Alt, hvad der kan måles, kan automatiseres: Interessant artikel om AI fra Harvard Business Review
Jeg faldt over en interessant artikel vedr. AI og automatisering. Jeg gengiver hele teksten nederst, men jeg vil også foreslå, at I f.eks. kopierer den ind i ChatGPT og så stiller spørgsmål til den. Det gjorde jeg (via Advanced Voice Assistenten) og havde f.eks. disse spørgsmål/svar:
Ud fra den tekst, du delte, er der nogle områder, som stadig anses for svære at automatisere. Det gælder især opgaver, der er præget af tvetydighed, kreativitet eller usikkerhed, hvor resultaterne ikke let kan kvantificeres. Det kan for eksempel være opgaver, der kræver menneskelig dømmekraft, innovation, eller hvor der er behov for en særlig menneskelig forståelse eller følsomhed. Så det er især de områder, hvor det menneskelige touch stadig spiller en afgørende rolle.
Ja, nogle konkrete eksempler på den slags jobs kunne være inden for kunstneriske og kreative felter, som for eksempel at skrive romaner, lave kunst, designe mode eller skabe filmmanuskripter, der virkelig rammer tidsånden. Derudover er der også jobs, der kræver menneskelig empati og forståelse, som for eksempel terapi, rådgivning og mægling. Endelig er der også områder, hvor der er stor usikkerhed, som for eksempel at starte en ny virksomhed, investere i uprøvede idéer eller håndtere uforudsigelige kriser, hvor der ikke findes klare svar.
Det vil sige, at både management og ledelse falder ind for den kategori.
Helt bestemt! Ledelse og management involverer ofte en masse dømmekraft, intuition og evnen til at navigere i komplekse og foranderlige situationer. Det handler ikke kun om at træffe beslutninger baseret på data, men også om at motivere mennesker, skabe en vision, opbygge tillid og håndtere de mere uforudsigelige aspekter af at arbejde med mennesker. Derfor er ledelse et godt eksempel på et område, hvor menneskelige egenskaber stadig er svære at automatisere.
Er der områder, hvor man ikke umiddelbart tænker, at det er muligt at måle og dermed automatisere, men hvor det er muligt alligevel?
Ja, der er helt sikkert nogle områder, hvor man ved første øjekast ikke tror, at tingene kan måles og automatiseres, men hvor det alligevel viser sig muligt. For eksempel inden for kreative processer, hvor AI allerede nu kan hjælpe med at generere idéer, designe visuelle elementer eller endda skrive udkast til tekster. På samme måde kan ledelsesbeslutninger i visse tilfælde understøttes af data og algoritmer, som kan analysere komplekse mønstre og foreslå optimeringer. Det viser, at grænsen mellem det målbare og det umålbare hele tiden flytter sig i takt med, at teknologien udvikler sig.
Giv mig nogle eksempler på noget, der helt åbenlyst kan automatiseres?
Helt sikkert! Et oplagt eksempel er dataanalyse og regneark, hvor AI kan automatisere komplekse beregninger og skabe præcise rapporter på ingen tid. Et andet eksempel er kundeservice, hvor chatbots kan håndtere mange rutineprægede forespørgsler ved at analysere og forstå kundernes spørgsmål og give hurtige svar. Inden for produktion og logistik kan AI også måle og optimere arbejdsgange, forudse vedligeholdelsesbehov og sikre, at alt kører så effektivt som muligt. Det er alle sammen områder, hvor det, der kan måles, også nemt kan automatiseres.
Er der ellers noget i papiret, som du synes jeg bør vide?
Jeg synes, at en af de vigtigste pointer i teksten er, at selvom AI kan automatisere rigtig mange ting, så er der stadig en kæmpe værdi i de menneskelige egenskaber, som ikke kan måles eller kvantificeres let. Det betyder, at fremtidens ledere og medarbejdere skal være opmærksomme på at dyrke de kvaliteter, der ikke lige kan sættes på formel, som for eksempel kreativitet, empati og evnen til at navigere i det ukendte. Det er en god påmindelse om, at teknologi og menneskelige færdigheder skal gå hånd i hånd.
