Mit forrige indlæg handlede om, hvad AI gør ved konsulentbranchen som traditionelt (og sandsynligvis også fremadrettet) har overrepræsentation af seniorer. Men der er en anden side af den AI disruption vi står midt i, som kræver mindst lige så meget opmærksomhed: hvad sker der med den næste generation af nyuddannede, når AI overtager præcis de opgaver, juniorer plejer at lære faget på? Det emne berører direktøren for Nationalbanken også i dagens nyheder.
Seniorkonsulenter har et forspring ved at have opbygget erfaring med de organisatoriske beslutningsprocesser og den træghed, der ofte står i vejen for værdiskabelse. Seniorerne har typisk den erfaring der skal til for at korrigere AI og udvikle virkelig gode resultater med den.
Nyuddannede og juniorkonsulenter ser tilsyneladende ud til at få sværere ved at levere en værdi, der modsvarer den timepris, deres ydelser sælges til – så hvordan skal uddannelserne omstilles til den nye virkelighed?
Jeg har sat mig for at undersøge hvilke bud forskellige meningsdannere har på juniorernes udfordringer og kondenseret disse i dette indlæg.
Tendenser med positivt fremsyn
Entry-level-arbejde forsvinder ikke – opgaverne bliver omdefineret
Antallet af entry-level-jobopslag i USA er faldet med 35 procent over de seneste 18 måneder, i høj grad på grund af AI, ifølge tal citeret af World Economic Forum. Men det betyder ikke, at juniorrollen forsvinder – det betyder, at den skal have et klarere svar på, hvilke opgaver de skal løse.
Organisatoriske enheder vil stadig kunne bygges op af en stab af få seniorer og flere juniorer – ikke fordi juniorer er billigere at sætte på rutineopgaver, men fordi der genereres en stor mængde output som seniorerne skal eksekvere på. AI reducerer ikke den samlede mængde arbejde, der kræver menneskelig vurdering og ansvar – den flytter det. En analyse af AI's indvirkning på finansfunktioner beskriver præcis den mekanisme: jo mere AI producerer, jo mere skal der stadig godkendes og stås inde for, og den kapacitet vokser ikke bare, fordi AI gør.
Det er nu værd at fokusere juniorernes udvikling på at evnen til at arbejde selvstændigt inden for en retning, som seniorerne udstikker. Ingen ledelse vil give en nyuddannet lov til selv at godkende AI-drevne beslutninger på tværs af organisationen. Men de kan forberede beslutningsoplægget: analysere, vurdere AI's output og komme med en anbefaling, som en senior herefter tager stilling til. Hvor stort et scope de får lov at forberede på egen hånd, afhænger af, hvor modne de er – præcis den model, en Forbes-analyse om redesign af entry-level tech-roller beskriver som et ”reversibility budget”: en afgrænset, reversibel myndighed, der vokser i takt med demonstreret dømmekraft.
Harvard Business Review beskriver samme logik fra en anden vinkel: i stedet for at give juniorer ansvar på de store, risikable engagementer, giver flere brancher dem reel, men afgrænset autonomi på mindre, standardiserede opgaver tidligt.
Det peger direkte frem mod et andet spørgsmål: hvor meget af den selvstændighed og dømmekraft kan uddannelserne bygge ind, før den unge overhovedet får sit første job? Det vender jeg tilbage til.
Traditionelle kompetencer forudsiger ikke, hvem der lykkes med AI
Et studie fra KPMG og University of Texas med 523 tidligt-karriere-professionelle, omtalt i Harvard Business Review, inddelte juniorer i tre grupper efter, hvordan de arbejder med AI:
Den overraskende pointe er, at klassiske indikatorer på høj teoretisk viden ikke kunne give en forudsigelse på, hvem der endte i hvilken gruppe. Det, der reelt adskilte dem, var noget andet: Hvordan jeg bruger mine erhvervede færdigheder sammen med AI og får AI til at forstærke dem.
’Apprentices’ har svært ved at bringe selv høje færdigheder i spil og sender ofte AI i en forkert retning.
’Delegators’ er produktive og tilsyneladende gode til at udnytte AI, men stoler også på output’et uden kritisk reflektion.
’Amplifiers’ er stærke i at formulere problemer som guider AI i den rigtige retning, samtidig med at raffinere resultatet iterativt.
Sådan kan en ny tilgang formes
Det optimistiske budskab er at mesterlæren kan være inspiration for en ny tilgang. Det kræver, at den omformes fra observation, hvor eleven bliver i stand til at gentage mentoren – til et mere ligeværdigt partnerskab mellem elev og mentor.
