Dette er del 2 af tre om topledelse af AI omvæltninger.
AI er mere end blot ny teknologi. Det er en universel katalysator, der styrker de menneskelige funktioner, kognitive såvel som kommunikative og kreative hos alle individer, der vil. I forhold til tidligere teknologiske omvæltninger har teknologien således et mere indgribende potentiale, fordi det ændrer rammer og vilkår for ledelse, dømmekraft, kompetencer og konkurrence. Derfor sker AI adoption også mest effektivt “bottom-up”.
Topledelsens opgave er således især at anspore og motivere til brug af AI, inden for nøje overvejede rammer for sikkerhed.
Det er fortsat svært at påvise hvor og hvor meget økonomisk effekt, AI har …
Ind til i dag har AI udviklingen især handlet om LLMere, dvs. reaktive og opgave-fokuserede AI assistenter. Men fra i år er alle Big Tech begyndt at introducere proaktive og mål-fokuserede AI agenter. Hér overgiver vi menneskelig beslutningskraft og initiativ til AI, i første omgang inden for visse rammer og med muligheder for menneskelige indstillinger. Det betyder, at mennesker frem over i højere grad kan fokusere på “hvad” og “hvorfor”, dvs. mål, mening og etik. Der på kan AI tage sig af “hvordan”, dvs. udførsel og optimering. Nøglen til brug af teknologien er således et samarbejde mellem menneskelig dømmekraft og maskinel effektivitet.
AI teknologien er relativt ny, og derfor er det fortsat svært at påvise de økonomiske gevinster af AI teknologien. De fleste kan dog se potentialet for komparative fordele og benytter derfor især LLMere.
… især i virksomheder
Men på virksomheds- og samfundsplan er der endnu ingen målbar stigning i produktivitet. Ifølge Microsoft oplever de fleste virksomheder, at AI værktøjer til kommunikation (e-mail mv.) med kunder, umiddelbart øger deres effektivitet. Men effekten går ofte tabt senere hen, fordi mængden af kommunikation til gengæld stiger.
- Et studie fra Boston Consulting Group peger f.eks. på, at kun ca. 5% af de undersøgte 1250 virksomheder kan påvise klart målbare fordele (omsætning, omkostninger eller forbedrede processer) fra deres AI investeringer. Virksomhederne forventer fortsat, at gevinsterne vil komme, men at indkøringen “blot” er længere end først antaget.
- En global undersøgelse fra Ernst & Young blandt store virksomheder viste ligefrem, at de fleste har oplevet tab som følge af manglende compliance, output fejl, skævheder (bias) osv. De virksomheder, der havde stærke rammer for “Responsible AI” havde dog bedre resultater.
- Brookings undersøgelser peger dog på, at brugen af AI i innovationsmiljøer skaber vækst. Det kræver dog flere teknisk kvalificerede medarbejdere; noget den amerikanske hær f.eks. har erkendt og omlagt efter.
For gevinsterne drukner ofte i øget dokumentation eller forståelse
Usikkerheden om de økonomiske fordele skyldes bl.a., at der ofte opstår nye dokumentations krav andre steder, som følge af den nye teknologi. Derfor kan 95% af virksomhederne endnu ikke påvise målbare ROI effekter ifølge MITs NANDA projekt. MIT kalder denne kløft mellem interesse og implementering for “The GenAI Divide”. Den gennemgående årsag til inerti i AI adoption var især, at organisationerne ofte kæmpede i mod; enten af frygt for at miste deres arbejde eller af uvished. Med Jensen Huangs ord: “AI is not going to take your job. Someone who uses AI will”.
Der er dog allerede nu nogle fællestræk for succeser, …
MITs NANDA peger på, at virksomheder, der lykkes, gør fire ting anderledes:
- De køber teknologi i stedet for at udvikle den selv
- De giver beslutningskraft til linje chefer frem for til stabsfunktioner
- De vælger værktøjer, der integrerer dybt og tilpasser fleksibelt
- Endelig eksperimenterer de mest fremsynede allerede med agentic flow, dvs. systemer, der lærer, husker og handler autonomt inden for definerede grænser
Generelt peger MIT på, at adoptionen af AI værktøjer er forskellig mellem brancher:
De brancher og sektorer, der arbejder med informationsfortolkning og -formidling, har generelt været hurtige til at tage AI værktøjer (især LLMere) til sig, mens tungere og mere traditionelle industrier fortsat er usikre på muligheder og på hvordan, disse kan indfries. MIT peger på, at “first-mover” virksomheder får ekstra gode forudsætninger for at blive morgendagens vindere. For teknologien udvikler sig eksponentielt hurtigt:
- Et eksempel her på kunne være geotermisk udvinding, hvor AI f.eks. har vist sig effektivt til at forudsige revner og sprækker i jordskorpen. Det reducerer investeringsbehovet markant.
… der handler om indstillingen til AI i organisationen
Grundlæggende gælder således, at jo bedre ledelse og medarbejdere kender virksomheden, dens infrastruktur, hinanden og sig selv, jo bedre muligheder har de for at vende AI impulset til en positiv omvæltning.
Nysgerrighed for AI teknologiens muligheder er således afgørende. Det gælder uanset om virksomheden er informations- eller teknologidrevet, eller om den er i traditionelle industrier. Nysgerrighed kræver især tillid og initiativlyst blandt medarbejderne. For i modsætning til traditionelle ERP systemer, som f.eks. et SAP system, skal AI forankres “bottom-up”, men samtidig drives af linjefunktioner. Teknologien er MEGET organisk og selvudviklende. Derfor er konstant tilpasning afgørende.
Topledelsen skal inspirere og sætte rammer snarere end at drive
I forhold til AI er topledelsens opgave derfor især at inspirere til anvendelse, at vise muligheder samt at vise de principper og mekanismer, der driver teknologien og således kan forme fremtiden. Desuden er det vigtigt at være involveret i, hvor der skal etableres menneskelig oversight af AIs beslutninger. For AI er bl.a. kun så godt som de oplysninger, det bliver oplært på basis af. Risikoen for fejl er stor i starten. Ganske som ved en kontorelev.
Lektien er således “Stop trying to teach the machine how to think; let it learn”, jf. Professor i Reinforcement Learning Richard Suttons (“The Bitter Lesson”). Det svære er, at ledere selv skal lære at lede i en virkelighed, hvor maskinen lærer hurtigere, end de selv har mulighed for.
- Suttons essay fra 2019 er hyppigt citeret inden for moderne AI. Det konkluderer, at de største fremskridt i AI ikke kommer fra menneskelig indsigt eller ekspertviden, men fra algoritmer, der lærer automatisk gennem beregningskraft og data.
- Hver gang vi har prøvet at indkode vores egen viden, bliver løsningen hurtigt forældet. Selvlærende algoritmer fortsætter derimod med at forbedre sig, efterhånden som regnekraft og data vokser, f.eks. ved computer-skak, robotics og talegenkendelse.
- Det er bittert, fordi det underminerer menneskets identitet som designer af intelligens. Udstrækningen er, at AI-udviklingen især er et spørgsmål om kapital, energi og chip-infrastruktur, snarere end et spørgsmål om viden og forskning.
- Suttons tanker blev bekræftet af både OpenAI og DeepMind, der så en klar sammenhæng mellem modelstørrelser, datamængder, beregningskraft og præcision (samlet kaldt Scaling Laws for Neural Networks). Disse Scaling Laws er grundlaget for bl.a. USAs AI strategi, herunder Stargate Project.
Fortsættes i næste blog indlæg.