---------------------------------------------------------------------------------------------------
DEN FULDE TEKST, OVERSAT:
I en tidsalder med kunstig intelligens gælder reglen: Det, der kan måles, kan automatiseres.
Efterhånden som modeller bliver mere kraftfulde, vil enhver opgave, der kan omdannes til data – fra regnearksanalyse til terapiforløb – i stigende grad kunne automatiseres. Opskriften bag er tydelig: Definér opgaven, giv den data, tilknyt belønninger og anvend beregningskraft.
Efterhånden som kunstig intelligens drastisk reducerer omkostningerne ved at måle, bliver selv mindre aktiviteter økonomisk rentable at automatisere, hvilket udvider anvendelsesområdet for kunstig intelligens til næsten alle brancher. Det, der stadig er menneskeligt unikt, er de opgaver, der er præget af tvetydighed, kreativitet eller usikkerhed – områder, hvor resultaterne ikke let kan kvantificeres, eller hvor menneskelig dømmekraft stadig dominerer.
For ledere er udfordringen at håndtere både det målbare og det umålbare, og at investere ikke kun i automatisering, men også i de immaterielle værdier – smag, tillid, vision og tilpasningsevne – som kunstig intelligens endnu ikke kan efterligne.
Kunstig intelligens behøver ikke et science fiction-løft for at forandre økonomien.
De nuværende modeller og de billigere, mere avancerede versioner, der allerede er på vej, er sat til at omvælte næsten alle hjørner af arbejdsmarkedet. Deres overraskende evner inden for tekst, billede og video truer med at ændre måden, arbejdet udføres på – lige fra kreative roller som forfattere, designere, fotografer, arkitekter, animatorer og reklamefolk til de datafokuserede faggrupper som finansanalytikere, konsulenter, revisorer og skatteeksperter.
Selv de akademiske bastioner inden for jura, medicin og universitetsverdenen er ikke sikre: Kunstig intelligens kan gennemgå oceaner af indhold og levere skræddersyet rådgivning eller undervisningsmateriale til en brøkdel af de nuværende omkostninger – og med en kvalitet, der hurtigt nærmer sig den menneskelige.
Der er store spørgsmål om, hvor meget mere kraftfuld kunstig intelligens kan blive – og hvor hurtigt.
Anthropics Dario Amodei og OpenAI’s Sam Altman hævder, at generel kunstig intelligens (AGI) kan være kun et til to år væk. Metas Yann LeCun er mere skeptisk og argumenterer for, at de nuværende modeller mangler en grundlæggende fysisk forståelse, stabil hukommelse, sammenhængende ræsonnement og strategisk fremsyn.
Apple har netop offentliggjort ny forskning, der påpeger, at nutidens modeller kun præsterer inden for grænserne af deres træningsdata.
Alligevel, selv hvis fremskridtet stoppede i morgen, er forstyrrelsen allerede i gang.
For at navigere i dette nye landskab skal ledere forstå – og planlægge – hvordan automatisering vil påvirke deres forretning.
Det kræver indsigt i, hvilke opgaver og ansvarsområder der mest sandsynligt kommer under pres, og at udstikke en kurs for at flytte virksomheden opad i intelligens-værdikæden, inden tiden løber ud.
Hvad er ikke i fare for at blive automatiseret?
Forskere og praktikere har i årevis debatteret, hvilke job og opgaver der er mest sårbare over for automatisering.
Nogle trusler er åbenlyse: Selvstyrende køretøjer kan snart være i stand til at erstatte millioner af chauffører inden for delebiler, busser og lastbiler. Imens overdrages opgaver som sprogoversættelse, dele af kreativ skrivning, design og endda hverdagsprogrammering allerede til kunstig intelligens.
