Kjapt innlegg her med en liten anbefaling av denne filmen, som gir en kjapp forklaring av ulike økonomiske teorier – eller “skoler” om man vil – gjennom tidene. Som halvstudert økonom kunne jeg jo ønsket meg litt mer dybde rundt f.eks. transaksjonskostnader og er kanskje også litt uenig i noen av klassifiseringene, men dette setter nok mye på plass.
Og, ikke minst, gir en oversikt til den som måtte tro at økonomisk teori kun handler om penger eller politikk.
(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!)
Enhver bedrift med respekt for seg selv har en strategi – gjerne i form av et dokument, elektronisk eller ikke, med i alle fall en versjon av følgende punkter:
De fleste strategier av denne sorten, hvis de finnes, ligger på en intern webside (ikke lenger i en skrivebordsskuff i disse digitale tider) og har svært lite med bedriftens daglige virke å gjøre. Om man spør medarbeiderne om bedriftens strategi – i hvert fall om den har kommet opp i noen som helst størrelse – har de i beste fall en diffus mening om endringer i omgivelsene man etterhvert skal forholde seg til.
Hvorfor er det slik?
Årsakene kan være mange, men jeg tror de vanligste er: Strategiene er ikke reelle valg, de er for vage, og det settes ikke ressurser inn bak gjennomføringen.
Strategi som valg
Forretningsstrategiens far, Michael Porter (1996), refererte alltid til strategi som valg – at man tar et reellt valg mellom ulike mål og fremgangsmåter. Skal valg være reelle, må de innebære at man har valgt noe bort, og det man velger bort er noe man kunne ha gjort.
Jeg pleier å fortelle mine studenter om Claude Shannon og hans tese om at et utsagns informasjonsinnhold er omvendt proporsjonalt med sannsynligheten for å motta det. Med andre ord: Dersom bedriftens strategi er å vokse og tjene penger, har man valgt bort å krympe og tape penger. Ikke mye til valg, ikke sant?
Skal man vurdere hvor god en strategi er, kan man jo stille seg spørsmålet: Hva er det strategien sier vi ikke skal gjøre, eller hva vi skal gjøre mindre av? Hvis vi skal prioritere alt, prioriterer vi ingenting, og da har vi ikke tatt noen valg, strategiske eller ikke.
Strategi som oppskrift
En strategi skal sette en retning: Hva skal bedriften oppnå, og hvordan skal den gjøre det? Det kan en strategi inneholde, men likevel være så vag at den ikke gir noen rammer for dem som faktisk skal gjennomføre den.
Skal man nå et mål, må man også ha en formening om hvordan man skal komme dit: Skal man ansette flere selgere, for eksempel, gjøre endringer i produkter eller tjenester for å oppnå noe bestemt, eller skal man gå etter et nytt marked?
Det er fristende å trekke en parallell til sport: En trener som sier at hans eller hennes strategi er å vinne et mesterskap i år, er ikke troverdig uten at det følges opp med hvordan – gjerne i form av hva som er sterke og svake sider med eget lag og hva han eller hun har tenkt å gjøre med det.
For mange virksomheter innen nærlingsliv og offentlighet ser det imidlertid ut til at det holder med å si at strategien er at man skal ha fornøyde kunder, god lønnsomhet og motiverte ansatte. Hvordan man skal få til dette, derimot, glimrer med sitt fravær, ikke bare i den delen av strategien som ender opp på websiden, men også i det som kommuniseres internt.
Et godt styre og/eller krevende eiere vil kunne holde ledelsen i ørene her, og det er deres jobb å kreve at ledelsen vet hvordan, ikke bare hvor.
Strategi som prioritering
En strategi er ikke en strategi hvis den ikke følges opp med ressurser til å sette den ut i livet. Ressurser kan være penger, produksjonskapasitet, personale, eksperter, tilgang til kunder, og ikke minst myndighet til å sette ting ut i livet.
Det er viktig å merke seg at ressurser er relative og betyr noe over tid. Det som er en strategisk satsing for en liten bedrift kan være lommerusk for et globalt konsern. Jeg har sett en hel del satsinger fra store selskaper omtales som strategiske fra utsiden, men verken penger eller ledelsesoppmerksomhet tilsier at så er tilfelle.
Det er heller ikke strategisk ressursallokering å sette inn penger for så å endre kurs like etterpå – som man ofte ser hvis strategien er basert på moteretninger. Da er det bedre å klassifisere noe ressursbruk som eksperimenterende, sette korte tidsfrister, og så gå videre dersom det kommer noe ut av dem.
«Strategisk» bør brukes med forsiktighet
Ordet «strategisk» er lett å gripe til – og innenfor kyniske konsulentmiljøer sies det ofte at det betyr «noe som jeg ikke kan regne hjem men vil gjøre likevel.»
Men «strategisk» bør brukes med forsiktighet. Det skal noe til for å omtale noe som strategisk – og det er ikke sikkert at det som er strategisk for en virksomhet er det for en annen.
Av og til kan det bli helt meningsløst.
For noen år siden var jeg tilstede på et stort internt arrangement i en av Norges største bedrifter. Anledningen var at man hadde bestemt seg for å standardisere all programvare i bedriften til Microsoft. Steve Ballmer, Microsofts den gang administrerende direktør, dukket opp via videokonferanse og leste opp et manuskript om hvor glad han var for at bedriften og Microsoft skulle begynne et strategisk samarbeid, men for meg var det nokså klart at han ikke helt visste hvilken bedrift han snakket til eller hvor i verden den holdt til. Episoden fikk min meget erfarne konsulentsjef til å bemerke at han kjøpte alt sitt undertøy hos Marks & Spencer, uten at han ville kalle det et strategisk samarbeid av den grunn.
Så, neste gang du snakker om din strategi eller at noe er strategisk: Representerer strategien et reellt valg, er den spesifikk nok til at organisasjonen vet hva den skal gjøre, og har du allokert nok ressurser til at den kan gjennomføres?
Hvis ikke, skal du kanskje finne et annet ord å bruke…
Referanser:
Porter, M. E. (1996). «What Is Strategy?» Harvard Business Review 74(6): 61-78.
Shannon, C. E. (1948). «A Mathematical Theory of Communication.» The Bell System Technical Journal: 379–423, 623–656.
Tid for litt refleksjon etter å ha avholdt – og (snart) sensurert – det nye kurset «Det verdiskapende styret», arrangert for første gang høsten 2024.
Kurset har vært en fornøyelse å utvikle og undervise. Per i dag har BI en rekke styrekurs på grunnleggende nivå, enten alene eller i samarbeid med institusjoner som NHO eller Landbrukssamvirket. Med lovendringen om minst 40% av hvert kjønn i styrer var det naturlig å tilby et styrekurs innenfor BIs Executive Master of Management-program, som har høy kvinneandel allerede.
Når jeg utvikler kurs, tar jeg ikke utgangspunkt i et fagområde, men heller i en oppgave studenten skal være i stand til å utføre når kurset er gjennomført. Jeg ønsket å utdanne folk som kunne delta i styrer for bedrifter i utvikling, der styrets rolle er både å ha kontroll med hva som skjer og sørge for fokus på strategi og fremtid. Innenfor pedagogikk kalles dette «constructive alignment» – det vil si at man utvikler kurs og læremidler ut fra det som er viktig for studentene å lære (læringsmålene), ikke ut fra hva man selv ønsker å forelese eller hva som er vanlig innenfor fagområdet.
Det er enkelte ting du bare ikke kommer utenom i et styrekurs. Jus må til – man vil aldri komme unna styreansvar, og Aksjeloven gir styret mandat og oppgaver. Noe økonomi må man også ha – det hjelper ikke å fortelle Skifteretten eller Skattedirektoratet at man ikke er så god på (eller interessert i) regnskap når egenkapitalen er brukt opp. Resten blir en blanding av strategi, ledelse og nye utfordringer, som ny teknologi, nærmest eksploderende AI, og ESG-rapportering og – integrering).
Folk som rekrutterer til styrer, ser etter to ting: Ledelseserfaring og domenekunnskap. Begge deler er kunnskap der man nok kan lære noen prinsipper og rammeverk gjennom lærebøker, men i en styresammenheng er man nødt til å kunne sette ting ut i praksis, og da bør man ha erfaring med å bruke kunnskapen, ikke bare gjengi den.
Hva skal kurset inneholde?
Gitt at et styrekurs kan være alt og ingenting – for styret har ansvar for hele bedriften, uten at de skal legge seg opp i detaljene – valgte jeg å definere innholdet i kurset gjennom å rekruttere et supert team, som så igjen bidro med det de kunne best.
Den viktigste personen å rekruttere var absolutt Berit Svendsen, som jeg ville ha som en makker og sannhetsvitne. Berit har vært til stede på det meste av kurset, har bidratt med kommentarer, presentasjoner, veiledning og ikke minst ved å la meg trekke på sitt fantastiske kontaktnettverk. Hun gikk for sikkerhets skyld også bort og ble kåret til årets styreleder i løpet av kurset, noe som gir en uovertruffen legitimitet!
Resten av teamet fant jeg på BI: Thomas Borgen bidro med sine erfaringer og kontaktnett både som toppleder og styremedlem. Tore Bråthen bidro med sin uovertrufne juridiske kompetanse og et grundig og reflektert perspektiv på hva bærekraftskravene innebærer. Og Ketil Hveding bidro med den basale, men akk så viktige økonomiske forståelsen og et perspektiv på små og mellomstore bedrifters utfordringer. Ketil spiller også en nøkkelrolle i å ta ting fra BIs eksisterende styrekurs inn i dette kurset – jeg ser også frem til å ta endel av det vi – og studentene – har jobbet med og bruke det til å berike de kursene vi har fra før. Ikke minst: Jeg ba pent om å få Mari Berg Henie som administrator – hun er strukturert og kunnskapsrik og dessuten administrator på de to andre exec-kursene jeg har hatt dette semesteret, noe som gjør at koordineringen blir svært enkel.
Ellers har kurset vært preget av en fantastisk samling gjesteforelesere, både for å gi et forankret perspektiv på hva det vil si å sitte i et verdiskapende styre, men også for legge et grunnlag for videreutvikling av kurset: Det er først når man hører fra de som har skoene på at man vet hva som er viktig og relevant. (Constructive alignment, igjen…).
