Kategoriarkiv: AI

Næringsutvikling for små forhold

Postet den av
Svar

12. mars i år var Comunita – et ledernettverk jeg driver sammen med Haakon Gellein – på besøk utenfor Oslo-gryta – i Sand i Suldal, en liten kommune på Vestlandet, som ønsker utvikling og har endel forutsetninger for å få det til. Vertskap var Næringshagen i Ryfylke, som driver næringsutvikling i kommunene Suldal, Sauda og Hjelmeland – og har resultater å vise til.

Men hva betyr egentlig næringsutvikling for en liten kommune – og hvordan gjør man det, sånn rent praktisk, forskjellig fra næringsutvikling i større sammenhenger, som storbyer eller land? (Og ja, hvis dette innlegget viser at det i grunnen ikke er så stor forskjell på å tenke næringsutvikling i et lite land og en liten kommune, så er det hensikten.)

En liten, åpen, rik og lik økonomi

Jeg hørte engang Viktor Norman si at «Norge er som min lommebok – en liten, åpen økonomi.» Landet er lite (vi er godt innenfor feilmarginen av en indisk folketelling) og har et lite hjemmemarked, hvilket betyr at vi må selge ting til resten av verden for å få penger og kjøpe ting fra resten av verden hvis vi skal ha noe. Det betyr også at vi må få mange av våre innsatsfaktorer – som kunnskap og teknologi – inn fra utlandet.

Det er på et nasjonalt nivå. Hva med en kommune? Er den et Norge i miniatyr, eller er det forskjeller som gjør sammenligningen meningsløs?

Norge er et rikt land (et av de rikeste i verden, faktisk), men de fleste små kommuner i Norge har ikke mye midler å rutte med: 7 av 10 har et driftsresultat under det som ansees forsvarlig. Det er det mange årsaker til, men en er at mange oppgaver pålagt av sentrale myndigheter ikke fullfinansieres. Det er lett å se for seg en spiral, der svak økonomi fører til dårligere kommunale tilbud – som skoler og barnehager. Dette kan føre til fraflytting, som gir enda dårligere økonomi, og så videre.

Det er også slik at Norge er svært likt – vi har en av de laveste Gini-koeffisientene i verden. Det betyr ikke at fattigdom og ulikhet ikke er problemer i Norge, men de er mindre enn nesten noe annet sted. Det at vi er (nesten) rikest og likest i verden betyr at vi ikke kan sette masse billig arbeidskraft på for å øke velferd. Det er, i tillegg til en tiltagende eldrebølge, en av driverne til digitalisering og automatisering av så og si alt som kan digitaliseres og automatiseres (selv om mange, meg selv inklusive, synes det går noe tregt.) Riktignok har vi kunnet importere billig arbeidskraft fra tidligere østblokkland en stund, men siden de landene begynner å få det bedre, blir arbeidskraften derfra dyrere.

Et annet særtrekk ved Norge er at vi har spredt bosetning som nasjonal prioritet. Det er en grunn til at vi har 47 ruteflyplasser og svenskene, med dobbelt så mange innbyggere, har 33, for eksempel. Nordmenn liker å være for seg selv, både individuelt, i små flokker og nasjonalt (vi holder oss standhaftig utenfor EU, for eksempel.) Det er fint, men det blir vanskelig å opprettholde tjenester og stordriftsfordeler uteblir.

Så – små kommuner med begrensede ressurser. Hva skal til?

Penger, råvarer, og teknologi

Næringsutvikling handler om å utnytte det man har eller kan skaffe seg – kunnskap, naturressurser, eller penger, for eksempel. Tradisjonelt har næringsutvikling i Norge handlet om å skaffe penger (gjerne fra utlandet) for å utnytte naturressurser (i tur og orden sølv, fisk, tømmer, is, vannkraft, petroleum, sjømat og turisme, for eksempel). Alt dette er supert, men felles for alle disse naturressursene er at de trenger en masse arbeidskraft og ideer i begynnelsen – og dermed næringsutvikling, eller i alle fall arbeidsplasser. Etterhvert blir ting mer og mer automatisert og antallet arbeidsplasser blir færre og krever høyere utdanning. Datasentere, gruver og vindmøller, for eksempel, gir kortvarig glede for kommuneutvikling og kunnskapsnivå – etter anleggsperioden kan drift og bruk til stor grad automatiseres og fjernstyres, og dermed blir det ikke kunder i den lokale butikken eller barn på grendeskolen likevel.

Fra Norgebygda (NRK 2001)

Et næringsliv som krever en høyere grad av kunnskap (og dermed utdanning) er i seg selv et problem for mindre kommuner. (Det er et problem for land også: Bare se på lekkasjen av unge og utdannede fra New Zealand – svært likt Norge – til Australia.) Som illustrert i NRKs serie Norgebygda – fra 2001, fortsatt severdig – får man en prosess der ungdom søker ut for utdanning, finner seg partnere, og ikke flytter tilbake igjen av mange grunner, ikke minst at venner, karriere og kulturelle muligheter er mer tilgjengelig i større sentra. Som det sies i serien: Før flyttet man fordi man måtte, nå flytter flere fordi de vil.

Attraktivitet, ikke bare arbeidsplasser

Myken (foto: Myken.no)

Hvis folk først bestemmer seg for at de vil bo et sted, klarer de som regel å finne noe å gjøre. Myken, for eksempel, er en øy på Helgelandskysten med 22 fastboende – en av dem en tidligere kjemiprofessor fra NTNU som sammen med noen ferierende investorer startet et whiskydestilleri (og hadde vært gjennom ganske mange alternative forretningsplaner før den avgjørelsen.) Myken har i tillegg tre overnattingssteder og en ganske bra restaurant (på sommerstid).