I februar offentliggjorde Anthropic afslørende brugerstatistikker: Selvom chatformatet naturligt guider folk mod menneskelig assistance, repræsenterede cirka 43 procent af interaktionerne allerede en form for automatisering, hvor brugere beder kunstig intelligens om at udføre en opgave direkte i stedet for at hjælpe dem med at tænke eller iterere løsningen igennem.
Denne andel vil fortsætte med at stige, efterhånden som modulære AI-agenter træder ind på arbejdsmarkedet, udveksler data og koordinerer opgaver gennem protokoller som MCP.
Miljøer, der i høj grad er målbare eller kodificerede – uanset om det er gennem love, skattelovgivning, compliance-protokoller eller sensorstrømme – står over for den største risiko for at blive overtaget af maskiner på kort sigt.
AI-forskerne Ajay Agrawal, Joshua Gans og Avi Goldfarb argumenterede i 2018 for, at i takt med AI’s fremskridt vil den sidste bastion for menneskelig fordel være dømmekraft – evnen til at veje muligheder og træffe beslutninger under usikkerhed.
Men den indsigt giver os en nærmest umulig opgave: at fastslå præcist, hvad der kvalificerer som dømmekraft i ethvert givent øjeblik.
Opgaver, der i dag kræver menneskelig dømmekraft – valg af medicinsk behandling, gennemgang af juridiske kontrakter, at skrive en film, der rammer tidens ånd – kan snart overgå til kunstig intelligens, efterhånden som modeller får adgang til rigere data og større beregningskraft.
Vi kan heller ikke antage, at mennesker altid vil foretrække en menneskelig terapeut, rådgiver eller mægler, ifølge ny forskning. En AI-modpart kan fungere døgnet rundt, til en brøkdel af prisen, og – bortset fra en håndfuld menneskelige superstjerner – muligvis tilbyde en mere konsistent kvalitet.
Hvordan adskiller vi de næste opgaver, AI vil automatisere, fra dem, der kræver nye teknologiske gennembrud?
For at besvare dette må vi vende tilbage til grundprincipperne og se på, hvor det hele begyndte.
Fra laboratoriekonkurrence til industriel revolution
I midten af 2000’erne bemærkede computerforskeren Fei-Fei Li, at computer vision – feltet for at få computere til at “se” og fortolke billeder – var hæmmet af en flaskehals: Algoritmerne fik for få billeddata til at nå menneskelig præcision.
Hendes løsning var brutal i sin enkelhed: Hun byggede ImageNet – et enormt, minutiøst mærket billedarkiv, samlet med hjælp fra Amazon Mechanical Turk.
Hendes egentlige genistreg kom i 2010, da hun tilføjede en global rangliste til datasættet – og forvandlede billedgenkendelse til en gladiatorkamp for forskere.
I to år rykkede ranglisten sig kun lidt ad gangen.
Så, i 2012, blæste Alex Krizhevsky, Ilya Sutskever og Geoffrey Hinton konkurrenterne af banen.
Ved at bruge to standard NVIDIA GTX 580-grafikkort lykkedes det trioen fra Toronto at træne et banebrydende konvolutionelt neuralt netværk på få dage – en banebrydende tilgang, der beviste, at man kunne forme computer-visionens fremtid på et studenterbudget.
Det øjeblik markerede afslutningen på årtiers AI-vinter, satte neurale netværk i centrum for fremskridt og afslørede det mønster, som feltet stadig følger:
Først samles relevante data – cirka 14 millioner mærkede billeder i ImageNets tilfælde.
Dernæst bruges målbare resultater til at kvantificere og drive fremdrift.
Til sidst oversvømmes en model med data og grafikkraft, indtil den lærer sig selv.
