Optimalisering av team­sammensetning: KI finner den perfekte balansen – datadrevne anbefalinger for sterke og harmoniske team

Hvorfor tradisjonell teamsammensetning har sine begrensninger

Den klassiske tilnærmingen til teambygging er enkel: Hvem er tilgjengelig? Hvem har riktige ferdigheter? Hvem kan vi betale? Viktige kriterier – men langt fra nok.

De skjulte kostnadene ved dårlig teamdynamikk

Ifølge en undersøkelse fra Gallup jobber bare 13 % av tyske ansatte med fullt engasjement. Resten gjør kun det nødvendige, eller har allerede sagt opp i sitt indre. I team som ikke er satt riktig sammen, forverres disse problemene dramatisk.

Tallene taler for seg: Selskaper med optimal teamsammensetning er mer lønnsomme enn konkurrentene. Omvendt koster dysfunksjonelle team tyske virksomheter store beløp hvert år gjennom tapt produktivitet, turnover og feilbeslutninger.

Thomas fra vårt ingeniøreksempel kjenner problemet: Våre prosjektledere er svært dyktige, men noen team fungerer bare ikke. Da tar alt lengre tid, og folk mister tålmodigheten.

Subjektive valg versus objektiv data

Det største problemet med tradisjonell teambygging? Den bygger på antakelser, ikke fakta. Vi tror vi kjenner våre ansatte godt nok. Vi tror person A og person B kommer til å samarbeide bra.

Men virkeligheten er mer nyansert. Folk har ulike arbeidsrytmer, kommunikasjonsmåter og motiver. Det som ser ut som en bra kombinasjon på papiret, kan i praksis skape motstand og friksjon.

Et konkret eksempel: Du setter sammen to eksperter – en detaljfokusert analytiker og en visjonær strateg. På papiret utfyller de hverandre perfekt. I virkeligheten snakker de forbi hverandre: den ene analyserer tall, den andre ser kun helheten.

Her har datadrevne tilnærminger sin styrke: De gjør usynlige faktorer synlige – og målbare.

Endringer i prosjektkrav

Dagens prosjekter stiller helt nye krav. Agile metoder, fjernarbeid og tverrfaglig samarbeid er blitt normalen. Team må være mer fleksible, selvorganiserte og kommuniserende.

Samtidig er prosjektlandskapet mer komplisert. Et typisk digitaliseringsprosjekt i din virksomhet trenger i dag både IT-ekspertise, forretningsforståelse, endringsledelse og compliance-kunnskap. Tiden hvor én generalist kunne dekke alt, er forbi.

Derfor er optimal teamsammensetning ikke lenger kun ønskelig – det er avgjørende for suksess.

Slik finner KI den perfekte teammiksen: Datadrevet teamoptimalisering

Kunstig intelligens endrer måten vi setter sammen team på. Istedenfor å stole på intuisjon, analyserer KI objektive datakilder og oppdager mønstre mennesker ikke ser.

Men hvordan fungerer dette i praksis? Og hvilke data benyttes i analysene?

Datakilder for optimal teambygging

Moderne KI-systemer trekker på mange ulike kilder for å kartlegge hvert teammedlem:

• Kompetanseprofiler: Ikke bare formelle kvalifikasjoner, men også praktisk erfaring og prosjektresultater
• Arbeidsatferd: Produktivitetsmønstre, foretrukne arbeidstider, kommunikasjonsfrekvens
• Personlighetstester: DISC, Big Five eller interne vurderinger
• Samarbeidsdata: Hvem jobber godt sammen? Hvilke kombinasjoner gir best resultat?
• Prosjekthistorikk: Suksessrate i ulike teamsammensetninger
• Tilbakemeldingssykluser: 360-graders evalueringer og kollegavurderinger

Anna fra vårt HR-eksempel sier det slik: Før satte vi sammen team etter hvem som var ledig. I dag bruker vi data fra våre personlighetstester og samarbeidsverktøy. Det utgjør en enorm forskjell.

Poenget: KI kan analysere enorme datamengder på sekunder og oppdage korrelasjoner som ellers ville tatt uker å kartlegge.

Maskinlæring i praksis

Algoritmene bak er avanserte, men prinsippet er enkelt: Maskinlæring identifiserer mønstre for suksess i historiske teamdata og bruker dem på nye teamsammensetninger.