Det går an.

Problemet er at selv om det er en viss gruppe mennesker som vil bo avsides, er de for få til å veie opp for alle dem som trekkes mot mindre grisgrendte strøk. Man kan rekruttere, men de som kommer har en tendens til å ville ha samme tilgang og kvalitet på alle tjenester som de har i byen – og often kan de kreve det med loven i hånden.

Richard Florida har skrevet mye om hvordan byer og regioner kan tiltrekke seg folk, og bruker uttrykket The Creative Class om den typen mennesker en by eller region må tiltrekke seg for å skape økonomisk utvikling. Han har primært skrevet om utvikling av post-industrielle byer i USA, men kanskje man kan hente noe derfra i mindre industristeder i Norge også?

Florida mener utvikling kommer fra fire drivkrafter:

  • Teknologi (målbart ved patenter og tetthet av teknologibedrifter)
  • Talent (utdanningsnivå og andel av befolkningen som jobber i «kreative» bransjer)
  • Toleranse (målbarhet på andel skeive, kunstnere og immigranter)
  • Territorium (egentlig «Territorial assets) som har med arkitektur, natur og kulturliv å gjøre.

I Norge har vi (etter min mening) byer som har fått dette til – som Drammen – og byer som ikke har klart det i den grad de burde – som Trondheim. Drammen var et høl inntil man fikk lagt gjennomfartsveiene i tunnel, etablert undervisningsinstitusjoner på Papirbredden, og ryddet opp i sentrum og langs elven. Trondheim er en super studentby, men har ikke i nærheten av så mange høyteknologibedrifter og kunstnere som man bør kunne forvente med NTNU og andre kompetansemiljøer midt i byen.

Suldal (og antakelig også andre kommuner) har tilpasset sin næringsutvikling til denne mer komplekse situasjonen, og forsøker å gjøre beslutningen om å flytte dit mindre vanskelig. Dels forsøker man å få bedrifter til å samarbeide om rekruttering, slik at det blir interessante jobber for begge parter i en husholdning. I tillegg har man forsøkt seg med rekrutteringsboliger, som man kan leie for å «prøvebo» i en tidlig fase, slike at transaksjonskostnadene blir mindre.

Næringsutvikling har blitt mer komplisert og mer fokusert på helhetlige verdier – hvordan kan man utvikle dette videre?

Kritisk masse og samhandlingsteknologi

Arbeidslivet er forandret – PC, Internett, mobil, elektronisk signatur, GPS, droner, videokonferanse og etterhvert kunstig intelligens har gjort og gjør at mye som før måtte gjøres lokalt nå kan gjøres hvor som helst fra. Det burde ha implikasjoner for næringsutvikling også – men hva?

Myken kan selge sine produkter over hele verden – og innbyggerne kan sikkert også motta mange kommunale tjenester digitalt. Endel av folkene bak Myken Whiskydestilleri har hytter eller hus der, og kan styre sine forretningsaktiviteter derfra – noen av dem har til og med meldt flytting dit, fordi de vil at skatteinntektene skal tilfalle en kommune som trenger den mer enn Oslo eller Bærum. Kanskje digital kommunikasjon kan gjøre næringsutvikling på små steder lettere? Og kanskje man kan skape fellesskap – rundt stedet i seg selv? På Myken samles hele befolkningen (bokstavlig talt) på landhandelen til kaffe og kake hver dag. På Flå, for eksempel, har man laget et «veksthus» der folk som fjernjobber kan sitte sammen og dele infrastruktur.

For noen år siden hadde jeg en student som var kommunalråd i en liten kommune helt nord i landet. Dette var før pandemien, og hun ivret for å få på plass en psykologitjeneste via videokonferanse. Ikke bare var dette bedre for pasientene – som slapp å bli sett når de gikk til psykologen, og ikke risikerte å møte vedkommende på lokalbutikken – men hun mente hun ville kunne finne mye bedre psykologitjenester enn hva hun kunne rekruttere hvis de måtte bo der oppe.

Med andre ord, teknologi tillater en hel del smarte løsninger. Men en digitale motorveien går begge veier. Hvordan kan en liten kommune – eller et lite land – sikre at digitalisering, automatisering og kommunikasjon blir et pluss?

Politikk og konsistens og den irske metoden

Næringsutvikling i Norge har en tendens til å handle om skatt, særlig formueskatt, og, vel, det finnes mange gode grunner til å tenke over det, men tilrettelegging og forutsigbarhet er kanskje enda viktigere.

Det landet som har hatt den desidert beste reisen fra avsides og fattig til sentralt og rikt er Irland. På 80-tallet var Irland fattig: Bruttonasjonalprodukt per capita på 64% av gjennomsnittet i EU, 17% arbeidsløshet, statsgjeld like stor som BNP. Ungdommen var relativt velutdannet – som en leder fortalte meg på slutten av 90-tallet, Irland var så fattig at det eneste de hadde råd til var utdanning, gratis og tilpasset bedriftenes behov – men måtte reise ut for å finne jobber.

Irske politikere ble enige om å gjøre noe, og begynte med å sette ned selskapsskatten til 8% for utenlandske selskap (over 20% for innenlandske), noe de fikk lov til av EU fordi landet var så fattig. Deretter satte man i gang en mangeårig kampanje for å legge til rette for Irland som en inngangsport til EU for amerikanske selskaper. En leder i IDA Ireland fortalte meg at han gikk ledelsen i store selskaper for å finne irske etternavn, hvorpå han besøkte dem og markedsførte hvordan Irland la alt til rette: Byggetillatelser, rekrutteringskampanjer, infrastruktur – han hadde til og med sørget for innreisetillatelse for bikkja til en administrerende direktør.