Gjesteforelesere har vært:
Case som terminoppgave
Styrearbeid er mye problemløsning, noe som læres gjennom at man løser mange problemer og etterhvert opparbeider seg en evne til å kjenne ting igjen og kunne applisere erfaring fra en problemstilling over på en annen. Jeg bruker caseundervisning for å lære studentene dette – men det finnes i dag ikke mange cases om styrearbeid, verken internasjonalt eller i Norge. Derfor har jeg valgt å la studentenes prosjektoppgaver være å lage cases – finne en virksomhet som står overfor en utfordring der styret må engasjere seg, problemstillingen er komplisert, og det finnes flere alternative tiltak man må velge mellom.
Studentene har respondert svært bra, må jeg si, og caselisten ser slik ut:
Eksamen
I tillegg til cases har jeg for første gang på mange år laget en «lukket bok» eksamen, der studentene kommer inn, tar en eksamen uten hjelpemidler (de bruker PC med en eller annen løsning der de har en låst browser som bare tillater bruk av et online eksamenssystem, såvidt jeg skjønner.) Skoleeksamen er ikke noe jeg liker – det er kostbart for BI, den pedagogiske effekten er diskutabel, og det introduserer en hel del mulige komplikasjoner (studenter som ikke kommer frem til eksamenslokalet, tekniske vanskeligheter, etc.) og en hel del unødvendig stress. Samtidig er BI som institusjon forpliktet til å føre noe kontroll med at studentene – individuelt – faktisk har lært noe. Gruppeoppgaver introduserer muligheten for gratispassasjerer, hjemmeeksamen kan løses av ChatGPT og andre store språkmodeller.
Dermed blir det eksamen. Jeg valgte å lage den med relativt enkle og klare spørsmål, om sentrale emner i kurset («Hva betyr det at egenkapitalen er tapt, og hva er styrets ansvar i en slik situasjon»). Hensikten med en eksamen er rett og slett å kontrollere at studentene har fått med seg det sentrale i kurset, ikke å henge seg opp i esoteriske detaljer. Derfor legger jeg også opp til at studentene får et visst antall (5, denne gangen) spørsmål, hvorav de skal besvare et mindre antall (denne gang 4). Det gjør at studenten slipper å sitte der og ikke huske en eller annen detalj og føle seg knust på grunn av det.
Videre utvikling
En erfaring med kurset er at innholdet stort sett er greit – vi har ikke funnet noen store hull i pensum eller ting som absolutt burde vært tatt med, mener i all fall jeg. Hvis noe, bør vi kanskje ha mer om selskaper i utviklingsfaser, noe om styrehonorarer og muligheter for å bruke aksjeopsjoner og andre mekanismer for tilpasning av mål og incentiver for styre og ledelse. Vi bør også ha mer praktisk om bærekraft og bærekraftsrapportering, og også noe mer om hvordan et styre bør forholde seg til og faktisk gjøre før og i en konkurssituasjon. Teoretisk kunne vi hatt mer om principal-agent problemstillinger (utover diskusjoner om eierstyring), men teoriapparatet der havner ofte opp i situasjoner som er relativt spesielle for norske forhold.
Det viktigste elementet blir å utvikle læringsaktiviteter som gjør at studentene får en viss form for opplevelse av styrearbeid og styrevurderinger. Jeg har tro på caseundervisning, og flere av casene beskrevet over har potensiale til å bli svært gode undervisningscase, som er mangelvare. Prosessen rundt å skrive casene (som jeg kommer til å fortsette med) kan strammes opp og dokumenteres bedre.
Kurset arrangeres neste gang høsten 2025. Noen tilbakemeldinger fra studenter ligger på LinkedIn (her, her, her og her, for eksempel.)
Jeg ser virkelig frem til neste gang – og hvis du trenger gode styremedlemmer, har jeg mange bra kandidater å tilby!
Jeg elsker elegant og presist språk – le mot juste, som Flaubert kalte det – og ChatGPT, Claude, og andre store språkmodeller irriterer fletta av meg med sin utrettelige flom av vokabulært overdimensjonerte omtrentligheter.
Ikke desto mindre er GenAI et faktum. Man kan skaffe seg et abonnement på ChatGPT eller bruke gratisversjonen, eller ta i bruk ulike integrasjoner (med Microsofts CoPilot som den klart vanligste). Felles for denne bruken er at initiativet til å ta i bruk systemet kommer fra enkeltindivider, enten man ber systemet foreslå et svar på en kjedelig epost, skrive en tale til det neste julebordet, eller skrive firmaets strategi (noe forbausende mange selskaper ser ut til å gjøre – luftige ord uten styringssignaler…).
Det er positivt, gir en produktivitetseffekt på enkeltpersonsnivå – i hovedsak at man bruker mye mindre tid på å generere innhold og noe mer på å kontrollere det – men som vi alle vet: De virkelige endringene kommer når vi legger om våre prosesser og organisasjoner etter hva teknologien kan tilby – når vi går fra hesteløse kjerrer til skikkelige biler, for eksempel. Hva kan vi forvente når GenAI ikke lenger omtales som GenAI, men bare er en alminnelig del av systemer og prosesser? Hva kan GenAI egentlig gjøre på organisasjonsnivå?
Skal vi forstå det, må vi se på hva slags underliggende funksjonalitet teknologien tilbyr – eller for å si det med Clayton Christensen: Hva slags jobber kan du ansette ChatGPT til å gjøre?
For meg er det tre hovedjobber: Konversasjon, destillasjon, og fabrikasjon.
Konversasjon: GenAI som samtalende grensesnitt
Et samtalende grensesnitt – conversational interface – er noe vi har vent oss til å bruke etter at søkemotorer ble den vanlige måten å finne informasjon på. Tenk litt på forskjellen på å søke i en database og i en søkemotor: Mot en database må du fortelle ikke bare hva du ser etter (f.eks. alle transaksjoner over et visst beløp), men også hvordan dette skal uttrykkes overfor maskinen – f.eks. med et SQL-utsagn (SELECT id, customer, item FROM transaction_table WHERE sum > 10000). Databasesøk er effektivt og presist, men krever at du skriver søkestrengen svært spesifikt. Hvis det ikke finnes noen transaksjoner som tilfredsstiller kriteriene, får du heller ikke noe svar. Enten er informasjonen der, og da kan du stole på den, ellers får du ingenting.
En søkemotor er noe vennligere: For det første forstår den mer av hva du skriver inn – query processing – og tolererer stavefeil, synonymer og rotete ordstilling. For det andre vil den (nesten) alltid returnere et resultat, som kanskje er feil, men som er den biten informasjon som søkemotoren mener er tettest opp til det du spør om. Dette kan være unøyaktig, men søkemotoren returnerer alltid en peker til et underliggende dokument, som du kan lese og vurdere kvaliteten og påliteligheten av.
Årsaken til at man kaller det et samtalende grensesnitt, er at du skriver et søk, ser resultatet systemet foreslår, og så prøver deg med et mer presist søk inntil du finner det du vil ha. Du har en samtale med systemet – og systemet vil alltid vise et resultat, om enn unøyaktig eller irrelevant. Hva systemet skal svare, er et resultat av hva slags informasjon det har oversikt over, den underliggende søkealgoritmen, men også hva slags resultater eieren av systemet ønsker skal vektlegges.
Generativ AI tar dette samtaleelementet videre, og gir ikke bare lenker til kilder, men setter sammen innholdet i svaret basert i hovedsak på hva den har sett av lignende tekster. Det gjentas ofte til kjedsommelighet at alt en språkmodell gjør, er å forsøke å gjette det neste ordet i en setning – den har ingen formening, i alle fall ikke i utgangspunktet, om hva noe betyr. Når den likevel kan fremstå som både kunnskapsrik og konversant, er det fordi vår egen kunnskap er begrenset og skriftlig språk er lite presist som informasjonsbærer.
Så der vil du finne GenAI – som samtalepartnere i neste generasjon søkesystemer, med evnen til alltid å komme opp med et svar på selv de mest håpløse spørsmål. Den vil være uendelig tålmodig (og dermed både et verktøy for og et våpen mot kommentarfeltets ankelbitere) og har ubegrenset selvtillit. Den gir alltid et svar, men glir rundt grøten og lar seg lett påvirke av populære (eller i alle fall populistiske) meninger. Kvaliteten øker med bruk, siden den er lærenem, men med en målfunksjon preget av mange lokale minima kommer den ikke med reell problemløsning, bare forslag basert på hva den har sett før.
Destillasjon: Umenneskelig apetitt for gørrkjedelighet
Where is the «brief insightful summary» button on the keyboard?
P. J. O’Rourke
Her forleden hørte jeg en presentasjon fra en toppleder som fortalte at hans styre hadde mottatt en 1100 siders rapport fra administrasjonen. Han hadde spurt om de ikke skulle lage et executive summary for styremedlemmene, men hadde fått beskjed om at det kunne de ikke gjøre, for det var viktig at styret hadde lest hele rapporten. Jeg vet ikke hva slags styremedlemmer det var i det styret, men jeg klarer ikke å få doktorgradsstudenter til å lese 1100-siders rapporter, så jeg betviler sterkt at noen av styremedlemmene kom seg gjennom det hele, ei heller i hvilken grad innholdet ble gjenstand for en læreprosess.
Hadde dette styremøtet funnet sted i dag, kunne medlemmene ha kjørt hele greia inn i en språkmodell (forhåpentligvis en med kommersiell lisens, slik at teksten ikke ble del av modellens korpus) og fått ut akkurat så mye oppsummerings om de ønsket. Kommersielle språkmodeller trenes opp ved å lese masse tekst (f.eks. lovtekster, tekniske manualer eller ulike policy-dokumenter) og kan deretter besvare enkel spørsmål om dem – eller summere dem. Dette er supert for studenter som ikke gidder lese for mye (men heller ikke lærer stort) og kjempefint for folk som trenger en kjapp oversikt over hva en bok eller en samling artikler inneholder.
Kvaliteten av oppsummeringen er definitivt caveat emptor – mottakers ansvar – men i en situasjon der det ikke er mulig å komme seg gjennom hele materialet, kan en destillert versjon, produsert om ikke på sekunder, så i alle fall på minutter, være bedre enn å måtte pløye gjennom alt sammen. For advokatfirma, revisorer, konsulentselskaper og innen corporate banking, der enorme tekstmengder skal leses og kontrolleres – for eksempel innen due diligence-prosesser – vil språkmodeller være et nyttig hjelpemiddel, om enn ikke en erstatning.