Tre algoritmetyper dominerer i KI-drevet teambygging:

Et praktisk eksempel: En algoritme analyserer 500 fullførte prosjekter og ser at team med høy andel finishers (folk som alltid avslutter oppgaver grundig) har større gjennomføringsrate. Denne innsikten brukes automatisk i fremtidige teamanbefalinger.

Personlighetsmatch og ferdighetskomplementering

To søyler for suksessfull KI-teambygging er: personlighetsmatch (å kombinere riktige typer) og ferdighetskomplementering (ulike, men supplerende ferdigheter).

Personlighetsmatch handler ikke om å sette sammen like personer. Tvert imot: De beste teamene kombinerer ulike, men kompatible personer. Eksempel:

• Innovatøren: Kommer med nye ideer og visjoner
• Realisten: Vurderer gjennomførbarhet og risiko
• Utføreren: Sikrer resultater og tidsfrister
• Kommunikatoren: Holder teamet samlet og følger opp eksterne interessenter

Ferdighetskomplementering sørger for at alle nødvendige ferdigheter er dekket – uten hull eller overlapper. KI avdekker også skjulte talenter som ikke fremgår i tradisjonelle stillingsbeskrivelser, men kan være avgjørende for prosjektet.

Markus, vår IT-direktør, forteller: KI-systemet foreslo å ta med en juniorutvikler med sterke kommunikasjonsegenskaper. Jeg var skeptisk, men han ble bindeleddet mellom teknikk og forretningssiden – helt uunnværlig.

Datadrevne anbefalinger for høytytende team: De 5 avgjørende suksessfaktorene

Hva gjør team virkelig vellykkede? Google har i sitt berømte Project Aristotle analysert over 180 team og identifisert fem avgjørende faktorer. KI-systemer bruker disse innsiktene for å gi optimale teamanbefalinger.

De 5 avgjørende suksessfaktorene for teamytelse

Disse faktorene er bekreftet av en rekke studier og utgjør fundamentet i datadrevet teamoptimalisering:

1. Psykologisk trygghet (tillit): Medlemmer kan innrømme feil og stille spørsmål uten frykt for negative konsekvenser
2. Pålitelighet: Alle kan stole på at de andre leverer i tide og med høy kvalitet
3. Struktur og klarhet: Roller, mål og forventninger er tydelige
4. Meningsfullhet: Arbeidet har personlig betydning for hvert medlem
5. Betydning (Impact): Teamet ser at jobben de gjør utgjør en forskjell

KI-systemer vurderer potensielle teammedlemmer ut fra disse faktorene. Personlighetsdata, atferd og tilbakemeldinger veies sammen for å beregne for eksempel psykologisk trygghet og pålitelighet.

Et konkret eksempel: KI ser at person A holder tidsfrister i 90 % av prosjektene sine (høy pålitelighet), men av og til kommuniserer for kritisk i sammensatte team (lav psykologisk trygghet). Anbefalingen: Kombiner person A med kolleger som tåler direkte tilbakemeldinger.

Optimale teamstørrelser etter oppgavetype

Kanskje har du hørt om to-pizza-regelen fra Amazon: Et team skal ikke være større enn at to pizzaer rekker til alle. Men stemmer det?

Data viser: Optimal teamstørrelse avhenger sterkt av oppgavetypen.

Viktig poeng: Større team er ikke nødvendigvis dårligere – de krever bare andre strukturer og ledelse.

Mangfold som prestasjonsdriver: Hva dataene viser

Mangfold er ikke bare nice to have – det gir klare prestasjonsfordeler. Tallene taler for seg:

• Team med høy kognitiv variasjon tar bedre beslutninger
• Kjønnsmangfoldige team presterer bedre
• Aldersblandede team har færre blindsone i risikovurderinger

Men: Mangfold alene er ikke nok. Det må dirigeres riktig. KI hjelper å finne den rette balansen:

Tenk på mangfold som et orkester. Alle instrumentene er viktige, men uten dirigent blir det støy, ikke musikk.

Kognitiv variasjon – ulike tankestiler og problemløsningsmetoder – er ofte viktigere enn demografisk variasjon. Et team av bare Harvard-kandidater kan være mer homogent enn et med ulik utdanningsbakgrunn.

