Her om dagen var jeg på 30-årsjubileet for det kommersielle Internettet i Norge, arrangert av Erling Maartmann-Moe og endel andre gründere fra New Media Science. Tidspunktet var litt omtrentlig og Internett var jo tilgjengelig lenge før det (selv sendte jeg, ahem, min første internasjonale e-post i 1985 og la ut en kommersiell webside (for CSC) høsten 1994, men for all del…)
Uansett, min gamle meddebattant Håkon Wium Lie kunne gledestrålende vise frem en PDF av Norges Lover (med rødt omslag, til og med), og i går la han nyheten ut (på Facebook, av alle steder). Her er et screenshot:
Dette er en langvarig prosess, like gammel som det offentlige Internettet, og jeg har skrevet om det før, senest i 2018. Det er helt utrolig at man som norsk innbygger må gjennom en 12000-kroners betalingsmur for å få tilgang til de reglene som forteller hvordan vi skal komme oss gjennom liv og levnet uten å bli straffet for det. Fremdeles er rettspraksis (dommeres fortolkning av lovene, som er nødvendige for å forstå anvendelsen av relativt tørre og presise paragrafer) bak betalingsmurer, men det vil nok bli sluppet fri en gang, det også. Vi hadde den samme debatten om kartdata – Kartverket tjente noen få millioner på å selge kartdata. De er i dag frie, så vidt jeg vet, forhåpentligvis fordi den samfunnsmessige nytten av å slippe dataene fri var mye større enn de småpengene et offentlig organ kunne tjene på å leke butikk.
I alle fall: Gratulerer, Håkon! 30 år før din tid, som vanlig.
(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!)
Om forretningsutvikling for plattformer – og når den går for langt
For noen år siden handlet nesten all forretningsutvikling om å gå fra å selge produkter eller enkelttjenester til å bli en partner med kunden. Denne utviklingen var dels drevet av behovet for å skape differensiering og tilknytning i en verden der standardtjenester blir sammenlignbare og dermed prissensitive, men også muliggjort av teknologi som CRM-systemer.
Neste trinn i utviklingen – som mange bedrifter holder på med nå – er at man forsøker å bli en plattform: En tjeneste som skaper verdi ikke bare ut fra hva kundene kan bruke den til, men også ved at den har elementer av nettverkseffekter, slik at den blir bedre jo flere kunder som bruker den. Disse effekten kan være direkte – kundene kommuniserer gjennom din plattform, eller indirekte, ved at den kunnskapen du får gjennom å ha mange kunder på plattformen gjør at du kan lage tjenester ingen andre kan.
Det å starte en plattform er vanskelig, siden man må ha noe å tilby kundene inntil plattformen – gjerne de andre kundene – er stor nok eller viktig nok til å være en attraksjon i seg selv. Jeg pleier å snakke om at man må ha en «killer» av noe slag – en funksjon eller en gruppe – men det enkleste er nok å allerede ha et nettverk, hvilket er grunnen til at store nettverk som Google eller Facebook kjøper voksende nettverk som YouTube eller Instagram.
Nuvel. Men sett at man klarer å bygge begynnelsen til en plattform ved å sette opp noe, en plattform, som adresserer et todelt marked – hvordan vidererutvikler man den?
Reach and range
Når man ser på verdien av en plattform, er det to dimensjoner som står i sentrum: Reach and range [4] – eller bredde og dybde, som jeg forsøksvis kaller det på norsk.
Bredden er hvem du kan nå gjennom plattformen. Det handler både om hvor mange som bruker den, og hvem brukerne er. Det er lett å se på antall brukere som det sentrale målet her, men vel så viktig kan det være hvem disse brukerne er. Finn.no, for eksempel, har klart flest brukere i Norge, men skal du selge brukte klær, er det Tise som gjelder – de har ikke så like mange brukere som Finn, men hvis det er brukte moteklær du skal selge, har de alle de brukerne som betyr noe.
Dybden handler om hva du kan gjøre på plattformen: Hvilke tjenester som tilbys. Plattformer starter gjerne med å tilby en sentral tjeneste, for deretter å utvide med andre ting etterhvert. Vipps, for eksempel, hadde betaling mellom privatpersoner som eneste tjeneste til å begynne med, men har etterhvert lagt til butikkbetaling, identifisering (innlogging) og muligheten til å fotografere regninger og betale dem.
Utviklingsproblemer
Forretningsutvikling for plattformer har i hovedsak altså to dimensjoner – og man kan utvikle seg i både bredde og dybde: Gjøre plattformen attraktiv for flere kunder (gjerne ved å finne nye kundegrupper som komplementerer de man allerede har), eller å legge til flere og flere tjenester slik at kundene etterhvert kan gjøre alt gjennom plattformen. Slik øker kundenes avhengighet av plattformen – noe som man i alle fall i Internetts begynnelse ble kalt stickiness.)