Resultatene kom fort, særlig fordi mange selskaper (Dell, IBM, Microsoft, Cisco og andre) ønsket å etablere seg et sted som snakket engelsk, var innenfor EU – og Storbritannia var en byråkratisk hengemyr for all nytetablering. Store amerikanske selskaper begynte å legge europeiske og etterhvert globale hovedkvarterer i Irland, ungdommen kom tilbake (med verdifull arbeids- og ledelseserfaring), arbeidsløsheten falt dramatisk, og «det irske mirakelet» var i gang.

Et sentral punkt her var konsistens og forutsigbarhet: Selv om Irland hadde skiftende regjeringer, var det bred enighet om nærlingslivsstrategien og godt samarbeid mellom arbeidstaker- og arbeidsgiversiden. Dette kom til uttrykk ta EU etterhvert ikke lenger tillot at Irland hadde separate skattesatser for utenlandske selskaper. I stedet for å sette skatten for utenlandske selskaper opp, satte man selskapsskatten lavt for alle (til 9%, såvidt jeg husker). Per i dag er skattesatsen 12,5%, Irland har høyere bruttonasjonalprodukt/innbygger enn Norge (om enn noe oppblåst fordi mange multinasjonale selskaper rapporterer overskuddene sine der), og en økonomi som suser av sted.

Konsistens og tilrettelegging, med andre ord. Mon tro om det er noe for mindre steder også (og kanskje et lite land som Norge?) Vil vi faktisk ha disse nye impulsene – og klarer vi, rent politisk, å være lydhøre og konsekvente nok til å få det til på lang sikt?

Og kanskje dette er lettere å få til i en kommune enn i hele Norge?

(En versjon av denne bloggposten ble først publisert på Comunita.no – et ledernettverk for folk med interesse for, nettopp, strategisk forretningsutvikling. Ta kontakt om du ønsker å vite mer om Comunita!)

De første fem minuttene

Postet den av
Svar

En versjon av denne bloggposten ble først publisert på Comunita.no – et ledernettverk for folk med interesse for, nettopp, strategisk forretningsutvikling. Ta kontakt om du ønsker å vite mer om Comunita!)

De største feilene i ethvert prosjekt gjør man gjerne de første fem minuttene, fordi man tar forutsetninger og sementerer misforståelser man ikke vet at man har. AI og vibe coding kan kanskje gjøre noe med det.

Bilde konstruert ved denne prompten til Gemini: «please make me a pencil drawing illustrating and executive and a programmer discussing a vibe coding project»

I Comunita-nettverket har vi som regel møter hos en bedrift, der temaet er noe verten ønsker hjelp med. Men i neste møte har vi endret dette, og gjort et lite eksperiment: To bedrifter har gått sammen om å utforske noe nytt, og rapportere erfaringene.

Den ene bedriften har et problem: Bedriften leverer assistanse til kunder, både sine egne og for ulike partnere, hver av dem med ulike avtaler om hva slags ytelse sluttkundene kan forvente.

Den andre bedriften er et softwarehus som leverer ulike typer IT-tjenester, og som står overfor et teknologiskifte (fra tradisjonell til AI-støttet systemutvikling) som kommer til å ha nokså store konsekvenser for både hvordan man utvikler systemer for kunder og hvordan man tar betalt for dem.

Og hva er det vi har utforsket? Jo, vibe coding.

Vibe coding

Innenfor IT kan vi produsere buzz words fort, men vibe coding må være en eller annen rekord: Andrej Karpathy, en av grunnleggerne av OpenAI, introduserte begrepet for 11 måneder siden, og nå er det altså noe som brukes av helt vanlige bedrifter.

Vibe coding betyr at man skriver dataprogrammer ved å fortelle en språkrobot (eller, om du vil språkmodell) hva slags program man vil ha, hvorpå roboten skriver programmet for deg. Tanken er at alle skal kunne programmere – forøvrig noe som har vært et mål for enhver softwareleverandør siden programvare ble en vare: COBOL, av alle ting, var ment som noe ikke-programmerere skulle kunne gjøre.

Uansett: Hva tilfører Vibe coding som man ikke kunne gjøre før?

Det kanskje viktigste momentet er at man kan bruke svært kort tid (i dette tilfellet, en utvikler og ca. 25 timer) på å utvikle en prototype (eller, i alle fall, POC) som er god nok til at man har en omforent oppfatning av hva systemet skal gjøre og hva resultatet, sånn nogenlunde, kommer til å se ut som. Så liten ressursinnsats i en tidlig fase gjør at man slipper å spesifisere systemer før man begynner – utover korte møter – og man slipper å gjøre feil fordi folk forholder seg til en dynamisk beskrivelse i stedet for en mer statisk spesifikasjon.

Et annet aspekt er at diskusjonen om hva man skal gjøre føres mellom folk som er høyt nok oppe i organisasjonen til å ha overblikk – og foreslå løsninger ut over ren systemdesign. For å ta en parallel fra arkitektur: Snøhætta, et arkitektfirma med en rekke enestående bygninger på merittlisten, tar ikke oppdrag fra bedrifter med mindre bedriftsledelsen setter seg med med arkitektene en hel dag, der de klipper og limer og byggeklosser seg frem til hva slags bygg man skal ha. Dette gjør at mange misforståelser blir ryddet av veien tidlig – «å, var det det du mente» – mens de fremdeles er svært billige å korrigere, både hva gjelder penger og støtte mansjetter.

