde hinna lära mig.”

Därför behöver man göra AI konkret.

Inte börja med en stor vision. Inte börja med “nu ska vi transformera organisationen”. Börja med ett riktigt irritationsmoment.

Ett schema. En rapport. Ett mötesunderlag. En offertjämförelse. En sammanställning av kundmejl. En instruktion som alltid tar för lång tid att skriva.

När någon ser att AI kan spara två timmar på en uppgift de faktiskt bryr sig om, då händer något. Då blir det inte längre en teknisk trend. Då blir det ett verktyg.

Och när fler i organisationen börjar använda AI på det sättet, då kommer de stora effekterna. Inte från enstaka wow-demos, utan från hundratals små förbättringar i vardagen.

Det är där jag tror att den verkliga potentialen finns för många företag och verksamheter. Praktisk AI, nära arbetet, med tydliga ramar och lagom mycket nyfikenhet. Gärna med lite envishet också. Det brukar behövas.

Key Takeaway

AI skapar störst värde när den används på riktiga arbetsuppgifter, inte bara i inspirerande demos. Schemaläggningsexemplet visar hur ChatGPT kan ta rörig information, lokala regler och muntlig kontext och omvandla det till ett användbart arbetsmaterial.

Men tekniken räcker inte av sig själv. För att få effekt behöver verksamheter träna på kontext, promptning, uppföljning och tydliga arbetssätt. Det är först då AI går från “kul att testa” till något som faktiskt sparar tid i vardagen.

Vill du veta mer?

Vill du hitta liknande möjligheter i din verksamhet – där AI kan förenkla, strukturera och spara tid på riktigt? Jag hjälper gärna till genom AIOlle med AI-workshop, AI-föreläsning och praktisk AI-implementering för företag och organisationer.

Hör gärna av dig via e-post om du vill bolla ett konkret case. Ofta finns de bästa AI-möjligheterna redan mitt framför näsan på oss – de råkar bara ligga gömda i ett rörigt Excel-ark, några skärmdumpar och en kollegas huvud. 😁