KI måler kognitiv variasjon via personlighetstester, arbeidsatferd og beslutningsmønstre. Målet: Team som både fungerer sosialt – og bringer inn ulike perspektiver.

Praktisk bruk: KI-verktøy for teamoptimalisering i bedriften

Teori er fint – men hvordan tar du i bruk KI-basert teambygging i praksis? Her får du oversikten over de viktigste verktøyene og plattformene du kan prøve ut med en gang.

Vurderingsplattformer og personlighetstester

Grunnlaget for all datadrevet teamoptimalisering er pålitelige vurderinger av personlighet og kompetanse. Moderne plattformer tilbyr langt mer enn tradisjonelle tester:

Predictive Index (PI): Måler fire grunnfaktorer i arbeidspersonlighet og gir konkrete rolleforslag. Særlig god på å forutsi lederstil og stressreaksjoner.

Culture Amp: Kombinerer personlighetstester med kontinuerlig prestasjonsmåling. KI lærer av hvert fullført prosjekt og forbedrer sine forslag fortløpende.

Plum.io: Bruker spillifisering (gamification) til å måle myke ferdigheter og problemløsning. Reduserer testtretthet og gir mer autentiske resultater.

Thomas deler erfaringen: Vi har brukt PI på alle prosjektledere. Nå vet vi hvem som tåler press og hvem som trives best med struktur. Det hjelper oss enormt når prosjekter skal fordeles.

Ferdighetskartlegging og kompetansematriser

Ferdighetskartlegging går lenger enn å lese CV-er. KI-verktøy avdekker skjulte ferdigheter og evaluerer ferdighetsnivå objektivt:

• Pluralsight Skills: Måler teknisk kompetanse med reelle kodeutfordringer og bransjebenchmarks
• LinkedIn Skills Assessments: Standardiserte tester for hundrevis av ferdigheter – fra Excel til maskinlæring
• Workday Skills Cloud: Identifiserer ferdigheter automatisk fra e-poster, dokumenter og prosjektfiler

Fordelen: Du får objektive score i stedet for subjektive vurderinger. Anna forklarer: Før beskrev alle seg som Excel-eksperter. Nå har vi konkrete poeng fra 1–100 og setter sammen team etter supplerende ferdigheter.

En moderne kompetansematrise kan se slik ut:

Samarbeidsanalyse: Microsoft Viva Insights m.fl.

Her blir det virkelig spennende: Samarbeidsanalyser kartlegger hvordan folk faktisk samarbeider, basert på e-poster, kalendermøter og digitale samarbeidsflater.

Microsoft Viva Insights leder an og integreres sømløst med Office-suiten. Plattformen kan kartlegge:

• Hvem samarbeider effektivt?
• Hvilke kommunikasjonstyper gir best resultater?
• Hvor oppstår flaskehalser?
• Hvordan fordeles arbeidsbelastning i teamet?

Humanyze tar det et steg videre og måler også fysiske interaksjoner via sensorbrikker. Du ser hvem som faktisk prater sammen, ikke bare hvem som sender e-post.

Markus er fornøyd: Viva Insights viste at vårt beste utviklerteam nesten aldri bruker e-post – men møtes ofte digitalt for korte samtaler. Vi tok hensyn til dette i nye teams – med svært gode resultater.

Et viktig poeng: Ved samarbeidsanalyser er det avgjørende med åpenhet og valgfrihet for ansatte. Personvern og frivillig deltakelse er et must.

Harmoniske team: Når myke ferdigheter møter harde data

Fagkompetanse alene gir ikke suksessfulle team. Kjemien må også stemme. Men kan kjemi virkelig måles og forbedres? Her viser KI sitt sanne potensial.

Kombiner kompatible kommunikasjonsstiler

Mennesker kommuniserer forskjellig – og det kan bryte ned eller bygge opp team. KI-systemer analyserer mønstre og finner stiler som fungerer sammen.

Fire hovedtyper kommunikasjon:

• Direkte stil: Kort, tydelig, målrettet (Dette må vi ha klart innen fredag)
• Analytisk stil: Detaljert, datadrevet, forsiktig (Analysen viser tre mulige retninger…)
• Ekspressiv stil: Entusiastisk, visjonær, relasjonsorientert (Tenk hvilken forskjell vi kan gjøre hvis…)
• Harmonisk stil: Empatisk, konsensusorientert, støttende (Hvordan føler dere for dette?)

