Del 1: Teoretisk Indlæg (09.10-11.00)

1. Velkomst og Kontekst (5 min)

Emner:

  • Hvem er jeg (Torben Madsen, AI-konsulent)
  • Hvad skal vi nå i dag
  • Hvordan passer dette ind i REGITSE’s tema: “Navigere i forhold til rette kurs og destination”

Formål: Sætte scenen, skabe forventninger

2. AI-Modeller: Hvad Kan De? (15 min)

Emner:

  • Kort introduktion til forskellige modeller (ChatGPT, Claude, Gemini, Llama, Mistral)
  • Hvad kan de forskellige modeller?
  • Hvornår bruges hvad?

Konkret:

  • ChatGPT: Generel tekst, dialog, oversættelse
  • Claude: Længere kontekst, analyse
  • Gemini: Multimodal (tekst + billeder)
  • Llama/Mistral: On-prem alternativer
  • GitHub Copilot: Kode-specifik (IKKE tekst!)

Vigtigt at understrege:

  • GitHub Copilot er til KODE, ikke tekst/ændringsønsker
  • Forskellige modeller til forskellige opgaver
  • Det er teknologiforståelse, ikke produktforståelse

Se også: Indflyvning Sprogmodeller for grundlæggende forklaring

3. Problemstilling: One-Liners vs. Kvalificerede Ændringsønsker (20 min)

Emner:

  • Hvad er problemet? (baseret på Lines eksempler)
  • Hvorfor er one-liners et problem?
  • Hvad koster det?

Konkret:

  • Vis eksempler fra Lines team:
    • ❌ One-liner: “Statistik/Dashboard. Hvor mange billeder er kommet ind?”
    • ✅ Kvalificeret: “ADMIN - Roller på domæner” (med problem, løsning, eksempler)

Problemer med one-liners:

  • Udviklere kan ikke arbejde med dem
  • Testmanager forstår ikke hvad der ønskes
  • Mange “ping-pong” spørgsmål
  • Tidsforbrug på fejlretning

Kost:

  • Tid på spørgsmål fremfor udvikling
  • Forkert implementering der skal laves om
  • Frustrerede brugere

Visualisering: Før og Efter AI

graph TB
    subgraph "FØR AI"
        A1[One-Liner] --> A2[Udvikler Spørger]
        A2 --> A3[Forretning Svarer]
        A3 --> A4[Udvikler Spørger Igen]
        A4 --> A5[Forretning Svarer Igen]
        A5 --> A6[Endelig Forståelse]
        A6 --> A7[Udvikling Starter]
        A7 --> A8[Testmanager Spørger]
        A8 --> A9[Forkert Implementering?]
        A9 -->|Ja| A10[Fejlretning]
    end
    
    subgraph "EFTER AI"
        B1[One-Liner] --> B2[AI Kvalificerer]
        B2 --> B3[Kvalificeret Specifikation]
        B3 --> B4[Udvikling Starter Direkte]
        B4 --> B5[Testmanager Har Kriterier]
        B5 --> B6[Korrekt Implementering]
    end
    
    style A1 fill:#ffcccc
    style A10 fill:#ffcccc
    style B1 fill:#ffe6cc
    style B3 fill:#ccffcc
    style B6 fill:#ccffcc

Formål: Skabe forståelse for problemet, relatere til deres egen situation

Se også: Change Requests for eksempler og prompts

4. AI som Kvalificeringsværktøj - Koncept (25 min)

Emner:

  • Hvordan kan AI kvalificere ændringsønsker?
  • AI som “oversætter” mellem afdelinger
  • Strukturering af input

Konkret Demo-Koncept:

  1. Vis one-liner fra Lines team
  2. Vis hvordan AI kan:
    • Identificere manglende information
    • Stille kvalificerende spørgsmål
    • Strukturere svar i standardiseret format
  3. Vis resultat: Kvalificeret ændringsønsker

Proces:

  • Input: One-liner
  • AI: Stiller spørgsmål, kvalificerer
  • Output: Struktureret ændringsønsker med problem, løsning, testkriterier

Formål: Vise potentialet, skabe interesse

Se også: Change Requests for copy/paste prompts

5. Faldgrupper og Troværdighed (20 min)

Emner:

  • AI gætter - det er ikke Google
  • Hvordan får man det mest troværdige svar?
  • Faldgrupper ved chatbot-brug

Konkret:

  • AI gætter: Probabilistisk model, ikke fakta-database
  • Hallucinationer: AI finder på ting
  • Kontekst er kritisk: Jo mere kontekst, jo bedre svar
  • Verificering: Altid tjek AI’s svar med faglighed

Tips til troværdige svar:

  • Giv nok kontekst
  • Stil opfølgende spørgsmål (“er du sikker?”, “giv mig kilder”)
  • Brug faglighed til at validere
  • Test resultaterne

Faldgrupper:

  • Blind tillid til AI
  • For abstrakte prompts
  • Manglende kontekst
  • Ikke verificering af svar

Formål: Skabe realistiske forventninger, lære dem at bruge AI sikkert

6. Risikostyring: Lederes Forståelse (15 min)

Emner:

  • Lederne tror AI løser alle problemer
  • Lederne tror AI ikke gætter
  • Hvordan forklarer vi risikoen?

Konkret:

  • Eksempel fra transcript: “Vi sætter lige en chat-GPT på hele vores kvalitetsstyringssystem”
  • Problem: Hvis der ikke findes noget i systemet, hvad gør AI så?
  • Løsning: Forståelse for AI’s begrænsninger

Budskab til ledere:

  • AI er en sparringspartner, ikke en guru
  • AI understøtter dygtige folk, erstatter dem ikke
  • Der er risici - de skal forstås og mitigeres
  • Fagpersonerne skal bruge AI (de kan fange fejl)

Formål: Give ledere realistisk forståelse, undgå overoptimisme

7. Afrunding Del 1 (10 min)

Emner:

  • Opsummering af nøglepunkter
  • Forberedelse til hands-on session
  • Q&A

Formål: Sikre forståelse, klar til praktisk arbejde

📝 Nøglepunkter fra Del 1

  • AI er probabilistisk - den gætter, ikke fakta
  • Kontekst er kritisk - jo mere, jo bedre
  • AI er sparringspartner, ikke guru
  • Fagpersonerne skal bruge AI (de kan fange fejl)
  • AI kan kvalificere one-liners → udviklingsklare specifikationer