Begge deler kan være problematisk.
Gratis inntil videre
Et problem man kan få, er at fordi plattformer tjener penger på ulike ting, vil deres jakt på inntekter føre til at de tilbyr gratis det andre tjener penger på. Ta Vipps og Finn, for eksempel: I en periode forsøkte Finn å innføre en batetalingstjeneste kalt SpID (Schibsted Payment ID) som skulle håndtere innlogging og betalinger for bl.a. Aftenposten, Finn.no, VG og endel andre tjenester. Det ble aldri noen suksess, men fikk i alle fall Vipps til å holde sine priser nede og innby til samarbeid med mange andre tilbydere.
Finn har hatt større suksess med å observere hva andre konkurrenter gjør, og så tilby det samme til sine kunder, enten ved å utvikle det selv, eller ved å kjøpe opp eller inngå allianser med oppstartbedrifter som gjør Finn-plattformen bedre.
Selskaper som ikke har hatt suksess her er for eksempel Telenor, som har forsøkt mange ting for å få større profitabilitet ut av sine dyre og omfattende nettverk, bare for å finne at de blir presset tilbake til en kostnadskonkurranse for grunnleggende trafikk. Mens Telenor hadde ressurser, kunne de ha bygget opp en rekke tjenester – alarmsystemer, helseapplikasjoner, videokonferanse, underholdning – men de hadde ikke apetitten for så store investeringer utenfor kjernevirksomheten. De hadde også brent seg på endel investeringer innen underholdning, der det faktum at Telenor var store i Norge ikke hadde noen betydning for de store underholdningsprodusentene, som forhandler priser for innhold over hele verden. Telenor er i dag – i likhet med de fleste telekommunikasjonselskaper – en skygge av seg selv, redusert til å levere basistjenester fra en åttendedel av sitt formidable hovedkvarter på Fornebu.
Kort sagt handler enshittification om at plattformtilbydere, i et forsøk på å øke og opprettholde sin profitt, lokker til seg nye brukergrupper ved å selge de brukergruppene de allerede har, for så å gjenta prosessen når den nyeste brukergruppen har gjort seg avhengig av plattformen.
Here is how platforms die: First, they are good to their users; then they abuse their users to make things better for their business customers; finally, they abuse those business customers to claw back all the value for themselves. Then, they die.
Facebook er et typisk eksempel: Til å begynne med et sted du gikk til for å snakke med venner og forbindelser, som nå er blitt et sammensurium av innhold og annonser du ikke har vil ha, til fortrengelse for det du egentlig vil ha, siden det ikke betaler.
Balanse i alt
Markedsføring handler om å skape og beholde kunder. Problemet for plattformer er at det er ikke alltid klart hvem kundene er, siden man ofte står overfor tosidige markeder [3,5] (selgere og kjøpere, for eksempel) der den ene siden genererer det meste – ofte hele – inntekten. Dermed blir kan det bli vanskelig, særlig i nedgangstider, å opprettholde interessene til den kundegruppen som ikke generer inntekter over tid. Denne balansen mellom langsiktig tenkning og kortsiktig profitt er imidlertid ikke noe nytt for forretningsutvikling generelt – hvor mye kvalitet man skal legge i produkt og kundeservice, for eksempel, har alltid vært der som en balanse man må forholde seg til.
Så, for all del, øk bredde og dybde i det du gjør med plattformen din, men ikke glem årsaken til at kundene kom dit til å begynne med – for å få utført en basisfunksjon, og, til en stor grad, å forholde seg til hverandre.
[5] G. Parker and M. Van Alstyne, “Two-Sided Network Effects: A Theory of Information Product Design,” Management Science, vol. 10, pp. 1494–1504, 2005.
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?
Oppdatering 21. februar 2025: Utrolig hvordan perspektivet på en person kan endre seg i løpet av noen måneder… En monoman fokus på detaljer med et løst forhold til konsekvenser er i alle fall ingen god metode når man ikke er begrenset av fysiske lover.
Jeg er nesten ferdig med Walter Isaacsons biografi om Elon Musk, og det er interessant lesning. Den er detaljert, spesielt om utviklingen frem til boken ble ferdig (publisert juli 2024, så den er ikke gammel). Isaacson har fotfulgt Musk i to år, hatt tett kontakt med Musk, hans familie og venner, og detaljerer og dokumenterer bra.