Denne formel har ført kunstig intelligens fra at kategorisere objekter til at skrive flydende prosa og senest til at ræsonnere, planlægge og bruge eksterne værktøjer i de fremvoksende “tænkende” systemer.
Data, belønning, beregningskraft
Rammen, der førte til gennembruddet inden for billedgenkendelse, er langt mere generel end de fleste indser.
Den kan bruges, hver gang vi kan:
a) Definere opgavens miljø og samle dets data – hvad enten det er tekstsamlinger, billed- og videobiblioteker, kørte kilometer eller data fra en robots sensorer;
b) Specificere en målsat belønning, eksplicit (“forudså modellen det næste ord?”) eller implicit (udledt af at observere menneskelig adfærd);
c) Tilbyde tilstrækkelig beregningskraft, så systemet kan gentage og forbedre sig selv.
Kombinér disse tre ingredienser, og du får en generaliseret automationsmotor.
To datatendenser accelererer nu denne udvikling:
For det første kan modeller selv skabe ubegrænsede syntetiske eksempler – for eksempel virtuelle “kørte kilometer”, der dækker alle tænkelige scenarier i stedet for at være afhængige af data fra virkelige bilister.
For det andet udrulles kunstig intelligens i stigende grad på forskellige enheder og sensorer – på telefoner, i biler og andre steder – som billige datainsamlere, der opfanger og kvantificerer virkelighedens signaler, som før var for dyre eller upraktiske at måle.
Hvis du kan oversætte et fænomen til tal, vil AI lære det og reproducere det i stor skala – og teknologien bliver hele tiden bedre og billigere til den omdannelse, så måling bliver hurtigere, billigere og lydløst indlejret i alt, vi rører ved.
Jo mere vi kan tælle, jo flere ting bliver automatiserbare.
Målinger for billige til at tælle
Økonomen Zvi Griliches’ banebrydende undersøgelse fra 1957 om hybrid-majs giver os en skarp indsigt i, hvad der venter:
Bønder plantede oprindeligt kun de dyre frø på de bedste marker – hvor udbyttet let opvejede de ekstra omkostninger og læringskurven ved at bruge et nyt produkt.
Efterhånden som hybriderne blev bedre, og erfaringerne spredte sig, begyndte selv marginaljord at kunne betale sig.
Med kunstig intelligens følger investering i måling samme gevinstkurve.
Når det er dyrt at omdanne virkeligheden til data, investerer virksomheder kun i de åbenlyse tilfælde – kreditkortsvindel, algoritmisk markedsmageri, prognoser for jetmotorer.
Men AI gør nu præcis måling markant billigere, hvilket gør kontinuerlig, detaljeret overvågning til standard.
Letvægtsmodeller kører sammen med sensorer, reducerer båndbredde og latenstid, mens syntetiske data udfylder huller, når den virkelige verden er langsom eller svær at indsamle.
Hver ekstra decimal betaler sig hurtigt: Små fejlreduktioner, ganget med millioner af AI-drevne beslutninger, har stor effekt.
Efterhånden som præcis måling bliver billigere, giver selv små gevinster mening, og opgaver, der før var for små til at overvåge, glider ind under automatiseringens paraply.
At trives i ukendte ukendte
Mennesket er evolutionære generalister, udvalgt til at navigere i ufuldstændige kort.
Vi overlever ikke blot ukendte ukendte – vi trives med dem, og denne tilpasningsevne er vores største fordel.
Gennem generationer har vi finjusteret vores stemmebånd og sociale hjerner, indtil sproget opstod – og åbnede døren til akkumuleret viden, abstrakt tænkning og symbolsk forståelse.
Herfra har vi overskredet vores biologiske begrænsninger, skabt værktøjer, der udvider vores sanser, hukommelse og evner.
Vores største styrke er vores fleksible, tæt forbundne præfrontale cortex – det neurale kommandocenter, der lader os forestille os uendelige “hvad nu hvis”-scenarier, planlægge alternative fremtider og justere strategi, så snart omgivelserne ændrer sig.