Om å velge riktig nivå

Bildet konstruert ved denne prompten til Gemini: «please make a pencil drawing illustrating the systems development concept of UI, business logic and data access». Presisjonen er ikke påfallende…

Nesten alle systemer som lages, må forholde seg til tre ulike dimensjoner: Grensesnitt, logikk og datastrukturer. (Også kalt «UI, forretningslogikk og dataaksess» hvis man kommer fra tradisjonell IT-utvikling, eller Model-View-Controller hvis man har studert informatikk.) Grensesnittet handler om hvordan systemet skal se ut og hvordan det passer inn i forhold til andre systemer, inkludert det mennesket som skal bruke det. Logikken handler om hvilke regler og rammebetingelser som gjelder. Datastrukturer handler om hvordan dataene er organisert og hvordan man kan komme til dem.

Et vanlig prosjekt ville måttet ha konstruert et grensesnitt (det begynner å bli mer og mer standardisert), legge inn forretningsregler («ikke tilby kunder en tjeneste som ikke er i kontrakten deres») og datatilgang (kanskje ved å konstruere en matrise av ulike tjenester og ulike kontrakter, og slå opp i den omtrent som indeksen til en søkemotor.) Ved å bruke vibe coding får man et kjapt system, der man bruker en variant av RAG til å lese kontraktene og tolke dem. Rent logisk vil dette si at brukergrensesnittet (og muligens grensesnitt mot andre systemer) blir formulert i naturlig språk («hvilke rettigheter har denne kunden»), forretningslogikken – i alle fall i prinsippet – uttrykt ved en «reward function» der språkroboten belønnes for riktige svar, og datatilgangen ordnet ved at språkroboten tolker kontraktene opp mot et multidimensjonelt semantisk koordinatsett.

Hovedfordelen med vibe coding og RAG er hastighet, hovedulempen er, som med så mange ting der språkroboter er involvert, mangelen på presisjon. En annen utfordring er oppdatering – hva skjer om det kommer en ny partner og, med det, en ny kontrakt? Da må man kanskje gjøre hele tolkningsøvelsen om igjen – og kan risikere at systemet ikke er konsistent over tid.

Suksesskriterier

Så langt har vi sett at vibe coding og språkroboter fungerer utmerket i en testfase – kan vi bygge et kjapt system, sjekke ut et konsept kjapt og billig, så vi blir enige om hva vi vil ha. Dette er ikke ulikt 3D-printing, som startet som noe man brukte til å bygge prototyper av bygninger, maskinkomponenter og annet. Etterhvert har 3D-printing blitt en produksjonsteknikk – kan vibe coding og språkroboter gå den samme veien?

Det finnes faktisk en måte å gjøre dette på uten å måtte manuelt sjekke ut den underliggende logikken i systemet – og det involverer god gammeldags statistikk og eksperimentering. Man kan ganske enkelt teste systemet opp mot det man gjør nå – og se om kunderådgivere med dette systemet til hjelp tar bedre beslutninger enn kunderådgivere som opererer alene.

Statistisk sett er dette riktig måte å gjøre det på – samtidig vil jeg tro at en ansvarlig leder ville følt seg nokså nervøs ved oppstart. Vi har en naturlig tendens til å vurdere nye ting ikke opp mot hva man allerede gjør – ofte manuelle prosesser fulle av ikke-innrømte feil – og i stedet insistere på at ethvert nytt system skal være 100% sikkert, feilfritt og etterrettelig.

Som så meget annet mennesker gjør, er ikke dette mulig, og heller ikke ønskelig. Som Daniel Kahneman har skrevet i sin eminente bok Thinking, Fast and Slow: Et menneske som skal gjennomvurdere alle beslutninger i stedet for å være følelsesstyrt, vil aldri klare å ta noen beslutninger. Slikt sett er den effektive omtrentligheten til en språkrobot kanskje en mulig løsning på den backlog’en enhver organisasjon med gamle systemer sliter med.

Og dialogen før man starter vil i alle fall hjelpe med de feilene man gjerne gjør i løpet av de første fem minuttene.

Hvem vil overleve i et arbeidsliv med AI?

Postet den av
Svar

I desember i fjor var jeg med på en interessant podcast med Bente Sollid og Christian Brosstad, der temaet var hva som vil skje med arbeids- og forretningslivet nå som AI kommer inn for fullt. Temaet var opprinnelig «KI-blodbad i arbeidslivet» eller noe slikt, men både Bente og jeg likte ikke den tittelen, selv om den er skikkelig klikkbar. Det ble en lang og vidtfavnende samtale, vi endte opp med å diskutere forretningsmodeller en hel del. Etterpå sa Bente at vi kanskje burde ha brukt mer tid på hvilke egenskaper og kunnskaper som blir viktige i en verden med mye AI – med andre ord, hva skal du bli flink i for fortsatt å ha en jobb og en god inntekt?

Så her er mitt forsøk på å starte den diskusjonen, og det har jeg tenkt å begynne med å observere at vi har hatt denne diskusjonen før – for sånn omtrent 20 år siden, for å være nøyaktig. Den gang var ikke trusselen mot arbeidslivet AI, men globalisering – hva i all verden skulle vi gjøre når billig arbeidskraft i India og Kina kom og tok alle IT- og industrijobbene? Det manglet ikke på spådommer om hvor vanskelig det ville bli å beholde jobbene i vesten, når milliarder, bokstavlig talt, av indere og kinesere og andre sto klare til å overta.