Et problem her er at forretningsmodellen til slike selskaper ofte er bygget på at kunden betaler (med god margin) kostnaden for alle dem (som regel juniorer) som gjør lesejobben og sammenstillingen. Dette er også der selskapene rekrutterer sine fremtidige ressurser. Jeg har hørt endel ledere innen konsulentselskaper snakke begeistret om reduserte personalkostnader ved bruk av AI, uten at det ser ut til at de er helt klar over at kundene for det første kan bruke disse verktøyene selv, for det andre at deres betalingsvillighet kommer til å gå ned i takt med kjennskap til de nye verktøyene.
Når prisen på en tjeneste går ned, kan vi spare penger, men like ofte skjer det at bruken øker. For språkmodellers vedkommende betyr det at ting som tidligere tok lang tid (lese en artikkel) eller var umulig (lese alle artikler om et tema) nå kan gjøres kjapt og greit, om enn med mindre nøyaktighet og en liten fare for juridiske konsekvenser.
Fabrikasjon: Når originalitet verken er nødvendig eller verdifullt
Amazon has created a new rule limiting the number of books that authors can self-publish on its site to three a day.
The Guardian
Språkmodeller er fabelaktige til å generere tekst og annet innhold – Googles NotebookLLM, for eksempel, produserer podcasts basert på artikler du mater inn. Men du skal ikke ha lest mye slikt innhold (eller hørt på en generert podcast i bilen) før en følelse av hjerneråte setter inn.
Årsaken er at tekstene ikke er originale, noe i hvert fall min hjerne registrerer nokså fort, og at det derfor blir som å spise loff til morgen, lunsj og middag i årevis.
Nå er det slik at en hel del tekster som er nødvendige (og ofte pålagt) innen samfunns- og næringsliv ikke må være originale, for å si det forsiktig. Selv har jeg startet firma og bedt ChatGPT genere vedtekter og annet materiale som skled greit gjennom Brønnøysund. Digitalisering har gjort det enkelt for lovgivere å be om materiale og rapporter, websider skal dynamisk oppdateres, og pressemeldinger om dette og hint skal skrives.
Det som først og fremst kommer til å sørge for mye tekstproduksjon Det er mange eksempler på det – digitalisering gjør det svært enkelt å be om en rapport – men det som først og fremst kommer til å virkelig sette fart i svadaproduksjonen er kravene til ESG-rapportering som nå pålegges alle selskaper. Det begynner med de børsnoterte, men kravene siger nedover til alle underleverandører, noe som allerede har ført til at endel store innkjøpere nå handler lokalt eller innen EU i stedet for å hente varer fra fjernere (og billigere) strøk. Endel krav er lite kjent: Åpenhetsloven, for eksempel, krever dokumentasjon av forsyningskjeder og underleverandører og nesten øyeblikkelig generering og levering av den informasjonen til alle som spør. Kan man ikke det, blir det dyrt, noe et klesfirma nylig oppdaget etter å ha blitt gjenstand for et skoleprosjekt.
Bedrifter generelt har verken økonomi eller ledelseskapasitet til å bygge opp et rapporteringsregime like stort som økonomifunksjonen, spesielt siden det for de fleste bedrifters vedkommende vil ha noen effekt på salg eller produktutvikling. For å si det litt kynisk: Språkmodeller kan bli svært verdifulle ved å automatisere grønnvasking, fordi de kan mer enn å skrive «bedriften forurenser ikke det ytre miljø.»
Bullshit jobs no more
With AI, it is much easier to replace a doctor than a nurse.
Yuval Harari, Nexus
Nå er det slik at det meste av arbeidsoppgavene ovenfor – interaksjon, sammenstilling og generering av standardtekster – i dag gjøres av mennesker, i jobber som i mange tilfelle kan defineres som «bullshit jobs«. Det er få som har som sin brennende ambisjon å være grensesnittet mot et kronglete system, leser av kjedelige tekster, eller produsent av innhold ingen egentlig etterspør.
Ikke desto mindre er det disse jobbene som sørger for kjøpekraft for en betydelig del av befolkningen – og reisen fra samlebånd til customer support er ingenting i forhold til reisen fra brukbar informasjonsarbeider til genuin innholdsprodusent.
Det er dukat för konflikt når venstrehåndsarbeidet forsvinner og alminnelig nyskapning blir en hygienefaktor.
Jeg frykter ikke fotografiet, det kan ikke brukes i himmelen eller helvetet.
Edvard Munch
I Martin Amis’ kostelige roman Lucky Jim finner vi denne beskrivelsen av en skikkelig dagen derpå:
Dixon was alive again. […] The light did him harm, but not as much as looking at things did; he resolved, having done it once, never to move his eye-balls again. A dusty thudding in his head made the scene before him beat like a pulse. His mouth had been used as a latrine by some small creature of the night, and then as its mausoleum. During the night, too, he’d somehow been on a cross-country run and then been expertly beaten up by secret police. He felt bad.
Jeg er ganske sikker på at en slik beskrivelse ikke er noe en språkmodell kan komme opp med. Og det er ikke fordi språkmodeller ikke kan bli bakfulle (eller i alle fall late som de er det), men fordi originalitet krever at man kjenner reglene for hvordan noe skal gjøres – og deretter å bryte dem.
Originalitet er viktig, blir viktigere, og vil alltid vil bli premiert. Det er bare det at terskelen for hva som er originalt og nyskapende nå er lagt så mye høyere. Verden kan, for å sitere Paul Graham, bli delt inn i de som skriver godt og de som ikke kan skrive i det hele tatt.
Det blir med andre ord mer og mer verdifullt å finne le mot juste…
Lykke til!
Dette innlegget ble først publisert på Comunita.no, et nettverk av ledere og forretningsutviklere innenfor mange interessante firma. Ta kontakt om du ønsker mer informasjon, eller kanskje et medlemsskap?
Akkurat når dette skrives, er det fremdeles uklart om Ingvil Kjerkhol kommer til å fortsette som helseminister etter å ha blitt tatt i fusk og fått sin mastergrad trukket tilbake. Så kan man diskutere opp og ned om det var med vilje eller ikke, om hun har visst og så videre.
For meg blir hele den diskusjonen omtrent som diskusjoner om overvekt – der det hevdes at folk ikke vet hvordan de skal spise sunt. Sludder. Alle vet hvordan de skal spise og leve sunt: Mosjoner regelmessig, og, for å parafrere Michael Pollan: Spis naturlig mat, i moderate mengder, mest grønnsaker.
Problemet er at vi ikke gjør det.
Det samme gjelder plagiering. Studenter er bekymret for at de skal bli tatt i plagiat, men reglene er nokså enkle. Metoden for å få det til, er enda enklere:
Skriv alt selv.
Enkelt og greit. Ikke kopier inn tekst med mindre du skal putte den i anførselstegn. Når du leser en fagartikkel: Les den, tenk gjennom hva den sier, og, hvis du skal skrive om hva den inneholder, bruk dine egne ord.
Det er det hele. Det er riktignok slitsomt, men det er det å spise sunt og å komme i form også. Det krever viljestyrke, utholdenhet og disiplin. Minner om et studium.
(Og jada, det finnes noe som heter ChatGPT nå. Og der gjelder det samme, for ChatGPT kan ikke være original eller kreativ, og en masteroppgave skal være nettopp det.)
(Denne bloggposten ble først publisert på bloggen til Comunita, et ledernettverk jeg driver sammen med Haakon Gellein. I neste møte skal vi ta opp dette temaet – og derfor har jeg skrevet dette blogginnlegget som en forberedelse.Vi tar opp nye medlemmer etter vurdering – ta kontakt om du ønsker mer informasjon.)
Her forleden snakket jeg med en leder i et stort, internasjonalt selskap. Han var ansvarlig for en intern leverandør av IT- og administrative tjenester, og hadde nettopp fått ordre fra toppledelsen om å doble tjenesteproduksjonen uten å øke antall ansatte. Det er jo ikke så enkelt, men toppledelsen mente det burde gå greit for «nå har vi AI».
Og det fikk meg til å lure på hvordan vi egentlig skal få noe produktivitet ut av AI – særlig generativ AI, også kalt store språkmodeller – i et tradisjonelt selskap?
Produktivitet er definert som hvor mye resultat vi får av en innsats – men som regel betyr det hvor mange ansatte vi trenger for å få gjort noe. Når det gjelder fysisk produksjon, er det ikke så vanskelig å måle produktivitet: Flere produkter produsert, gitt samme innsats og kvalitet, er økt produktivitet.
Og det er jo greit nok – få inn en maskin som gjør jobben raskere, og hvis økningen i hastighet er verdt prisen på maskinen, vel, der har du konklusjonen.
Problemet oppstår når effekten av produktiviteten oppstår et annet sted, eller ikke som et direkte resultat av maskinen.
I 1998 ble jeg involvert i en diskusjon om produktivitet og datamaskiner. En forsker hadde skrevet et innlegg i Aftenposten om at PCer ikke økte produktiviteten noe særlig. Han viste til forskning der man hadde tatt tiden på hvor fort det gikk å skrive et dokument på en skrivemaskin og på et PC-tastatur, og konkluderte med at det gikk bare ca. 10% raskere å skrive på PCen, så det var liten vits i å investere i dem. Jeg skrev et motinnlegg der jeg påpekte at når jeg skrev mitt innlegg, sendte jeg det til Aftenposten som e-post, og at de kunne ta det rett inn i avisen uten å måtte skrive det om igjen. Det var en voldsom produktivitetsgevinst for Aftenposten – i hvert fall hvis de kunne få gjort noe med typografenes fagforening, som insisterte på å skrive alt om igjen.
Eksemplet er banalt, men viser to viktige ting: For det første oppstår produktivitet av informasjonsteknologi gjerne andre steder enn der teknologien er synlig. Da blir det vanskelig å se og måle effekten. For det andre, og mye viktigere: For virkelig å få effekt av ny teknologi, må man reorganisere det man driver med rundt teknologien. Det er enda vanskeligere å måle, og er en av årsakene til at nye organisasjoner, som ikke har en gammel måte å gjøre ting på, ofte drar nytte av teknologien lenge før de gamle.
I 1987 skrev den kjente økonomen Robert Solow at «Vi finner datamaskinene overalt, bortsett fra i produktivitetsstatistikken.» Han pekte på store investeringer i datamaskiner på 1970- og 1980-tallet, uten at de store kostnadsbesparelsene hadde kommet. I debatten som fulgte, ble mange årsaker foreslått, fra forsinkelser forårsaket av læring og omorganisering rundt den nye teknologien til kulturelle forklaringer («ledere ønsker å administrere mange ansatte» eller vanskeligheter med å måle kostnader og fordeler.