Gør parring med en erfaren til en formel struktur – ikke et tilfælde. Studerende og nyuddannede bør systematisk teames op med en eller flere erfarne seniorer, netop for at accelerere deres evne til at udøve "AI discernment" – altså at genkende, hvornår et AI- output er brugbart, og hvornår det skal udfordres.
En analyse i Forbes om, hvad forfatteren kalder "intelligent talent density", peger på samme model: juniorer bidrager med AI-fortrolighed og et friskt blik, mens seniorer validerer output mod virkelighedens begrænsninger – i praksis "reverse mentoring" opad kombineret med fælles validering nedad. Det er en mesterlære bygget omkring at vurdere AI-arbejde sammen, i stedet for at observere og kopiere en senior.
Undervis så juniorer indhenter seniorers forspring. Giv juniorerne en basisforståelse af incitamentsstrukturerne bag et kundekrav – økonomisk vinding, politisk motivation, organisatorisk dynamik – og af, hvordan de omsættes til det, kunden reelt beder om. Det vil gøre juniorerne i stand til at udnytte AI langt bedre. Som supplement til seniorerne, vil juniorerne faktisk have en vis fordel i ikke at være tynget af for megen forudindtagethed. Dermed skubber juniorerne i retning af nytænkning og modernisering, ligesom juniorer kan have lettere ved at udnytte nye teknologier.
AI er i virkeligheden en enorm erfarings-base selv. Juniorerne bør aktivt bruge en alternativ AI som second-opinion til at udfordre og efterprøve, hvad den første AI kom frem til, i stedet for blot at acceptere det første svar. Praksissen er allerede udbredt i AI-tunge organisationer. McKinsey beskriver "agent-as-judge" som fast del af evalueringen af agentiske AI. Men det er ikke en genvej uden risiko: MIT Sloan advarer om, at AI, der tjekker AI, kan blive en "tempting shortcut", der forstærker fælles blinde vinkler i stedet for at afsløre dem – netop derfor skal juniorerne selv trænes i at vurdere, ikke bare outsource vurderingen til endnu en AI.
AI discernment bliver den afgørende faktor for, om fremtidens medarbejder lykkes eller fejler. Den afgørende kompetence er ikke at vide mest – det er at kunne identificere, hvornår AI's output er brugbart, og hvornår det skal udfordres. Teoretisk viden er ikke nok - det skal trænes.
Gør "AI discernment" til en selvstændig disciplin – ikke en bivirkning af nok års erfaring. I dag opstår den evne som et biprodukt af mange års praksis. Hvis KPMG/UT- studiet har ret i, at klassisk erfaring ikke er den afgørende faktor, bør der undervises mere direkte i det: konkrete øvelser i at stress-teste AI-output, kende typiske fejlmønstre, og øve sig i at genkende "det her ser rigtigt ud, men er det ikke" – frem for at vente på, at det opstår af sig selv efter ti år i branchen.
Hvad skal uddannelserne og arbejdsgiverne konkret gøre?
KPMG/UT-studiet giver ikke kun en diagnose, men også et konkret svar på, hvad der reelt virker. Det er værd at oversætte til to forskellige ansvarsområder.
Uddannelserne skal undervise i arbejdets udførelse, ikke kun om den teoretiske baggrund. Hvis høj teoretisk viden ikke i sig selv gør forskellen, som studiet viser, bør undervisningen bygges op omkring simulerede kundeopgaver. De studerende skal øve sig i selve håndværket: at styre AI-arbejdsgange, udfordre output og forfine resultatet iterativt, sådan som studiets ’amplifiers’ gør det i praksis.
Arbejdsgiverne skal gøre dømmekraft synlig og træne vejen dertil – ikke kun facit. Forfatterne bag studiet peger selv på to konkrete greb: dokumentér eksplicit, hvorfor et AI- output blev accepteret, ændret eller afvist, så resonnementet bliver synligt og kan trænes – i stedet for at forblive en tavs fornemmelse. Og bedøm medarbejdere på, hvordan de interagerer med AI undervejs – om de spørger, udfordrer og begrunder – ikke kun på det færdige produkt, som AI i forvejen kan levere alene.
Det er ikke kun teori. KPMG har selv bygget sit interne AI-onboardingprogram op om netop dette: personlige læringsforløb, scenariebaserede øvelser, der efterligner rigtige kundeopgaver, og et internt netværk af ”AI champions”. Det er, hvad der efter alt at dømme adskiller de organisationer, der formår at omsætte AI til reel værdi, fra dem, der ikke gør.