Thomas Friedman: The world is flat

Den boken som dominerte den diskusjonen var Thomas Friedmans The World is Flat – du finner mitt sammendrag her – som hevdet at jorden var i ferd med å bli flatere, i den forstand at åpnere arbeidsmarkeder og finansmarkeder, hypereffektiv kommunikasjon og billig og rask transport ville gjøre verden til et sted der ting der alle nasjoner kunne konkurrere. Dette har vist seg å være en sannhet med modifikasjoner, men arbeidslivet er uten tvil endret, selv om det i alle fall for USAs vedkommende har handlet mer om automatisering av industriproduksjon enn outsourcing.

Nuvel, den samme Friedman diskuterte i alle fall hvordan man skulle ruste seg for å overleve i en verden der man konkurrerer globalt – og hans argumenter har en viss overføringsverdi når vi diskuterer hva som kommer til å skje når AI står for automatiseringen. Friedman mener at de som vil overleve er dem hvis jobb ikke kan outsources – the untouchables. Han mener det er fire typer av dem:

  • De unike: Folk som er unike og ikke kan kopieres fordi ingen andre kan gjøre det de gjør – Erling Haaland, for eksempel, eller Taylor Swift.
  • De spesialiserte: Folk som har en spesialkunnskap, som spesialiserte advokater, hjernekirurger, andre hvis arbeid rett og slett ikke kan automatiseres.
  • De forankrede: Folk som gjør noe lokalt og tilpasset, som frisører, servitører, helsepersonnel og rørleggere.
  • De fleksible: De som klarer å lære seg noe nytt, når hele eller deler av den jobben de utførte før blir automatisert. Den siste gruppen er den viktigste, fordi også de tre andre vil få deler av jobben sin automatisert.

Hovedmeldingen den gang – og i dag – er at man må hele tiden oppgradere seg, hele tiden lære, for å være relevant. Nå er det riktignok ikke en smart og ambisiøs inder som står og vil ha jobben din, men en mindre smart språkmodell som vil gjøre den delen av jobben din som bare krever middelmådige kunnskaper.

Problemet med å flytte masse arbeid til India var at man i stor grad undervurderte transaksjonskostnadene – det man vant ved å ha billige programmerere tapte man i den tiden det tok å spesifisere hva man ville ha gjort, i kulturforskjeller og tidssoneproblemer. Det betyr ikke at det ikke kan være lønnsomt, men at organisasjonen som skal flytte noe bør være stor nok til at man har penger og personell til å administrere det hele – og at man er stor nok til at man er en interresant kunde derover.

Slik er det kanskje med språkmodellene også: Riktignok kan man automatisere mye, men for mange (i hvert fall for meg) er jobben med å følge med på hva assistentene gjør så stor at jeg heller gjør det selv. Og uansett hvor bra en språkmodell er – det blir ikke helt som man vil ha det.

Kanskje det tyder på at jeg kommer til å overleve i det fremtidige arbeidslivet likevel?

Om å være i verden

Postet den av
5

For tiden leser og diskuterer jeg mye om kunstig intelligens (som alle andre, for den saks skyld, men jeg har sabbat og nye – i dette tilfellet, ikke så nye – teknologier er jo det jeg driver med og underviser om.)

En av refleksjonene jeg har rundt det er «du verden, så lite ting har endret seg.»

Jeg havnet først opp i diskusjonen om kunstig intelligens på 80-tallet, da jeg jobbet i IT-avdelingen på BI og var heldig nok til å ha en sjef (Erling Iversen) som leste mye og var plugget inn i AI-diskusjonen slik den var den gang. Via ham, Fred Wenstøp, etter hvert Charles Stabell og Øystein Fjeldstad ble jeg introdusert for bøker som Heins Pagels Dreams of Reason, Bolters Turing’s Man, Hofstadters Gödel, Escher, Bach (som Erling pleide å si, «det finnes to slags IT-folk, de som har lest Hofstadter og de som ikke har gjort det.»), Rumelhart og McLellands Parallel Distributed Processing og noe senere Resnicks Turtles, Termites and Traffic Jams. (Blogget om her.)

Alle disse bøkene, og de ideene de inneholder, kan hjelpe oss å forstå hva kunstig intelligens er og hvordan vi skal håndtere den. Den forståelsen er viktig, for i dag begynner AI å blir allemannseie (omtrent som PCer på sent 80-tall, internett i andre halvdel av 90-tallet, mobil og sosiale medier på 2000-tallet) og jeg ser i alle fall at de samme misforståelsene og forventninger som var gjeldende da, også gjelder for AI.

Da kan det være verdt å se litt på tidligere diskusjoner om AI, for nesten alt man ser av argumenter har vært fremført før og har ikke mistet gyldighet selv om språkmodeller nå kan kjøres i stedet får bare å beskrives. Den viktigste kritikken av AI – og særlig om maskiner noengang kunne oppnå en eller annen form for intelligens – kom fra Hubert Dreyfus, en filosof som satte spørsmålstegn ved mange av forutsetningene som lå til grunn for tanken om at bare maskinen blir kraftig nok, blir den smart. Dreyfus artikulerte tidlig det som blir klarere og klarere etterhvert som nevrale nettverk blir allemannseie: At hjernen ikke er en datamaskin, selv om deler av den kan simuleres av et nevralt nettverk uten kontekst; og at et nevralt nettverk ikke er en hjerne, selv om det kan produsere noe som ved første øyekast ser ut som intelligens. Tenking er ikke beregning, og beregning er ikke tenking, ganske enkelt.