I løpet av 90-tallet skjøt imidlertid produktiviteten fart – banker, for eksempel, fant ut hvordan de kunne redusere antall ansatte ved å flytte kundene over fra filialer til digitale kanaler. Internett og etter hvert mobiltelefoni gjorde at mange «call centers» kunne legges ned. Innen offentlig forvaltning fikk vi digitale skattemeldinger og hjemmesider med informasjon og digitale søknadsskjema. Effektene kommer, men vi glemmer at vi har dem: I høydigitale samfunn, som Norge, lurer du noen ganger på hvor produktivitetseffekten av IT ble av, helt til du innser at du svært sjelden står i kø for noen form for informasjonsbasert transaksjon, som å kjøpe en billett eller levere et skjema.
Men: Økt produktivitet betyr ikke nødvendigvis økt lønnsomhet. En rekke studier ledet av Erik Brynjolfsson fra MIT dokumenterte at økt produktivitet nok kunne føre til endringer innen en bransje (et firma som var tidlig ute kunne utkonkurrere andre firma), men lønnsomheten konkurreres bort og havner hos forbrukeren (Brynjolfsson og Hitt 2000). Som en bekjent av meg pleide å si: I næringslivet må vi hvert år bli mer effektive, jobbe hardere og smartere, og belønningen er at neste år får vi lov til å gjøre det en gang til.
Med mindre vi endrer hvordan vi er organisert.
Dette at eksisterende selskaper sliter med nye organisasjonsformer, gjør at i mange tilfeller er det nye selskaper, organisert med teknologien som basis, som definerer nye normaler. Automattic, selskapet bak WordPress-plattformen som rundt 43 % av alle nettsteder er programmert i, har (ifølge deres egen nettside) kun 1 994 ansatte i 94 land. I Norge har vi sett det der f.eks. Skandiabanken kom inn og flerdoblet antall kunder per ansatt ved kun å være en Internettbank. Skandiabanken er nå overtatt av Norges største bank, DNB – men det er en bank som nå er kun en tredjedel av størrelsen av hva den var da Skandiabanken ble lansert, og som har krympet ved å kopiere mye av det Skandiabanken gjorde.
For enkeltpersoner kan GenAI være utrolig produktivt. Nylig satt jeg med en programmerer som ønsket å teste om et nettsted kunne bygge inn et Google-dokument. Det viste seg at det ikke gik, men det kunne bygge inn HTTP (hypertekst). Så han tok Google Doc-lenken, hoppet over til ChatGPT, skrev «legg denne i en iFrame». ChatGPT produserte pliktoppfyllende den nødvendige koden i løpet av noen sekunder. Han kopierte koden, limte den inn – og det fungerte.
Dette er utvilsomt en produktivitetsøkning for denne programmereren, som ellers ville ha måttet huske og skrive koden for en iFrame-omslag (eller i det minste vite hvor den skulle finne den.) Dette eksemplet viser også hva ChatGPT er flott for: Reprodusere, med rimelig kontekstualisering, varianter av det som har blitt produsert før. Selv har jeg brukt det til å generere det første utkastet til kontrakter, emnebeskrivelser og, ja, elementer av essays (ikke dette). ChatGPT og dets konkurrenter kan hjelpe deg med å generere tekst, bilder, presentasjoner og annet materiale, så lenge originalitet ikke er nødvendig eller verdsatt – og kan gi nokså store produktivitetsgevinster på individnivå.
På organisasjonsnivå er det litt annerledes. Fra store bedrifter i USA har man sett at opplæring og kvalitet på kundesentre er forbedret ved bruk av generativ AI, men resultatene er ikke voldsomt høye foreløpig (Brynjolfsson et al 2023). En leder jeg snakket med fortalte meg at hovedeffekten av ChatGPT han hadde sett så langt var at e-poster hadde blitt mye høfligere. Men veltalenhet er ikke informasjonsdybde, og jeg tviler på om raskere generering av tekst og bilder vil føre til produktivitetsgevinster i organisasjonen, siden de som skal motta informasjonen også må øke sin produktivitet.
Mine studenter kan nå produsere svada i et imponerende tempo og med en kompleksitet verdig en fransk postmodernist. Men min evne (og vilje) til å lese og forstå det som kommer er ikke økt. På den annen side kan jo jeg bruke ChatGPT til å lese og karaktersette – et eksempel på at studentene later som de skriver og jeg later som jeg leser.
Om dette er en situasjon vi egentlig vil ha, er jo noe vi bør diskutere. Er dette et tegn på tidens forfall, eller begynnelsen på en ny kommunikasjonsform, der min AI snakker til din AI og avtaler ting på våre vegne? Kanskje jeg endelig kan få tilbake den sekretæren jeg hadde på nittitallet…
For noen år siden deltok jeg i et forskningsprosjekt som studerte bruken og effektene av søketeknologi. En av konklusjonene (Andersen 2012) var at søkemotorer fungerte utmerket i generelle Internett-søk (dvs. Google, Baidu og Bing), ganske bra på kunderettede nettsider (dvs. aviser, Amazon, teknologiselskaper som Dell), men nokså dårlig for interne søk. Mens teknologien var den samme, var både hvordan den ble brukt (dvs. hva folk lette etter) og hvordan resultatene ble prioritert forskjellig. I en generell søkemotor søker folk over millioner av nettsider. Vanligvis vil man ha det samme som andre – så Google viser de mest populære resultatene. For et kommersielt nettsted søker folk etter spesifikke ting (som et fysisk produkt, et svar på vanlige spørsmål eller en nyhetsartikkel), og generelt vil de enten ha det mest populære valget eller det selskapet ønsker å vise dem – f.eks. varer som er på lager og lønnsomme.
For bedriftssøk, der du søker på tvers av enten all informasjonen din bedrift har, eller spesifikke samlinger av informasjon (for eksempel en lovdatabase eller et sett med interne instruksjoner), har du problemer: For det første har du ikke nok data til å virkelig få maskinlæringsmodellene til høy presisjon, fordi selv store selskaper vil ha begrensede samlinger av informasjon sammenlignet med hele Internett. For det andre er målfunksjonen til søket – det vil si hva du leter etter – normalt ikke den mest populære varen, men noe mye mer spesifikt. I en bedriftssetting er det mye mer sannsynlig at du søker etter et spesifikt dokument, ofte bare relevant for deg eller en liten arbeidsgruppe, og som sådan vil du måtte stole mer på kategorisering (Andersen 2006), i form av kuraterte data og hierarkiske, menneskelig navigerbare datastrukturer.
For meg er det i hvert fall fullt mulig at produktivitetsgevinstene fra generativ AI vil komme saktere i eksisterende selskaper av omtrent samme årsak som søketeknologi ofte svikter der: Datasettet er ikke stort nok, og kravene ikke enhetlige nok.
Unruh og Kiron (2017) deler digitalt drevet endring inn i digitisering (gjør det analoge digitalt), digitalisering (endringsprosesser for å utnytte den digitale teknologien) og digital transformasjon som den komplette omorganiseringen rundt den nye teknologien. David (1990) observerte at det tok omtrent tretti år å realisere de fulle produktivitetsgevinstene fra den andre industrielle revolusjon (dvs. å erstatte damp- eller vannkraft overført gjennom belter og trinser med elektrisk kraft distribuert gjennom kabler) fordi fabrikkeierne fortsatte å stille opp maskinene der beltene og trinsene hadde vært.
Nåværende innsats for å bruke AI for å øke produktiviteten er fremdeles i den den første fasen. Teknologien er rettet mot prosesser som er repeterbare, kjedelige og arbeidskrevende, for eksempel automatisk klassifisering og kontroll av reiseutgifter, talegjenkjenning for å rute kundeanrop til riktig agent, chat-bots for å håndtere enkle kundeforespørsler, og tale- og bildegjenkjenning for å fremskynde opplæring av ansatte. Produktivitetsgevinster har en tendens til å være beskjedne i spesifikke tilfeller, men kan være ganske dramatiske samlet sett – og de kommer først og fremst for de enkle oppgavene.
Så ja, det kommer til å bli produktivitet ut av AI. ChatGPT også. Men det kommer til å ta tid, og det kommer til å skje andre steder enn der man har trodd.
Og vi må reorganisere for å få det til.
Andersen, E. (2006). «The Waning Importance of Categorization.» ACM Ubiquity 7(19).
Andersen, E. (2012). «Making Enterprise Search Work: From Simple Search Box to Big Data Navigation». Cambridge, MA, MIT CISR.
Brynjolfsson, E. and L. Hitt (2000). «Beyond Computation: Information Technology, Organizational Transformation and Business Performance.» Journal of Economic Perspectives 14(4): 23-49.
Brynjolfsson, E., D. Rock and C. Syverson (2017). Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics. Cambridge, MA, National Bureau of Economic Research.
Brynjolfsson, E., D Li and L.R.Raymond (2023), «Generative AI at Work«, National Bureau of Economic Research working paper 31161.
David, P. A. (1990). «The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox.» American Economic Review 80(2): 355-361.
Hitt, L. and E. Brynjolfsson (1996). «Productivity, Business Profitability, and Consumer Surplus: Three Different Measures of Information Technology Value.» MIS Quarterly 20(2): 121-142.
Unruh, G. and D. Kiron (2017). «Digital Transformation on Purpose.» MIT Sloan Management Review Blog
Vi starter med å jobber for kunden, og ender opp med å jobbe for økonomisjefen…
(Denne bloggposten ble først publisert på bloggen til Comunita, et ledernettverk jeg har startet sammen med Haakon Gellein. Der diskuterer vi medlemmenes utfordringer – i dette tilfelle en stor organisasjon som ønsker å bli mer datadrevet – og jeg skriver blogginnlegg som forberedelse til disse møtene. Vi tar opp nye medlemmer etter vurdering – ta kontakt om du ønsker mer informasjon.)
Innovasjon er et honnørord – alle vil vi være innovative. Når en bedrifter er i startfasen, er innovasjon i høysetet – alle vet hva man holder på med, alle vet hvem kunden er (eller i alle fall at man må lete etter en kunde), og koordinering er enkelt, siden alle kjenner alle.
Men bedrifter vokser, og etterhvert som de vokser, endrer de seg. Selv i en verden med instant digital kommunikasjon er det vanskelig å styre og koordinere daglig arbeid – og enda vanskeligere å lede innovasjon. Med vekst kommer rutiner, systemer, komiteer og hierarkier – ikke fordi man vil, men fordi man må.