Medmindre en ægte teknologisk singularitet opstår, vil selv kvantecomputere have svært ved at matche vores evne til åben, tværfaglig hypotetisk planlægning.
Kunstig intelligens skaber nye ukendte ukendte, så vores mentale kort konstant ændres.
Imens rutinemæssiggør den det forudsigelige – ligesom mekaniseret landbrug løftede os ud af subsistens – og frigør mere af vores kognitive kapacitet til komplekse problemer.
AI vil fortsat have svært ved områder, hvor måling er næsten umulig – som Event Horizon Telescope-projektets ti år lange indsats for at fotografere et sort hul, eller de uløste gåder i ekstrem fysik, Jordens indre, oceanernes dyb eller levende cellers interaktioner.
AI vil også halte bagefter, hvor måling begrænses af privatliv, etik eller lovgivning, hvor samfundet kræver gennemsigtighed i beslutninger, eller hvor mennesker simpelthen foretrækker menneskelig kontakt.
Fremtidens uforudsigelige opgaver
Men én vigtig undtagelse i, hvad der kan måles, kan blive afgørende:
Opgaver, der trodser kvantificering, fordi udfaldets sandsynligheder fundamentalt er ukendte – den såkaldte Knightianske usikkerhed, hvor du ikke kan tildele nogen sandsynligheder, fordi selve risikoen er udefineret.
At skalere en startup, investere kapital eller talent i usikre projekter, inddæmme nye sygdomme, sætte centralbankens politik under et regimeskifte, udarbejde AI-etik, opfinde nye kunstformer, starte en modetrend eller skabe en genre-brydende blockbuster – alle hører til i zoner, hvor sandsynligheder forsvinder.
Nogle kreative handlinger og opdagelser bygger blot på kloge kombinationer af det kendte, men de virkelig ambitiøse afhænger af vores unikke evne til at forestille os nye og komplekse alternative verdener.
Listen er dynamisk – opgaver forsvinder, når de bliver målbare, og nye dukker op.
Hver skift tvinger samfund og økonomi til at tilpasse sig, koncentrerer belønningen hos de kreative, talentfulde og kapitalstærke.
Men AI giver en paradoksal gave:
Ved at demokratisere uddannelse og fungere som alles personlige assistent giver den flere end nogensinde værktøjer til at nå disse højder.
Job vil fortsætte med at udvikle sig, og ethvert gennembrud, der gør det ukendte målbar, vil hurtigt blive kopieret.
Ledelse ud over regnearket
For ledere, der styrer deres organisationer gennem denne turbulente overgang, gælder spørgsmålet:
Hvad ligger der ud over regnearket?
Det er alt det, der ikke passer i en celle:
Færdigheder, der ikke kan tælles.
Åbne problemer uden fortilfælde.
De immaterielle værdier – tillid, smag, kvalitet og erfaring.
Og modet til at handle, selv når alle målinger siger “vent”.
Styrer du kun det, der kan måles, overlader du værdifuldt territorium til dem, der plejer det, der ikke kan tælles.
Amar Bose, lyd- og elektroteknikeren bag Bose Corporation, beviste pointen:
Mens andre fokuserede på tekniske specifikationer, fokuserede han på, hvordan musik lyder i virkelige rum – en kvalitet, som ingen eksisterende måling kunne fange – og dermed omdefinerede han lydindustrien.
Opskriften er klar:
Støt vilde idéer med uklar forrentning.
Beløn teams, der redefinerer problemer og omfavner det ukendte.
Rotér talent gennem roller med høj usikkerhed.
Skab rum for tilfældige møder og idéudveksling.
Se planlagt tvetydighed som en strategisk styrke.
Kun ledere, der fokuserer på både det målbare – og endnu vigtigere, på det stædigt umålbare – vil være klar, når næste skifte kommer.
Kommentarer
Send en kommentar