Jeg fant forleden en film på Youtube som beskriver og illustrerer mange av Huberts poenger, særlig det at kunnskap lages i en kontekst og ikke kan reproduseres fritt fra den. Filmen tar for seg en rekke kunstnere og andre med dyp kunnskap, og viser hvordan den kunnskapen og resultatene av den skjer i samspill både med ens egen kropp og omgivelsene. Som Dreyfus sier i filmen: «the source of meaning in our lives isn’t in us – that’s the Cartesian tradition – and it isn’t in some supreme being, but it is in our way of being in the world.» (https://youtu.be/fcCRmf_tHW8?t=4629).

Et av utsagnene synes jeg er spesielt interessant: «One of the dangers of technology is that it relieves us of the necessity of developing skills.» Ideer og kunnskaper kommer ofte som et resultat av begrensninger, av hindre som man må komme over. Med kortere og kortere avstand mellom ønske og oppfyllelse, vil vi ende opp som bortskjemte døgenikter alle sammen?

Sannsynligvis ikke, for vi vil ha kontekst og interaksjon. Plus ça change, plus c’est la meme chose…

Fra OKR til prompting: Målstyring i en AI-alder

Postet den av
Svar

When a measure becomes a target, it ceases to be a good measure».
Goodharts lov, tilskrevet Charles Goodhart

(Denne bloggposten ble først publisert på Comunita.no – et ledernettverk for folk med interesse for, nettopp, strategisk forretningsutvikling. Ta kontakt om du ønsker å vite mer om Comunita!)

Det er vanskelig å formulere en god strategi, i den grad at de fleste bedriftsstrategier ikke egentlig er strategier, men elegant formulert og nokså vag ønsketenkning.

Greit nok.

Men enda vanskeligere er det å implementere strategi – å gå fra overordnede mål til å spesifisere hva folk skal gjøre i hverdagen. Mange organisasjoner gjør dette ved å formulere konkrete målsettinger. Dette gjøres fordi generelle strategier gir liten konkret styringsinformasjon: Hvis du jobber på regnskapskontoret, er det ikke alltid så lett å forstå hva en strategi om at bedriften skal være «global, digital og bærekraftig» – for å sitere en bedrift jeg vet om – betyr når du er ferdig med morgenkaffen.

Bedrifter har gjerne en masse ulike kontrollsystemer, og strategisk endring gjennomføres ved at ledere implementerer strategi ved å velge et kontrollsystem og gjøre det aktivt:

In situations of strategic change, control systems are used by top managers to formalize beliefs, set boundaries on acceptable strategic behavior, define and measure critical performance variables, and motivate debate and discussion about strategic uncertainties. In addition to traditional measuring and monitoring functions, control systems are used by top managers to overcome organizational inertia; communicate new strategic agendas; establish implementation timetables and targets; and ensure continuing attention to new strategic initiatives. (Simons, 1994)

Kontrollsystemer gjør det strategiske konkret, og bedrifter med klare strategier har gjerne klare målesystemer: Microsoft, for eksempel, har en strategi om å ta i bruk de AI-basert systemene de selger, og måler (og belønner) i disse dager sine mellomledere på i hvor stor grad de klarer å flytte systemutviklingsarbeidet – og annet arbeid – fra håndkoding til automasjon.

Fra overordnet til konkret

Men hva er et godt mål, og hvordan kommer man frem til det? I utgangspunktet burde en klar og god strategi være selvforklarende, men slik er det ganske enkelt ikke. Ting må gjøres konkret, og resultatet av den prosessen har mange navn: KPI, OKR, MBO, BSC og andre TBF‘er. I Norge akkurat nå er OKR (Objektives and key results, popularisert av Andy Grove i Intel engang på 80-tallet) mest populært. Felles for alt dette er at man setter mål som er smarte, hvilket (på norsk) vil si at de er

  • Spesifikke: Klart avgrenser hvilke aktiviteter som berøres
  • Målbare: Definerer, eller i alle fall indikerer, noe som kan måles og blir målt
  • Ansvarsplassert: Spesifiserer hvem som har ansvaret for å oppnå målet
  • Realistiske: Mulige å påvirke for dem det gjelder, og kan oppnås med de ressursene som er tilgjengelige
  • Tidsbestemt: Gjelder innenfor en viss tidsperiode

Dette er temmelig tøffe kriterier, og de fleste ledere og mellomledere sliter med å formulere målsettinger som tilfredstiller alle disse kriteriene.

Man får det man måler, og bare det

Det er besnærende å tenke at bare man løser definisjonsproblemet, har man løst implementeringsutfordringen. Men vi mennesker er ikke maskiner: Får vi mange mål å forholde oss til, tenderer vi til å prioritere mellom. Og får vi svært konkrete mål, vel, så produserer vi det som konkret måles, ikke det underliggende fenomenet som er ment å måles.

BSC – balanced score card – ble skapt av Robert Kaplan og David Norton på tidlig 90-tall som en reaksjon på den utstrakte bruken av rene finansielle mål. Mye av kom i forlengelsen av Johnson & Kaplans svært inflytelsesrike Relevance Lost. Den boken viste at etterhvert som mer og mer av industriell produksjon ble automatisert, ble lønnsomhetsberegninger mer og mer et spørsmål om hvor mye av salgs- og administrasjonskostnader (GS&A) som ble tillagt enhetskostnaden. Resultatet var at man masseproduserte for mye, overoptimaliserte produksjon, og at måleinstrumentene ikke lenger ga styringsinformasjon for store deler av organisasjonen.