Så man innfører rutiner og kontroller, vanligvis ved å sette opp møter og spesifikasjoner, som regel ved at de som står for innovasjonen på forhånd må spesifisere hva de kan tenke seg og gjøre, hva det kommer til å koste, og hva som skal produseres. Så presenteres de ulike aktivitetene for en ledelsesgruppe, som så treffer vedtak om hva som skal gjøres, til hvilket budsjett.
Resultatet er at de som skal drive med innovasjon, bruker mesteparten av tiden sin til å forsøke å estimere hva de skal gjøre, og til å rapportere graden av måloppnåelse, definert som i hvilken grad man har fulgt spesifikasjonen, heller enn om man faktisk har fått til noen innovasjon.
Hvordan unngå dette?
Vel, man kan jo begynne med å forsøke å forstå hvordan bedrifter utvikler seg over tid.
Kriser og revolusjoner
En av mine tidlige favorittartikler er Larry Greiners Evolution and Revolution as Organizations Grow, først publisert i 1972, som beskriver fem utviklingsfaser organisasjoner gjennomgår når de vokser. Hver fase starter med en periode med stabil vekst eller «evolusjon» og avsluttes med en ledelseskrise eller «revolusjon» – der neste fase er løsningen på problemer som oppstår i forrige fase.
De fem fasene er:
I hver av fasene bruker man ulike lederstiler, belønningssystemer og organisasjonsstrukturer, summert i denne tabellen:
Greiners artikkel er over 50 år gammel, men bekrefter i alle fall for meg noe jeg egentlig av visst lenge: Mye av det vi oppfatter som nyere forskning og forfatterskap er egentlig drøvtygging av ting som ble skrevet for lenge siden. Selv om man kan finne tegn på at Greiners artikkel er litt gammeldags – det er få som snakker om matriseorganisering som et sluttpunkt i dag, for eksempel – så er de fleste av observasjonene noe strateger og ledere kan kjenne seg igjen i. Og vet man om fasene, kan man gjøre noe for å hindre neste krise eller i alle fall være klar over at den kan komme.
Budsjetter og innovasjon
Innovasjonprosesser vil også endres ettersom man går gjennom disse krisene. Dette er et blogginnlegg og ikke noen akademisk artikkel (det kommer kanskje senere), men her er noen raske tanker om hva jeg mener man kan gjøre for ikke å havne i de ulike fellene:
Rent konkret
Egentlig er det ikke så vanskelig: Innovasjon får man ved å ansette smarte mennesker, sette dem fri til å gjøre ting bedre, og følge dem opp uten å tvinge dem til å si hva de skal finne opp før de vet det selv. Displinerte prosesser for eksperimentering – som Finn.no gjør, et av mine mest brukte eksempler – hjelper, men ingen prosess, budsjetteringsmetode, eller ledelsesfilosofi seg selv vil noensinne garantere innovasjon. Til det trenger man tillit, intelligens, og en smule flaks, rett og slett.
Lykke til!
Referanser:
Data er det nye gullet, sies det. Men da må vi gjøre det dataene sier.
(Denne bloggposten ble først publisert på bloggen til Comunita, et ledernettverk jeg har startet sammen med Haakon Gellein. Der diskuterer vi medlemmenes utfordringer – i dette tilfelle en stor organisasjon som ønsker å bli mer datadrevet – og jeg skriver blogginnlegg som forberedelse til disse møtene. Vi tar opp nye medlemmer etter vurdering – ta kontakt om du ønsker mer informasjon.)
Mange bedrifter og organisasjoner har enorme mengder data, men utnytter dem ikke. Det er det mange årsaker til – som manglende analysekunnskaper, manglende tradisjoner, eller manglende konkurranse. Men etterhvert som vi får flere og flere eksempler på bedrifter og organisasjoner som gjør suksess ved å skaffe seg data og utnytte dem, øker kravet om å være data-drevet. Hva betyr det egentlig – og hvordan får man det til?
La oss ta for oss en bedrift i en bransje som kanskje ikke ligner så mye på noe i Norge (bortsett fra Norsk Tipping, og de er jo data-drevet) men der utviklingen viser hva man kan få til ved å ta tak i de dataene man har – og gjøre som dataene viser.
Et kasinoeksempel
Da jeg var doktorgradsstudent en gang for hundre år siden (vel, 1991) møtte jeg i noen seminarer en nyansatt professor ved navn Gary Loveman. Gary var statistiker og økonom og spesielt interessert i sammenhengen mellom lønnsomhet og kundelojalitet. Han var også nokså ulik mange av de andre professorene både av utseende og humør. Jeg fikk litt inntrykk av at han ikke tok livet – og i hvert fall ikke seg selv – så veldig høytidelig.
Gary drev litt som konsulent på si. En av kundene hans var Harrah’s, et relativt lite kasino i Las Vegas. Kasinoet gikk ikke bra – som Gary sa det (se hans suverene foredrag på Berkeley for noen år siden): «Vi hadde et kasino som kostet 315 millioner dollar (det er lite i Las Vegas) å bygge. Ved siden av oss kom det et nytt kasino til 1,6 milliarder, og tvers over gaten ville det komme et 9,2 milliarder. Det er ingen som tar inngangspenger i Las Vegas. Hvordan skulle vi få kundene til å komme til oss?»
Firmaet hadde store problemer – så store at de gikk til en akademiker for å finne ut hva de skulle gjøre. Gary hadde skrevet artikkelen Put the Service-Profit Chain to Work sammen med endel kolleger og fant ut at i dette kasinoet kunne han se modellen fungerte i praksis. Men før han kunne finne ut hva han skulle gjøre, måtte han finne ut hvem kundene var og hva de likte.
Markedsføring i Las Vegas den gangen handlet mye om å få tak i de store spillerne, de som flys inn med helikopter, får gratis suiter og middager og legger igjen millioner ved roulette-bordene. Etter endel analyse fant Gary ut at de virkelig attraktive kundene ikke var storspillerne (som alle de andre kasinoene gikk etter), men «vanlige folk» – håndverkere, lærere, leger, annen middelklasse – som spilte mindre, men som det var mange flere av. Han introduserte det første kundelojalitetsprogrammet i bransjen, basert i mindre grad på hvor mye folk spilte og i større grad hvor ofte de besøkte kasinoet. Kundene satte pris på å bli skikkelig behandlet uten å være millionærer, og Harrah’s vokste fra å være et lite kasino i skyggen av Ceasar’s Palace til å bli verdens største kasinoselskap (som faktisk i dag heter Ceasar’s Entertainment, et tilfelle av David som bokstavlig talt kjøpte Goliat).
Datadrevne kjennetegn
En av utsagnene som Gary har blitt kjent for, at det er bare tre ting du kan få sparken for i hans organisasjon: Tyveri, seksuell trakassering, og å gjøre en endring uten å ha en kontrollgruppe.
De to første er kanskje ikke så vanskelige å forstå, men den siste krever litt forklaring. Nå man gjør et vitenskapelig eksperiment – for eksempel utprøving av en ny medisin – gir man den ikke til alle pasientene, men til en tilfeldig utvalgt gruppe. Kontrollgruppen er de som ikke får den nye medisinen, men i stedet behandles som tidligere. Etterpå måler man om det er forskjell på de to gruppene – og om forskjellen er tydelig og stor nok, går man over til den nye måten å gjøre ting på.
Innenfor medisinsk forskning gjøres dette dobbeltblindt – verken pasienten eller legen vet hvem som får ny medisin og hvem som ikke gjør det. Det kan det være vanskelig å få til i mange sammenhenger – det er derfor det er så vanskelig å forske på ernæring, siden vi vet hva vi spiser – men det er mange bedrifter som driver med dette i stor stil: Finn.no, for eksempel, slik jeg skrev om i en artikkel i Magma for noen år siden.
Dette at man insisterer på at alt som skal endres, skal testes først, er et av de fremste kjennetegnene på at en bedrift er data-drevet: Man lytter til dataene, og gjør som dataene sier.
Hvorfor er dette så vanskelig?
Problemet med data er at de ikke alltid forteller deg den historien du vil de skal fortelle. Når det skjer, må man velge om man skal tro på dataene eller på sin egen magefølelse – og pussig nok er dette vanskeligere jo bedre man er i jobben. Chris Argyris, en annen Harvard-professor, skrev en berømt artikkel kalt Teaching Smart People How to Learn, om nettopp dette at kompetente mennesker i ledende stillinger med lang erfaring er de som har størst vansker med å lytte til data – rett og slett fordi de har kommet til sine stillinger ved å ha hatt rett. Hittil, i alle fall.
Av og til kan hele bransjer la være å lytte til dataene – i forsikringsbransjen, for eksempel, brukes masse dataanalyse for å finne ut av hvorfor kunder forlater et forsikringsselskap til fordel for et annet. Svaret er det samme hver gang: Den fremste grunnen til at folk forlater et forsikringsselskap er at de har hatt en forsikringshendelse og ikke er fornøyd med hvor mye penger de har fått utbetalt. Det er det ingen i bransjen som ønsker å gjøre noe med. Innenfor utdanning er vi ikke noe bedre: Den fremste prediktoren for suksess for bachelorstudenter, for eksempel, er matematikkunnskaper når man begynner på studiet. Men det er det vanskelig å gjøre noe med, så da satser vi på motivasjon og inspirasjon i stedet…
Fokus på data og kontinuerlig innovasjon gir resultater – bare spør Gary. Eller Finn.no. Eller Google. Eller VG.no, som ble Norges største online avis ved kontinuerlig oppdatering av hva som står på førstesiden basert på hvordan leserne reagerer.
Reelle farer ved dataorientering
Det å være dataorientert er ikke uten kostnader og farer. Analyse koster, i tid og penger. Å betale de ansatte for å gjøre slik dataene sier – i Harrah’s tilfelle, å betale bonuser basert på kundetilfredshet – koster.
Blir man for data-drevet, kan man komme til skade for å havne i en slags analysis paralysis der man ikke tør ta sjanser eller ikke gjør noe fordi man ikke klarer å komme på hvordan man skal teste det. Men den risikoen er adskillig mindre, i de fleste tilfeller, enn at man går glipp av innovasjoner fordi noen med beslutningsmyndighet i organisasjonen ikke har den rette følelsen for at noe bør gjøres.
Gary Loveman sier selv at hans fokus på at alt skal analyseres og dokumenteres – og at han ikke har noen personlige aksjer i hvilken løsning som blir valgt – fører til at han unngår å gjøre mange feil, at han unngår å gjøre ting han ikke burde gjøre. De som jobber mer inspirasjons- og intuisjonsbasert, vil gjøre en hel del spektakulære feil. Men de vil også av og til gjøre noe smart på tross av alle analyser og alle data.