Teoretisk viden er ikke automatisk god forretning
Det er ikke kun konsulenthuse og virksomheder, der skal gentænke sig selv. Der er allerede bevis for, at uddannelser kan bygges om til at gøre studerende reelt jobklare – og for, at de fleste endnu ikke har gjort det.
Aalborg Universitet har siden 1974 drevet sin undervisning efter en Problem Based Learning-model, hvor studerende “lærer bedst ved aktivt at anvende forskningsbaserede teorier og metoder på virkelige problemer”. I stedet for først at modtage teori og siden anvende den, skal de studerende “identificere, formulere og adressere et aktuelt, relevant problem i dets kontekst”.
Arbejdsgiversiden viser, hvor stor kløften stadig er de fleste andre steder. En arbejdsgiverundersøgelse fra Poets&Quants finder, at 77 procent af arbejdsgiverne forventer, at nyansatte har erfaring med AI-værktøjer, mens 58 procent mener, universiteterne ikke gør nok for at opbygge de kompetencer – og kun 3 procent af alumnerne har taget et universitetskursus i AI overhovedet; syv ud af ti har i stedet lært sig selv det ved at eksperimentere på egen hånd.
En artikel fra Ohio State University peger på, hvad svaret bør være: universiteter skal gå fra at være akademiske institutioner til reelt at fungere som karriere-forberedende pipelines – strukturelt indlejret praktik for alle studerende, AI-kompetence bygget ind i hvert fagområde på linje med et grundfag som matematik i stedet for et valgfag. Men som den måske allervigtigste pointe skal universiteternes karrierecentre løftes fra perifer studenterservice til en bærende akademisk funktion.
Teoretisk viden er ikke automatisk god forretning. Den afgørende kompetence er ikke at vide noget – det er at kunne omsætte det, man ved, til værdi i en konkret forretningskontekst. Det kan man ikke læse sig til; det skal øves.
Aalborg Universitet viser, at det kan lade sig gøre i stor skala, og at det kan bære et helt universitet i et halvt århundrede. Spørgsmålet er ikke længere, om modellen virker – det er, hvorfor den stadig er undtagelsen snarere end normen.
Afslutning
Hvis AI’s ankomst fjerner de opgaver, juniorer traditionelt har lært faget på, uden at de erstattes med noget nyt, mister branchen de talenter den er afhængig af om ti år. Men løsningen er efter min mening ikke at bremse AI eller forsvare status quo – det er at gøre mesterlæren til noget, vi aktivt designer, i stedet for noget, der bare opstod som et biprodukt af, hvordan arbejdet plejede at være organiseret.
Den røde tråd er, i bund og grund, at uddannelse og erhvervsliv skal tættere sammen. De erhvervsrettede uddannelser – dem, der som Aalborgs PBL-model allerede er bygget om virkelige problemer og tæt kontakt til aftagerne – står markant bedre rustet til at forberede juniorer til en AI-tung hverdag end de klassiske fakulteter, hvor forandring traditionelt går langsommere.
Og så en disclaimer med et glimt i øjet, rettet mod denne artikel selv: Som karriererådgiveren Lindsey Pollak siger det i en artikel fra Ohio State University, er "we're terrible at predicting which majors or skills will matter next" – en hel generation blev rådgivet over mod softwareudvikling, blot for at se mange entry-level-programmørjobs forsvinde, netop som de blev færdiguddannede. Så tag også disse egne bud på, hvad juniorer skal kunne, med et gran salt.
Kilder
- Research: Why Some Junior Employees Work Well with AI (and Others Don't) — Harvard Business Review, juli 2026
- How AI is changing the nature of entry-level work — World Economic Forum, marts 2026
- Intelligent Talent Density: Synthesizing Junior Agility And Senior Context — Forbes, september 2026
- Redesigning Entry-Level Tech Roles To Build Better Judgment — Forbes, september 2026
- How AI Is Upending How Consulting Firms Hire Talent — Harvard Business Review, oktober 2025
- AI Reduced The Work, But Human Oversight Became The Bottleneck — Airwallex
- Employer Survey: Universities Aren't Producing Enough AI-Ready Graduates — Poets&Quants, 2026
- What Is College for in the Age of AI? — Ohio State University, Office of Academic Affairs, januar 2026
- Problem Based Learning (PBL) at Aalborg University — Aalborg Universitet
- Evaluations for the Agentic World — McKinsey/QuantumBlack, januar 2026
- Seeing Real Value from AI Depends on Being Able to Verify Its Outputs — MIT Sloan, juni 2026
- AI ændrer arbejdsmarkedet – to grupper er særligt udsatte, siger Nationalbanken — TV 2, september 2026