KI gjenkjenner disse mønstrene i e-post, møtereferater og skriftlige tilbakemeldinger. Målet er ikke ensretting, men bevisst komplementering.

Et praktisk eksempel: En direkte prosjektleder og en harmonisk utvikler kan fungere utmerket – så lenge de kjenner og respekterer hverandres stil. Konflikter oppstår når den ene tolker tydelighet som et angrep.

Moderne KI-verktøy gir konkrete råd: Sarah kommuniserer analytisk, Michael mer ekspressivt. For møter anbefales strukturerte agendaer med rom for kreative diskusjoner.

Avdekke konfliktrisiko tidlig

Ikke alle personligheter passer sammen. Noen kombinasjoner gir nesten uunngåelig friksjon. KI kan identifisere slike mønstre og foreslå tiltak.

Typiske konfliktpar KI oppdager:

Genialt: KI kan også identifisere positive spenningsfelt – konstellasjoner der ulikheter gir konstruktiv energi, ikke destruktiv konflikt.

Gjøre kulturell passform målbar

Cultural fit er mer enn et HR-buzzord – det er en målbar suksessfaktor. KI analyserer kulturmatch på flere plan:

Arbeidskultur: Foretrekker noen struktur eller fleksibilitet? Autonomi eller tett ledelse? Hurtige avgjørelser eller grundig diskusjon?

Kommunikasjonskultur: Direkte kritikk eller diplomatisk tilbakemelding? Hierarki eller likestilling?

Prestasjonkultur: Solospill eller samhandling? Risikovilje eller sikkerhet? Innovasjon eller perfeksjon?

Praktisk eksempel: KI-systemet ser at de mest suksessfulle teamene deres har høy samarbeidsscore. Når nye team velges ut, blir kandidater med lav score flagget – ikke ekskludert, men kombinert med sterke teamspillere.

Anna forteller: Vi hadde en genial utvikler som slet i alle team. KI-analysen viste at han trengte mye selvstendighet og få møter. Nå jobber han solo med klart definerte leveranser – og er superproduktiv.

Suksessmåling og kontinuerlig optimalisering: KPI-er for teamytelse

Uten måling – ingen forbedring. Men hvilke tall forteller om et team faktisk lykkes? KI hjelper deg med å finne riktige målepunkter og overvåke dem løpende.

De viktigste KPI-ene for teamytelse

Tradisjonelle måltall som ferdig til tiden er ikke nok. Moderne teamanalyse fanger et bredere bilde:

Kvantitative KPI-er:

• Velocity (gjennomførte story points per sprint)
• Syklustid (tid fra oppgave til ferdigstillelse)
• Feilrate (feilandel i leveranser)
• Teamutnyttelse (produktiv kontra administrativ tid)

Kvalitative KPI-er:

• Score for psykologisk trygghet (fra regelmessige undersøkelser)
• Samarbeidsindeks (målt på kommunikasjonsfrekvens og -kvalitet)
• Innovasjonsmåling (nye ideer per medlem per kvartal)
• Interessenttilfredshet (feedback fra interne og eksterne kunder)

KI-drevne systemer ser etter sammenhenger mellom slike tall. For eksempel: Team med høy psykologisk trygghet gjør færre feil, fordi man tør ta opp problemer tidlig.

Feedback-looper og kontinuerlige justeringer

De beste teamene er lærende team. KI muliggjør kontinuerlig forbedring gjennom smarte feedbacksløyfer:

Sanntidsovervåkning: Dashboards viser teamets helsetilstand fortløpende. Går samarbeidet ned? Øker mengden e-post? Flere korte møter (tegn på dårlig planlegging)?

Prediktive varsler: Advarsel: Team Alpha viser tegn på utbrenthet. Råd: Reduser belastning eller legg til ressurser.

Automatiserte retrospektiver: KI analyserer prosjekter og genererer læringspunkter: Liknende team var mer vellykket med ukentlige synk-møter.

Markus forklarer: KI sender meg helse-rapport for teamet hver mandag. Hvis det dukker opp røde flagg, kan jeg gripe inn med én gang – ikke vente til prosjektet krasjer.

Nøkkelen: Små, løpende forbedringer virker bedre enn store omveltninger. KI oppdager trender tidlig og muliggjør forebyggende handling.