BSC innførte ikke-finansielle mål, relatert til kundetilfredshet, læring og interne prosesser, og ble tatt i bruk av mange organisasjoner. Dette skjedde ikke uten utfordringer – finansielle mål hadde en tendens til å trumfe alt annet i nedgangstider, for eksempel. I tillegg produserte systemet mange mål, og det viste seg at vi mennesker har problemer med å forholde oss til flere ytelsesdimensjoner samtidig. Da velger vi gjerne et av målene og overfokuserer på det: Selgere som blir belønnet for å øke salget, for eksempel, selger som bare det uten å undersøke om kjøperne trenger produktet eller er i stand til å betale for det.

Jeg er blitt fortalt at i Sovjetunionen, der finansielle mål ble undertrykket, ble møbelprodusenter målt på antall tonn møbler de produserte i året. Resultatet ble svært tunge møbler.

Den industrialiserte kunnskapsarbeideren

Detaljerte målekriterier brutt ned på grupper og kanskje til og med individer kommer fra en top-down tankegang om hva strategi er: Ledelsen ser på organisasjonen som et verktøy, og forteller organisasjonen hva den vil ha, ofte ved at ledelsens egne mål er satt av et styre som har godkjent en overordnet strategi. En slik tankegang er industriell, og egner seg best i situasjoner der målekriteriene er lett observerbare og kvantifiserbare, og der fremgangsmåten for å oppnå dem er relativt kjent.

Med andre ord: Man ber organisasjonen om å gjøre noe ved å sette kriterier for hva som er bra og hva som ikke er det.

Men hva med kunnskapsarbeid? Hittil har ikke kunnskapsarbeid blitt industrialisert i særlig grad – primært fordi systemene som skal gjøre det ikke har funnets. Riktignok har endringer i mål gjort at mange organisasjoner har fått et endret arbeidsmiljø – journalister har gått fra å få artikler antatt til å publisere ting optimalisert for klikking, for eksempel – men automatisering av reellt kunnskapsarbeid har latt vente på seg.

Fremtidens kunnskapsorganisasjoner vil ha digitale medarbeidere på lik linje med mennesker (Ide og Talamàs, 2025). Interaksjon med en digital medarbeider – la oss kalle det en språkrobot (Arnulf, 2025) – skjer ved prompting: Man spesifiserer hva man vil ha ved å spørre, og fortsetter å spørre til man er fornøyd med svaret.

Hva om vi snur litt på flisa – kan vi lære å sette gode mål for menneskelige medarbeidere ved å finne hva som er gode mål for de digitale aktørene?

Hva med å behandle menneskelige medarbeidere som digitale?

Det finnes mange utsagn om hva som er god prompting, men felles for dem er en oppbygging som sier noe om

  • hvem språkroboten skal være
  • hva den skal levere
  • med hvilke ressurser det skal gjøres
  • hva som er et bra resultat

For eksempel kan en leder med ansvar for digitalt grensesnitt i en bank tenkes å gi følgende prompt til en språkrobot:

Du er en UX-utvikler i et finansselskap. Basert på den koden som allerede er skrevet og annen kode fra andre systemer, skriv et program som tillater besteforeldre å kjøpe aksjefond til barnebarna sine som jule- eller bursdaggave. Koble dette systemet mot CRM-systemet slik at besteforeldrene blir varslet før jul og bursdager, men hold alt innenfor GDPR-regelverket.

Dette utsagnet sier noe om hvem man forventes å være, hvilke ressurser man har, hva som skal gjøres, og hva som er kriteriet for god måloppnåelse.

Eller, med andre ord, en målsetting og et resultat – men skrevet som en tekst i stedet for et numerisk målekriterium.

Dette er ikke så eksotisk som det høres ut: Amazon er kjent for at man i ledergruppen der ikke produserer Powerpoints, men i stedet skriver et sekssiders memo som leses i fellesskap (så alle må lese grundig) og som danner grunnlag for diskusjoner og beslutninger.

Men metoden er interessant fordi man kan lære noe om hvordan man skal formulere mål (og strategi) ved å måtte formulere det for en språkrobot, før man formulerer det for et menneske.

Og det kan kanskje være språkrobotens bidrag til å heve kvaliteten i det som gjøres i en organisasjon, ikke bare kvantiteten.

Litteraturhenvisninger:

Arnulf, J. K. (2025). Kunstig intelligent psykologi. Fagbokforlaget.

Ide, E., & Talamàs, E. (2025, March 3). Artificial Intelligence in the Knowledge Economy. Stanford Digital Economy Lab. https://arxiv.org/pdf/2312.05481

Johnson, H. T., & Kaplan, R. S. (1987). Relevance Lost: The Rise and Fall of Management Accounting. Harvard Business School Press.

Kaplan, R. S., & Norton, D. P. (1996). The Balanced Scorecard: Translating Strategy into Action. Harvard Business Review Press.

Simons, R. (1994). How new top managers use control systems as levers of strategic renewal. Strategic Management Journal, 15(3), 169–189. https://doi.org/10.1002/smj.4250150301

Prompts:

De tre tegningene er generert av ChatGPT 5.1, med følgende prompts:

  • Make a pencil drawing of a female CEO thinking about strategic objectives
  • Make a pencil drawing of a systems developer prompting an llm to produce a financial investment system
  • Make a pencil drawing of a manager carefully crafting a six-page memo, like they do at Amazon

Data rett fra kilden

Postet den av
Svar

Siden tidenes morgen har store bedrifter slitt med antikverte kjernesystemer, vanskelige å endre og vanskelige å få data ut av. Nå har noen av dem begynt å få orden på det – og hva skjer da?

ChatGPTs versjon av en COBOL-programmerer – de har tydeligvis bare tre fingre per hånd.

(Denne bloggposten ble først publisert på Comunita.no – et ledernettverk for folk med interesse for, nettopp, strategisk forretningsutvikling. Ta kontakt om du ønsker å vite mer om Comunita!)