Så får man velge – men jeg vil tro at for de fleste organisasjoner som har med kunder å gjøre, enten de er innenfor det private eller det offentlige, har mer å hente på å være data-drevne enn det motsatte.
Det som i alle fall er sikkert, er at om du lar din innovasjonsstrategi bestemmes av en gruppe ledere uten kundekontakt, basert på hvem som har det mest nøyaktige prosjektregnskapet og den proffeste PowerPoint-bunken, så lever du farlig.
Selv om det ikke føles slik.
Referanser:
Argyris, C. (1991). «Teaching Smart People How to Learn.» Harvard Business Review (May-June): 99-109.
Heskett, J. L., T. O. Jones, G. W. Loveman, W. E. Sasser, Jr. and L. A. Schlesinger (2008). «Putting the service-profit chain to work.» Harvard Business Beview 86(7-8): 118.
Lome, K. B. and E. Andersen (2019). «Finn.no: En metode for disiplinert strategisk eksperimentering.» Magma (Bergen : trykt utg.) 22(3).
Loveman, G. (2003). «Diamonds in the Data Mine.» Harvard Business Review (May).
(Denne bloggposten ble først publisert på bloggen til Comunita, et ledernettverk jeg har startet sammen med Haakon Gellein. Ta kontakt om du ønsker mer informasjon.)
Når man starter et nytt selskap, slik Haakon og jeg har gjort, er det første man må spørre seg om hva som gjør at kundene vil bli kunder (i dette tilfelle: medlemmer) og fortsetter å være det. For firmaer som Comunita, er svaret enkelt: De andre medlemmene.
Dette betyr at man må være svært nøye når man rekrutterer nye medlemmer, og fokusere ikke bare på hva det nye medlemmet kan lære fra nettverket, men også hva de eksisterende medlemmene kan lære fra det nye medlemmet.
Dette fenomenet har et akademisk navn: Nettverkseksternaliteter, også kjent, litt mindre presist, som nettverkseffekter: Et nettverk øker i verdi jo flere som bruker det, også kjent som Metcalfes lov. Begrepet kommer fra telefonselskaper, men har blitt viktigere i stadig flere bransjer. Mange av de nye gigant-selskapene – ikke bare rene nettverksselskaper som Google og Facebook, men også produktbaserte selskaper som Microsoft, Apple og Tesla – har blitt store fordi de har forstått og klart å utnytte nettverkseksternaliteter.
Åpne og lukkede nettverk
Hvis du ser på en gammel film fra 20- eller 30-tallet, er det ofte skrivebord der med flere telefoner – og mange scener handler om vanskelighetene med å snakke i flere telefoner på en gang. Det hele virker litt tåpelig – men det er gode grunner til at man hadde flere telefoner. Det var nemlig slik den gang var det flere telefonselskaper i hver by, og man kunne ikke ringe fra det ene telefonnettet til det andre. Hvis jobben krevet at man skulle kunne snakke med alle – vel, da måtte man ha flere telefoner, og kunnskap om hvem som hadde hva slags telefonabonnement.
Slik er det ikke lenger – du kan ringe til hvem du vil uansett hvilket selskap du har, og det er den enkelheten kundene etterspør. Men på veien dit er mange telefonselskaper blitt borte. Og hvert og ett av disse selskapene har på et eller annet tidspunkt måttet spørre seg: Skal vi beholde vårt lokale nettverk og bare betjene de kundene – ofte med høy lønnsomhet og kanskje med spesialtilpassede tjenester? Eller skal vi bli del av et større nettverk, tjene mindre per kunde, men med mye større volum?
I etterkant – for telefonselskaper – er det opplagt hvordan det gikk. Men underveis, før du forstår hvor teknologien går og hva effekten er, er det ikke så enkelt. Man må velge hvilken klubb man skal være medlem av, ganske enkelt.
Og som Groucho Marx har sagt det: «Jeg vil ikke være medlem av en klubb som vil ha meg som medlem…»
Synlige og usynlige effekter
For et ledernettverk om Comunita er nettverkseffekten åpenbar: Medlemmene er der på grunn av de andre medlemmene. De vet hvem de er, og det første spørsmålet potensielle medlemmer stiller, er hvem de andre medlemmene er.
Men man kan ha usynlige nettverkseksternaliteter:
Nettverkseksternaliteter kan gi varige konkurransefortrinn
Eksternaliteter er viktig i en digital verden, fordi alt som er digitalt, kan kopieres. Men hvis man har en digital tjeneste som avhenger av mange medlemmer – eller de dataene de legger igjen – for å virke, kan man lage noe som gir store og langvarige konkurransefortrinn. Bare se på Finn.no, som i de fleste vertikalene sine har nesten monopol. Det spiller ingen rolle om konkurrenter fra innland eller utland kommer opp med noe nytt og kult – så lenge Finn har alle kjøperne for de som skal selge noe, og alle selgerne for de som skal kjøpe, har de et langvarig konkurransefortrinn – og med det, uovertruffen lønnsomhet.
Skal konkurrenter klare å ta en bedrift med stor markedsandel og sterke nettverkseksternaliteter, kan man ikke opprette et konkurrerende tilbud og håpe på at kundene kommer over. I stedet må man finne en gruppe kunder som ønsker å gjøre noe sammen, opprette noe bare for dem, og håpe at denne gruppen i seg selv er så attraktiv at andre kommer dit. Det er derfor influensere har blitt så viktig – de er en av få faktorer som kan flytte eksternaliteter fra et sosialt nettverk til et annet.
Informasjon som nettverksvåpen
Konkurranse i nettverksmarkedet går i to faser – reach og range: I den første fasen (reach; rekkevidde) handler det om å bygge stor markedsandel så fort som mulig – å kapre alle de kundene som ennå ikke har gått til en konkurrent. Da DNB lanserte Vipps, gikk man aggressivt ut og rekrutterte kunder uten tanke på om man ville tjene penger på tjenesten eller ikke. I den andre fasen (range;[tjeneste]dybde) der alle kundene er blitt medlem av et eller annet nettverk, handler konkurranse om å utvide spekteret av tjenester som kundene kan bruke innenfor nettverket.
Særlig i den siste fasen blir informasjon viktig. Alle som driver et nettverk, må være svært påpasselig med hva slags informasjon man gir ut om bedriftens medlemmer og virksomhet – ikke bare til medlemmene, men også til allmenheten. Har man mye informasjon om medlemmene, kan man bruke det til å skape tjenester som gjør nettverket viktigere for medlemmene, og også rekruttere nye medlemmer fra konkurrerende nettverk.
Mange eksisterende nettverk – fagforbund, bransjeorganisasjoner, interesseorganisasjoner – oppdager at det blir vanskeligere ikke bare å holde på kundene, men også å få kundene til å bruke de tjenestene man tilbyr. Hvorfor være medlem av en organisasjon med kontorer og medarbeidere, når man kan oppnå mye av det samme bare ved å være medlem av en Facebook-gruppe?
Ofte handler dette om hva man er villig til å gjøre for medlemmene. For noen år siden skulle jeg arrangere et seminar for et utenlandsk firma som ville lære noe om elbiler i Norge. Jeg ringte til Oslo Taxi og sa jeg ville ha en drosjesjåfør med Tesla, fordi han eller hun ville kunne fortelle om hvordan det var. Svaret var at de ikke ville opplyse om hva slags biler de hadde, siden det var deres policy at en taxi er en taxi. Så jeg la inn et spørsmål om det samme på en Facebook-gruppe for Teslaeiere, og fikk øyeblikkelig en liste med taxisjåfører, komplett med telefonnumre.
Og deri ligger vanskeligheten for et gammelt firma: Kundene på en side etterspør informasjon du har, men som du kanskje ikke vil gi av hensyn til den andre siden av markedet du betjener. Forretningsutvikling i nettverk handler mye om å forstå hvordan og hvorfor enkeltkunder interagerer med hverandre, og om å oppfatte hva de egentlig er ute etter – hvilken jobb de ønsker å gjøre – gjennom det nettverket de er medlem av. I en verden der dannelser av nettverk skjer raskt og enkelt, blir det viktigere enn noensinne å ha evnen til å imøtekomme kundenes informasjonsbehov, enten man er vant til å tilby dem eller ikke.
Videre lesning:
(Dette innlegget ble først publisert på bloggen til Comunita AS, et ledernettverk jeg nettopp har startet sammen med Haakon Gellein. Kontakt meg direkte om du er interessert i å bli med der!)
I mai startet en debatt om hvorvidt ChatGPT bli dårligere. Til å begynne med var det brukere som syntes ting gikk nedover, men etterhvert har forskere og guruer meldt seg på og konstatert at svarene til ChatGPT (i hvert fall innenfor områder der det er mulig å måle kvalitet, som matematikk), typen sensitive spørsmål som kan besvares, koding og tolkning av bilder, har ting blitt dårligere over tid.
Årsaken er, paradoksalt nok, at OpenAI, firmaet bak ChatGPT, gjør endringer i algoritmene for å forbedre ChatGPT, for å øke kvaliteten og hindre at systemet blir brukt til ting det ikke skal brukes til. Og dermed synker altså den opplevde kvaliteten.
Dette paradokset er interessant fordi det illustrerer to fundamentale tilnærminger til kunnskapsbaserte systemer (som jeg synes er et mye bedre uttrykk enn «kunstig intelligens», av mange grunner).
Logiske modeller
På 80-tallet, da jeg begynte å rote rundt med det som den gang ble kalt AI, var AI så og si synonymt med ekspertsystemer – det vil si systemer som kunne besvare spørsmål ved å etterligne hva en ekspert gjorde (og som ofte var laget ved at man intervjuet eksperter). De ble programmert som en rekke spørsmål – «Er pasienten kortpustet?», «Hvor mye røyker han?» – og stiller så en diagnose basert på beslutningstrær. I dagliglivet treffer du denne typen systemer som chatbotene som i alle fall forsøker å besvare enkle spørsmål i banken og andre steder man henvender seg.
Statistiske modeller
På slutten av 80-tallet (vel, egentlig mye tidligere, men de ble vanligere da) kom nevrale nettverk og andre, mer statistisk baserte metoder, som tok utgangspunkt i store mengder data og konstruerte modeller som kunne klassifisere ting. I motsetning til ekspertsystemene, som var basert på en logisk modell av hvordan folk tenker, tok disse metodene inspirasjon fra en fysisk (og, for all del, teoretisk) modell av hvordan hjernen virker. De prøver seg frem til de finner en modell som gir ønsket resultat, ofte ved å konstruere nettverk av enkeltinformasjonselementer som er forbundet, og der forbindelser mellom elementer styrkes eller svekkes gjennom prøving og feiling.