Langsiktig teamoptimalisering med maskinlæring

Her blir KI virkelig kraftig: Jo mer data som samles, desto riktigere blir forutsigelsene. Maskinlæring finjusterer teamsammensetninger fortløpende:

1. Mønster­gjenkjenning: Hvilke kombinasjoner gir suksess i ulike prosjekttyper?
2. Utviklingssporing: Hvordan utvikler individuelle ferdigheter seg? Hvem er neste ekspert?
3. Kulturendring: Endres organisasjons­kulturen? Må teambuilding-algoritmer justeres?

Eksempel fra praksis: Et KI-system oppdaget at team med en kulturell oversetter – en som bygger bro mellom ulike tankesett – får bedre tilbakemeldinger fra interessenter. Denne rollen eksisterte ikke engang på papiret før.

Thomas oppsummerer: Vi var skeptiske i starten: Kan algoritmer forstå mennesker? Nå ser vi at KI ikke forstår mennesker – men den forstår menneskelige mønstre bedre enn oss.

Begrensninger og etiske refleksjoner: Hvor intuisjon fortsatt er uerstattelig

KI er kraftfull – men ikke allmektig. Som all annen teknologi har den sine grenser og etiske fallgruver. Ansvarlig bruk krever klare rammer.

Personvern og medarbeiderrettigheter: De juridiske rammene

Personlighetsdata er svært sensitive. I Tyskland gjelder strenge GDPR-regler (personvernforordningen) også for KI-basert teamoptimalisering:

• Eksplisitt samtykke: Ansatte må aktivt godkjenne databruk
• Formålsbegrensning: Data brukes kun til avtalt formål
• Dataminimalisme: Bare det nødvendige samles inn og behandles
• Rett til sletting: Ansatte kan kreve at egne data slettes

Anna fra HR har tydelige regler: Vi bruker bare data som oppstår naturlig – prosjekttider, e-postmetadata, frivillige vurderinger. Ingen overvåkning, ingen skjult samling av data.

Et kritisk aspekt: Algoritmeskjevhet. KI-systemer kan diskriminere ubevisst om treningsdataene er skjeve. Typisk eksempel: Hvis historisk flest menn har hatt lederroller, kan KI favorisere mannlige kandidater til ledende oppgaver.

Tiltak mot skjevhet:

• Regelmessig revisjon for bias i algoritmene
• Varierte treningsdata
• Åpenhet om avgjørelser
• Human-in-the-loop (mennesket har siste ordet)

Hvor intuisjon fortsatt er uerstattelig

KI kan finne mønstre og regne på sannsynligheter. Men den kan ikke føle, drømme eller improvisere. Menneskelige kvaliteter er fortsatt uvurderlige:

Emosjonell intelligens: Hvordan reagerer noen under press? Hvordan takler de skuffelser? KI kan forutsi tendenser, men aldri gripe hele spennet av følelser.

Kreativitet og innovasjon: De beste ideene blir ofte til ved ulogiske sprang og ville sammenslåinger. KI optimaliserer det kjente – mennesker finner opp det nye.

Kulturell kontekst: Organisasjonskultur er kompleks. En ny kollega kan snu alt – til det bedre eller verre. Dette er vanskelig, kanskje umulig, å forutsi.

Situeringsbestemt tilpasning: Prosjekter tar uventede vendinger. Team må ofte snu seg raskt. Menneskelig ledelse er uerstattelig her.

Markus sier det treffende: KI er som en ekstremt god sjakkcomputer. Den regner best – men hvis du endrer reglene, er den hjelpeløs. Mennesker kan improvisere.

Best practice for ansvarlig KI-bruk

Hvordan bruker du KI-drevet teamoptimalisering ansvarlig? Her er noen velprøvde retningslinjer:

1. Åpenhet: Forklar for ansatte hvordan systemene virker og hvilke data brukes
2. Involvering: La ansatte bidra i valg og oppsett av verktøyene
3. Gradvis innføring: Start med enkle caser, utvid etter hvert
4. Manuelle alternativer: Ha mulighet for å overstyre KI der det trengs
5. Regelmessige vurderinger: Sjekk alltid om KI-analysene faktisk gir bedre resultater

Målet er ikke å erstatte mennesker med algoritmer, men å styrke menneskelige beslutninger. KI som rådgiver – ikke som erstatning.