Museumsgjenstanden i kjelleren

De grunnleggende datasystemene man bruker i store bedrifter – særlig banker og forsikringsselskaper – ble først laget på sekstitallet. De gjorde helt grunnleggende ting, som å holde orden på hva kundene hadde betalt og fått, og var programmert enten i maskinspråk, Assembler, eller (vanligvis) COBOL. COBOL – designet av ingen ringere enn kontreadmiral Grace Hopper – har vist seg å være forbausende standhaftig: Det er lett å programmere i, men når programmene blir store, er det forbausende vanskelig å endre dem. Etterhvert som ny teknologi har kommet, har de fleste bedrifter utviklet en arkitektur der de har noen svært gamle kjernesystemer – ofte i COBOL – og en mengde andre systemer rundt kjernen – systemer som kommuniserer med kjernesystemet men ikke endrer det.

Dermed ender man opp med et monster i kjelleren – et gammelt system ingen tør røre, delvis fordi det er mangel på folk som kan, dels fordi enhver endring har forgreninger inn i hundrevis, kanskje tusenvis av andre rutiner i egen og andres organisasjon. Siden ingen tør å røre det, bruker man systemene rundt – for dataanalyse, for eksempel, dumper man det som har skjedd i kjernesystemet ut i ulike lagringsløsninger, og gjør analysene derfra.

Fordelen med å trekke data ut fra systemet og gjøre det tilgjengelig er at ulike deler av organisasjonen trenger ulike typer analyser – og har man dataene separat, man man gi dem til folk og la dem gjøre hva de vil. Ulempen er at – med mindre man har en selvdisiplin av en annen verden – de ulike delene av organisasjonen snart skaper sine egne begreper og sine egne bilder av hvordan verden ser ut. Det betyr at uttrykk som «lagerbeholdning» eller «lønnsomhet» har ulike betydninger for ulike deler av organisasjonen, som jo kan gjøre det vanskelig å bli enige om ting. «Single source of truth» er et viktig prinsipp fra informatikk – masterdata skal lagres kun et sted og det skal aldri være tvil om hva som er riktige data. Dette har etterhvert blitt et begrep innen ledelse også, og en viktig motivasjon for å la kjernesystemer og dataanalyse nærme seg hverandre.

Heisenberg i regnskapet

En annen effekt – og viktig motivasjon – for å hente data fra kjernesystemene er oppdatering. Det er en klisje at all regnskapsanalyse handler om å se på fortiden for å predikere fremtiden – ofte sammenlignet med å kjøre bil ved å se i bakspeilet. Jo fersker data, jo bedre styring.

Eller kanskje ikke?

De som har sett Breaking Bad, husker sikkert at hovedpersonen Walter White brukte pseudonymet Heisenberg. Det er ikke tilfeldig – Werner Heisenberg er mannen bak usikkerhetsprinsippet, som sier at (innen kvantemekanikk) er det ikke mulig å presist måle både posisjon og hastighet for en partikkel samtidig. Jo mer presist du måler hvor en partikkel er, jo mindre vet du om hvor fort den beveger seg, og omvendt.

Innen forretningslivet må vi hele tiden ta beslutninger som krever målinger av et eller annet slag – for en bank, for eksempel, må man vurdere kredittverdigheten til en bedrift. Den samme banken vil gjerne også kunne finne ut av hvilke privatkunder som kommer til å flytte lånene sine eller slutte å betale dem – eller mer presist kunne vurdere likviditetsbehov på kort sikt, kanskje fra minutt til minutt.

Når data blir øyeblikkelig tilgjengelig, vil vel dette bli lettere?

Lager er ikke lager

Vel, ting er ikke så enkelt. La oss ta et enkelt begrep, som uttrykket «lager» – er produktet på lager?

Skal du kjøpe noe på IKEA, for eksempel, kan du jo gå på deres webside og se om det ønskede produktet er i butikken – bare for å finne at det ikke er der likevel når du kommer dit. Sjansen for at lagerbeholdningen er feil, er mindre nå enn før, fordi man har fått raskere oppdateringer. For noen år siden ble lagerbeholdningen oppdatert daglig, i en batchprosess. Så koblet man det til POS-systemet i kassen, og dermed ble tallet oppdatert når noen gikk gjennom kassen og betalte for det.

Nå er IKEAs forretningsmodell den at du henter det du skal ha, for så å bruke masse tid på å vandre rundt i en labyrint eller stå i kø mens du fristes med lysestaker, varmelys og marsipan. Den flatpakken du har på handlevognen, er fortsatt – i følge IKEA – på lager, i den forstand at de ikke har solgt den ennå. Men den er ikke på lager for neste kunde, som kommer til en tom hylle – medmindre IKEA monterer strekkodelesere eller vekter på lagerhyllene sine.

Begrepet «lagerbeholdning» er altså ikke bare tidsavhengig, men også forskjellig for forskjellige brukere, og årsaken er ikke slapp datadisiplin, men genuine forskjeller i informasjonsbehov. Dermed blir det til at man må endre beregningsmetode ikke bare ut fra hvilket tidspunkt man ønsker data på (historisk, i sanntid, eller i fremtiden) men også ut fra hvem som spør (kunde, selger, markedsansvarlig, produsent, eller den som er ansvarlig for lagerlokalene.)

Dermed blir noe så enkelt som «lager» et begrep som involverer ikke bare tall, men også relasjoner mellom ulike deler av verdikjeden, der systemene er simuleringer av virkeligheten.

Med andre ord: Jo mer presist man ønsker å måle et begrep, jo mer presist må det defineres.

Heisenberg rir igjen…