ChatGPT og andre store språkmodeller hører til denne typen systemer: De forsøker å gjette det neste ordet i en setning rett og slett ved å ha lest enorme mengder tekst og velge det ordet som er mest sannsynlig.
Forskjellige feilmodus
Disse systemene har mange forskjeller – en av dem er hvordan de gjør feil. Ekspertsystemene er nokså enkle – hvis de ikke finner et svar, sparker de problemet videre til noen som har svaret, som regel en person. De kan selvfølgelig også svare feil – men da er det som regel nokså enkelt å forstå at svaret er feil, siden det ser urimelig ut. De er på mange måter å sammenligne med søk i databaser, der man må være nokså presis i hva man spør etter, og databasen vil svare at den ikke har noe som passer hvis så er tilfelle.
Statistisk baserte modeller, derimot, vil alltid gi et svar. Slik er de mer å sammenligne med søkemotorer, som alltid vil forsøke å gi deg noe, selv om det ikke passer. (Når fikk du sist en melding fra Google om at det ikke fantes noen sider som oppfylte dine kriterier?) Svarene kan være riv ruskende gale, men vil se troverdige ut. En generativ språkmodell, som ChatGPT, har ingen underliggende fornuft, den forsøker bare å gjette hvilket ord som passer best, gitt de ordene som kom før.
Når kvalitetskontrollen roter til ting
Et problem med de statistisk baserte modellene, i alle fall de som bruker nevrale nettverk, er at de kan bli riktig gode på å kategorisere ting – billedgjenkjenning, tekstgjenkjenning, tekstfortolkning – uten at man kan forklare, i alle fall på en måte mennesker kan forstå, hvordan de gjør det. Det kan også gjøre store logiske feil: Selv om ChatGPT kan skrive pressemeldinger og eksamensoppgaver som ser tilforlatelige ut, gjør den logiske feil – noe som ofte viser seg i at den produserer falske referanser, det vil si lager en referanseliste med artikler som ikke finnes. (Biblioteket på BI rapporterer om studenter som dukker opp og skal ha artikler av denne typen.) Den kan godt generere en caseanalyse eller en sosiologisk drøfting – der er jo grunnlaget ord (og mange av dem). Men folk som har bedt den skrive en artikkel innen fysikk eller matematikk, sier at den produserer noe som ser svært tilforlatelig ut hva teksten gjelder, men formler og formell deduksjon er helt håpløst.
Det betyr at man må putte på en eller annen form for kvalitetskontroll som er logisk basert – altså bruke ekspertsystemlogikk til å kontrollere det som genereres. Dette kan gjøres på mange måter: Man kan ha en inputkontroll (slik at folk ikke kan be ChatGPT skrive noe rasistisk eller instruksjoner for å lage en atombombe). Man kan kombinere ChatGPT med logiske systemer – for eksempel Matematica, Stephen Wolframs matematikkprogrammeringssystem, som nå integreres med ChatGPT.
Og det er her det ser ut til at det blir vanskelig.
Siden man ikke helt vet – i hvert fall ikke i detalj – hvordan ChatGPT produserer et tekststykke, blir det svært vanskelig å introdusere kvalitetskontroll eller andre begrensinger rett i modellen. Man blir henvist til enten å filtrere input og output – og det gjøres i stadig større utstrekning – eller (svært forenklet) å legge begrensinger på hva slags tekstmateriale som kan brukes som underlag for å generere ny tekst.
Jeg har litt følelsen at OpenAI (og deres konkurrenter) har laget ChatGPT og andre modeller, og nå står og ser på denne maskinen og ikke helt forstår hva de har laget. Jeg hadde en gammel og komplisert Mercedes for noen år siden. Den var kul (syntes jeg i alle fall), men jeg kunne jo ikke skru på den selv fordi den var så komplisert, og visste at nesten enhver ting jeg gjorde, hadde mye større sannsynlighet for å rote ting til enn å gjøre den bedre.
Men bare vent…
Så det er ikke helt tid for å sparke kommunikasjonsavdelingen ennå – men kanskje tid for å ha flere folk til å kontrollere resultatet enn å generere innholdet. Ledere jeg kjenner, har kommentert at eposter de får har blitt lengre, høfligere og med rikere vokabular. Men jeg ville ikke helt automatisert epostene mine ennå, og slett ikke om de inneholder konkrete fakta og definitive avgjørelser.
Hva den automatiske kvalitetskontrollen gjelder, så er det fremdeles tidlig i språkmodellenes utvikling – hvis vi regner ChatGPT som begynnelsen. Men ChatGPTs røtter ligger i forskningen til Frank Rosenblatt fra tidlig sekstitall og Rumelhart og McClellands bok fra 1987 – og sett i det perspektivet er ChatGPT det foreløpig siste skrittet på en lang reise.
Da elektrisiteten kom, kom det også allslags finurlige apparater som skulle gi bedre hårvekst, bedre potens, og for alt jeg vet mer intelligens. Det samme gjaldt radium, kaffe, poteter og mye annet. Nå for tiden er det vel antioksydanter og AI som i har rollen som universalløsning. Over tid får man et mer edruelig forhold til fenomenet, bedre oversikt over bivirkninger, og fremfor alt bedre forståelse for hva det kan brukes til.
Så ChatGPT råtner egentlig ikke. Teknologien har i stedet startet på en prosess som over tid vil gjøre teknologien bedre, mer pålitelig, og med mer presist definerte bruksområder. Jeg tror mer på en gradvis forbedring enn en revolusjon der ChatGPT 7 eller 8 tar over verden. I mellomtiden forsøker jeg å lære meg å bruke de nye verktøyene smart – og insisterer på at de er verktøy og ikke noe annet.
Min gode venninne Silvija Seres – som jeg har skrevet en haug kronikker og alltid ser frem til å snakke med – inviterte meg til å lage en podcast om digitale plattform for noen uker siden. Resultatet i all sin skravlete omtrentlighet finner du her.
Her for noen uker siden skulle jeg presentere studiet Informatikk: Digital Økonomi og Ledelse for Rådgiverdagen på UiO. Jeg møtte opp med foiler og en historie, men fikk beskjed om at på grunn av en misforståelse skulle jeg ikke holde foredrag likevel. Nuvel, sånt skjer, men jeg hadde jo forberedt meg, så derfor bestemte jeg meg for å lage en liten video om hvorfor og hvordan dette studiet ble til, hva det inneholder, og hvordan det går med studentene som nå kommer ut med en Master. Informasjon som sikkert har interesse for poden som skal søke seg videre i livet til våren.
Hint: Det går bra med studentene. Svært bra.
Og hvis du aner at jeg er litegrann stolt av dette studiet, vel, så stemmer det.
Sitter akkurat nå og hjelper Ragnvald Sannes med en videoforelesning om bruk av intervjuer i prosjekter innenfor kurset Strategisk forretningsutvikling og innovasjon. Og så kom jeg på at jeg ikke har lagt ut noen henvisning til min video om hvordan man skal gjøre forskningsintervjuer her. Så her kommer den. (Og vil du ha et skriftlig sammendrag av videoen, finner du det her.)
Av og til finner man ting på Internet eller Youtube eller hvor det nå er som rett og slett er så imponerende at man føler seg litt liten. Her er en samtale mellom Jordan Peterson og Stephen Fry som burde danne skole for hvordan en debatt skal holdes: Mellom to personer som er uenige, men som hører på hverandre, videreutvikler argumenter, og lærer mens de går (rent bortsett fra at de begge kan mye mer enn de fleste av oss.) Jeg er rett og slett imponert – dette er en av de Youtubevideoene hvor du ikke kan sette opp hastigheten, men av og til må ta en pause for å tenke gjennom hva som egentlig ble sagt.
Nok en kommentar i digi.no, denne gangen om et svært viktig tema, som dessverre har blitt litt borte i diskusjonen om personvern og smittesporing. Jeg liker ikke konspirasjonsteorier og alt som har med Covid-19 haster, men før man lanserer noe som sporer folk overalt må man vite at det faktisk gir den effekten man er ute etter.
.Alle datakilder og alle modeller har feil. Det må vi leve med. Det vi må vurdere, er om feilene er store nok til at vi ikke kan bruke resultatet.
Lydfil herunder, også tilgjengelig på Spotify.
Jeg holdt en videoforelesning med diskusjon basert på den undervisningsvideoen jeg laget for et par dager siden. Erfaringene er notert i dette blogginnlegget, som jeg ikke gidder oversette til norsk, men hovedpoenget er i alle fall at videosesjoner må legges opp med et mål for øye: Presentasjon eller dialog, og at det er vanskelig å få til begge deler.
Det er i alle fall fullt mulig å få til dialog og diskusjon i en videoforelesning, men det krever et stramt opplegg og god planlegging. Og da går det bra!
Oppdatering 31. mars: Opptak fra denne forelesningen er lagt ut gratis.
Jeg har nettopp sittet i halvannen time og hørt på et seminar fra Harvard Business School, der man har diskutert krisehåndtering. Jeg syntes seminaret var interessant og nyttig – det er vanskelig å komme med konkrete råd i en situasjon som nå, men foreleserne kom med interessante innspill og en prosess som fungerer. Publikum for denne sesjonen er bedrifts- og andre ledere som står overfor en situasjon der de må respondere på vegne av sin organisasjon. Her er en kort oppsummering:
Mekanismen er et kriseteam, som bør
Prosessen teamet bør følge, er basert på en militær prosess kalt «the OODA loop» – observe, orient, decide, act – som ble utviklet for jagerflypiloter, men som har dannet grunnlag for mange beslutningsprosesser. Hovedpoenget er at man skal ta beslutninger raskt og basert på situasjonen slik den er på beslutningstidspunktet, men at man skal gå gjennom denne prosessen raskt, hele tiden med en forståelse av at alle beslutninger er midlertidige og å betrakte som eksperimenter. Hensikten med dette er at man vinner en viss form for kontroll ved å være raskere enn omgivelsene til å beslutte slik. Som jagerflypilot vil du at omgivelsene skal reagere på dine beslutninger heller enn at du venter på at de skal beslutte noe.