Konklusjon: Veien til datadrevne, høytytende team

KI-drevet teamoptimalisering er ikke lenger fremtidsmusikk. Den er tilgjengelig, rimelig – og dokumentert effektiv. Bedrifter som starter nå, får et klart konkurransefortrinn.

Hovedfunnene kort oppsummert:

• Data slår magefølelse: Objektiv analyse gir bedre teamsammensetning enn intuisjon
• Personlighet kan måles: Moderne vurderingsverktøy kartlegger arbeidsstil, kommunikasjon og samhandling
• Kontinuerlig optimalisering: Maskinlæring forfiner teamanbefalingene prosjekt for prosjekt
• Mennesker er alltid sentrale: KI støtter beslutningene, men kan aldri erstatte menneskelig ledelse og intuisjon

Thomas, Anna og Markus fra introduksjonseksemplene har alle erfart det samme: Oppstarten var enklere enn forventet, resultatene bedre enn håpet.

Hvor sløser dere i dag bort tid og energi på suboptimal teamsammensetning? Svaret på det spørsmålet er nå bare et algoritmetrykk unna.

Men husk: Selv den beste KI kan ikke erstatte klare mål, god kommunikasjon og respektfullt samarbeid. Den kan bare hjelpe deg å samle de riktige menneskene – resten er ditt ansvar som leder.

Hype betaler ikke lønninger – men effektiv, datadrevet teambygging gjør det så absolutt.

Ofte stilte spørsmål (FAQ)

Hvor mye data trenger en KI for å gi nyttige teamanbefalinger?

Du kommer i gang med allerede 20–30 fullførte prosjekter med dokumenterte team og suksessmål. Egentlig presise prognoser får du etter rundt 100 datapunkter. Poenget: Systemet lærer og blir bedre for hvert nytt prosjekt.

Hva koster det å implementere KI-basert teamoptimalisering?

Kostnadene varierer mye: Enkle verktøy som Microsoft Viva Insights følger ofte med i Office 365. Helhetlige plattformer koster 50–200 € per ansatt i året. Som oftest er investeringen inntjent etter 6–12 måneder gjennom kortere prosjekttid og bedre suksessrate.

Hvordan håndterer jeg ansatte som frykter KI-overvåkning?

Åpenhet er avgjørende. Forklar nøyaktig hvilke data som brukes – og ikke brukes. Fremhev fordelene for den enkelte: bedre teams gir mindre frustrasjon og mer suksess. Start gjerne med frivillige pilotprosjekter.

Kan KI også hjelpe med ledelse av distribuerte/fjernteam?

Ofte enda bedre! Digitale team mangler mye av den nonverbale kommunikasjonen. KI analyserer kommunikasjonsmønstre og fanger opp problemer tidligere enn ledelsen ofte gjør. Verktøy for samarbeidsanalyse er nærmest uunnværlige for distribuerte team.

Hvordan skiller KI-teambygging seg fra klassiske personlighetstester?

Klassiske tester gir et øyeblikksbilde. KI tar hensyn til dynamiske faktorer: Hvordan agerer folk i ulike prosjekttyper? Hvordan utvikles ferdigheter? Hvordan påvirkes teamkonstellasjonene? Det gir langt mer treffsikre forslag.

Hva gjør jeg hvis KI-anbefalingen bommer totalt?

Det er en del av læringen. Dokumenter hvorfor forslaget ikke fungerte og legg erfaringene inn i systemet. Moderne KI-plattformer har feedbackfunksjon og lærer av feil. Viktig: Ha alltid menneskelig kontroll på slutten.

Kan KI også bidra til etterfølgerplanlegging og talentutvikling?

Absolutt. KI avdekker utviklingspotensial og identifiserer talenter langt tidligere enn tradisjonelle metoder. Den kan forutsi hvem som passer hvor, og hvilke kurs som gir best effekt. Etterfølgerplanlegging blir mer strategisk og mindre tilfeldig.

Hvordan sikrer jeg at KI ikke diskriminerer?

Med jevnlige bias-revisjoner og varierte treningsdata. Følg anbefalingene systematisk: Blir visse grupper systematisk fravalgt? Bruk algoritmer med forklarbare utfall (Explainable AI), og hold siste ordet hos mennesket.