Jeg er ikke sikker på at omgivelsene i denne situasjonen vil reagere på noe jeg eller de organisasjonene jeg har å gjøre med gjør, men jeg tror denne tilnærmingen – og at man stoler på prosessen – kanskje er den mest konkrete måten å nærme seg en vanskelig og gjentatt beslutningsprosess på.
Så herved delt – og jeg skal oppdatere dette etterhvert som jeg lærer mer…
Jeg slo på radioen i bilen i går og inne i mellom all viruspraten (som jo i prinsippet handler om matematiske spredningskurver) fikk jeg høre to matematikklærere, begge tydeligvis flinke folk (de har begge skrevet lærebøker) som strevet med å artikulere nytten av matematikk for sine elever. Det er ikke enkelt å snakke på direkten, særlig når programlederen starter med den vanlige «jeg har ikke hatt nytte av matematikken» tiraden, men debattartikkelen det hele bygger på, er velskrevet og bra – bortsett fra overskriften (som er det de fleste leser, og som forfatteren ikke setter selv.)
Skal ungdom forstå hvorfor de skal lære matematikk, må vi være direkte. Så derfor vil jeg nok en gang å gjengi mine grunner til å lære matematikk, denne gang oppdatert med et punkt til – om klima og forurensning og (hvorfor ikke) pandemier.
( Tidligere versjoner av denne kom først som en kronikk fra Aftenposten fra 2006, også her i 2015, og tidligere publisert mange steder og i mange språkdrakter rundt omkring i verden.)
Her også som lydfil – tilgjengelig som podkast på Spotify.
13 grunner til å lære matematikk
Du skal lære matematikk for å bli smartere. Matematikk er for læring hva kondisjons- og styrketrening er for idrett: Grunnlaget som setter deg i stand til å bli bra i den spesialiteten du ender opp med. Du blir ikke idrettsstjerne uten å ha god kondis. Du blir ikke stjerne innen din jobb eller flink i dine fag uten å kunne tenke smart og kritisk – og matematikk lærer deg det.
Du skal lære matematikk for å tjene mer penger. Idol-vinnere og andre kjendiser tjener penger, men det er få av dem, og de fleste tjener bare penger i noen få år. Deretter er det tilbake til skolebenken. Dersom du kutter ut Idol-køen og TV-fotball og i stedet gjør leksene dine – særlig matematikken – kan du gå videre med en utdannelse som gir deg en godt betalt jobb, for eksempel innen stordataanalyse og kunstig intelligens. Du vil tjene mye mer enn popsangere og idrettsfolk – kanskje ikke med en gang, men helt sikkert når du regner gjennomsnitt og over hele livet.
Du skal lære matematikk for å tape mindre penger. Når massevis av mennesker bruker pengene sine på dårlige investeringer, inkludert pyramideselskaper, forbruksgjeld og tilbud som er for gode til å være sanne, så er det fordi de ikke kan regne. Hvis du skjønner litt statistikk og renteregning, kan du gjennomskue økonomiske løgner og luftige drømmer. Med litt naturfag i bagasjen blir du sikkert friskere også, siden du unngår alternative medisiner, krystaller, magneter, homøopati, shamaner og annen svindel fordi du vet det ikke virker.
Du skal lære matematikk for å få det lettere senere i studiene. Ja, det kan være endel jobb å lære seg matematikk mens du går i videregående. Men når du kommer videre til universitet eller høyskole, slipper du ofte å pese deg gjennom hundrevis av overforklarende tekstsider. I stedet kan du lese en formel eller se på en graf, og straks forstå hvordan ting henger sammen. Matematikk er mer kortfattet og effektivt enn andre språk. Kan du matematikk, kan du jobbe smart i stedet for hardt.
Du skal lære matematikk fordi du skal leve i en global verden. I en global verden konkurrerer du om de interessante jobbene med folk fra hele verden – og de smarteste studentene i Øst-Europa, India og Kina kaster seg over matematikk og andre “harde” fag for å skaffe seg en billett ut av fattigdom og sosial undertrykkelse. Hvorfor ikke gjøre som dem – skaffe seg kunnskaper som er etterspurt over hele verden, ikke bare i Norge?
Du skal lære matematikk fordi du skal leve i en verden i stadig endring. Ny teknologi og nye måter å gjøre ting på endrer hverdag og arbeidsliv i stadig større tempo. Hvis du har lært din matematikk, kan du lære deg hvordan og hvorfor ting fungerer, og slippe å skrape deg gjennom arbeidsdagen med huskelapper og hjelpetekster, livredd for å trykke på feil knapp og komme ut for noe nytt.
Du skal lære matematikk fordi det lukker ingen dører. Hvis du ikke velger full matematikk i videregående, lukker du døren til interessante studier og yrker. Du synes kanskje ikke disse yrkene og studiene er interessante nå, men tenk om du skifter mening? Dessuten er matematikk lettest å lære seg mens man er ung, mens samfunnsfag, historie, kunst og filosofi bare har godt av litt modning – og litt matematikk.
Du skal lære matematikk fordi det er interessant i seg selv. Altfor mange mennesker – også lærere – sier matematikk er vanskelig og kjedelig. Men hva vet de om det? Du spør ikke bestemoren din hva slags smarttelefon du skal kjøpe? Du ber ikke foreldrene dine om hjelp til å legge ut noe på Tiktok? Hvorfor spørre noen som aldri lærte seg matematikk om du skal lære matematikk? Hvis du gjør jobben og holder ut, vil du finne ut at matematikk er morsomt, spennende og intellektuelt elegant.
Du skal lære matematikk fordi du kommer på parti med fremtiden. Matematikk blir viktigere og viktigere innen alle yrker. Fremtidens journalister og politikere vil prate mindre og analysere mer. Fremtidens politifolk og militære bruker stadig mer komplisert teknologi. Fremtidens sykepleiere og lærere må forholde seg til tall og teknologi hver dag. Fremtidens bilmekanikere og snekkere bruker chip-optimalisering og belastningsanalyser like mye som skiftenøkkel og hammer. Det blir mer matematikk i arbeidslivet, så du trenger mer matematikk på skolen.
Du skal lære matematikk fordi du får reell studiekompetanse. Hvis du slapper av i videregående, får du et papir som sier at du har ”almen studiekompetanse”. Det er jo kjekt med et papir, men kompetanse til å studere har du ikke. Det vil du merke når du går videre til universitet eller høyskole, og må ha intensivkurs i matematikk for å skjønne hva foreleseren snakker om.
Du skal lære matematikk fordi det er kult. Det er lov å være smart, det er lov ikke å gjøre som alle andre gjør. Velg matematikk, så slipper du for resten av livet å vitse bort at du ikke klarer enkle utregninger eller ikke skjønner hva du holder på med. Dessuten får du jobb i de kule selskapene, de som trenger folk med hjerner.
Du skal lære matematikk fordi det er kreativt*. Mange tror at matematikk bare har med logisk tenkning å gjøre og at logikk ikke kan være kreativt. Sannheten er at matematikk er noe av det mest kreative som finnes – bare man bruker kunnskapen riktig. Gode kunnskaper i matematikk og matematisk tenkning i kombinasjon med annen kunnskap gjør deg mer kreativ enn mange andre.
Du skal lære matematikk fordi du skal løse de store problemene. Verden sliter i dag med store problemer som klima, forurensning, fattigdom, sykdommer og et forvitrende demokrati. For å løse disse problemene trenger vi folk som kan forstå komplekse sammenhenger og lage nye løsninger – inkludert ny teknologi – for å gjøre verden bedre. Det er kjempebra at ungdom protesterer mot manglende klimatiltak og forurensning, men i det lange løp trenger vi ikke protester og symbolhandlinger – og matematikk vil sette deg i stand til å lage løsningene, ikke bare rope etter dem.
Du trenger ikke å bli matematiker fordi du velger matematikk i videregående. Men det hjelper bra å velge matematikk hvis du vil bli smart, tenke kritisk, forstå hvordan og hvorfor ting henger sammen, og argumentere effektivt og overbevisende.
Matematikk er en skarp kniv for å skjære gjennom problemstillinger. Vil du ha en skarp kniv i din mentale verktøykasse – velg matematikk.
*) Takk til Jon Holtan, matematiker, for det siste punktet.
Forrige torsdag skulle jeg forelese på IFI, men den forelesningen er utsatt og (naturligvis) flyttet til nettet. Jeg tenkte først jeg skulle gjøre den som en videokonferanse, men så fant jeg ut av jeg kunne jo lage en video studentene kunne se på forhånd, og så ta diskusjonen i et forum som tillater interaksjon begge veier. Det å lage video er endel arbeid, men den kan brukes i mange sammenhenger (noe som er grunnen til at jeg laget den på engelsk. Her er resultatet:
Til mine foreleserkolleger: Det faglige innholdet her er antakelig ikke så interessant for de fleste, men det er noen tips og erfaringer i de første to minuttene og de siste fem.
For andre, her er en innholdsfortegnelse med omtrentlige tider:
Dette er ikke første gangen jeg har laget videoer, men det er første gangen jeg har laget en såpass lang video selv, og med en fremtidig forelesning som hensikt. Noen refleksjoner:
Min eminente kollega Ragnvald Sannes påpekte i en telefonsamtale i morges at dette har konsekvenser for hvordan vi organiserer og belønner forelesning. Vi kommer til å bruke mye mer tid på å lage innhold og mye mindre tid på å stå og gjenta det. Det betyr at vi ikke lenger kan betale folk ut fra undervisningstimer – eller i det minste at vi redefinerer hva begrepet betyr.
Nok en video (den første finner du her). Denne gangen handler det om de tingene du må tenke på og planlegge for at overgangen skal bli så enkel som mulig for deg – og opplevelsen så god som mulig for studentene.
Fra teksten på Youtube:
Mange forelesere må nå flytte kursene sine over i en digital verden, og bekymrer seg for hvordan dette skal gå. Det å undervise over nett er annerledes enn i et klasserom, men ikke så annerledes at det er grunn til å få panikk: Det viktigste er fortsatt at man kan de tingene man underviser og bryr seg om hvorvidt de i den andre enden lærer seg det.
Noen ting er imidlertid annerledes, og her er fem tips som du bør tenke på når du skal flytte kurset ditt over til nett:
1. Snakke til en student, ikke mange.
2. Struktur, struktur, struktur: Å planlegge stegene i undervisningen blir mye viktigere enn i et klasserom.
3. Interaksjon er viktig, men må planlegges.
4. Ikke gjør dette alene første gange – ta med deg en kollega som bisitter og assistent.
5. Bruk opptaket som et verktøy til forbedring.
Lykke til – dette kommer til å gå bra!
Tversover 