Elon Musk er svært interessant som person. Han er verdens rikeste mann, og har vært involvert i en rekke selskaper – PayPal, SpaceX, Tesla, The Boring Company, Neurolink og Twitter, sånn til å begynne med, har en masse barn og er det amerikanerne kaller en «outsized personality». Han har Aspergers (en diagnose jeg har blitt fortalt ikke lenger finnes, erstattet med et eller annet på autismespekteret), noe som gir seg utslag i en nærmest manisk fokus på detaljer, enorm arbeidskapasitet, begrensede sosiale evner, og en impulsivitet som til tider kan skaffe ham problemer, som når han er litt for kjapp med Twitter-meldinger eller kaster seg ut i «surges» for å løse kriser som ganske ofte er selvkonstruerte.
Han er tydeligvis ikke lett å jobbe for, og biografien har blitt kritisert for å skape et heltebilde av Musk, selv om mange av hans eks- og nåværende ansatte og familiemedlemmer kommer til orde her og der. Men det er vanskelig å argumentere mot suksess, og Musk har skapt sin formue selv, ofte basert på svært langsiktige strategier. Hans impulsive kjøp av Twitter, for eksempel, er ikke noe annet enn en fortsettelse av en strategi han opprinnelig la for Paypal, men ikke fikk gjennomført, blandt annet fordi de andre investorene var uenige med ham (og fordi tiden kanskje ikke var moden). Strategi handler som regel om gjennomføringsevne og fokus.
Algoritmen
En ting Isaacson dokumenterer svært godt, er Musks arbeidsmetode, som han kaller «algoritmen», og som han har brukt spesielt innenfor industriell design og produksjon, som for eksempel Tesla og særlig SpaceX. Den består av fem steg:
Sett spørsmålstegn ved alle pålegg. For elementer av et produkt eller en prosess, spør «hvorfor er det slik?». Hvis svaret er «fordi markedsavdelingen krever det», spør «hvem i markedsavdelingen har spesifisert det, og hvorfor». I Musks organisasjoner er alle krav til et produkt eller en prosess knyttet til en person og en spesifikk årsak – helst forankret i fysiske lover.
Eliminer alt du kan. Hvis ikke en del av en prosess eller et produkt er absolutt nødvendig, fjern den. Det vil ofte føre til at man fjerner ting som viser seg å være nødvendig, men som Musk sier: «Hvis vi ikke ender opp med å gjenopprette 5-10% av de tingene vi tok vekk, har vi ikke tatt vekk nok.»
Forenkle og optimaliser. Når du har fjernet alle unødvendige steg, sett i gang og forenkle og optimalisere de delene av prosessen eller produktet som er igjen. Kan det gjøres enklere? Kan man bruke enklere materialer? Og viktigst av alt – kan man, etter å ha forsøkt å forenkle, kanskje fjerne hele greia?
Få opp farten. Når man har gjort de første tre stegene, er tiden inne for å få opp farten – rett og slett gjøre ting raskere.
Automatiser. Til slutt, når man har eliminert, optimalisert, og skrudd på gassen, er det tid for å automatisere – og først da.
Her på berget…
Jeg kjenner meg godt igjen i denne prosessen – som jeg har skrevet og sagt mange ganger før: Digitalisering er forenkling. I Norge har vi ikke så hard konkurranse og et deilig oljefond å lene oss på, og nå begynner det virkelig å slå ut i statistikkene. Kanskje det er på tide å begynne å bruke denne metoden på alle rare ting vi gjør her til lands? Elon Musk har nå fått en posisjon som sjef for et regjeringsorgan som skal forenkle og optimalisere USAs føderale lover og byråkratier. Det kan bli en interessant øvelse – sannsynligvis et kulturkrasj av dimensjoner, siden Elon Musk ikke kan sparke folk som ikke jobber 150% kontinuerlig – men i intervjuer har han allerede sagt at det er på tide forenkle lover og regler ned til et punkt hvor de kan leses og forstås av folk flest. Det er heller ingen grunn til å ha en masse støtteordninger – inkludert for elbiler og ladestasjoner – og heller la markeder og næringsliv tilpasse seg til det folk vil ha, innenfor rammer som er fremtidsrettet.
Det skal bli en interessant øvelse. Musk har vunnet frem med gjenbrukbare raketter og elektriske biler, ting som etablerte aktører ikke har klart å gjøre noe med. Han er genuint opptatt av de store spørsmålene – global oppvarming, AI-sikkerhet, menneskehetens fremtid.
Det er absolutt ikke noe galt med målsetningen. Så er det bare et spørsmål om å finne en algoritme som tar oss dit.
For noen år siden ble jeg kjent med en (den gang svært) ung mann ved navn Andreas Solbakken. Han drev forretningstutviklingsfirmaet Railway sammen med Sondre Selbæk. Andreas og Sondre har kommet opp med en masse interessante forretningskonsepter gjennom årene – Spoton, en heldigital elektrikertjeneste, for eksempel – og jeg har brukt Andreas som en meget spennende gjesteforeleser i mine kurs opp gjennom. (Forholdet er gjensidig: Andreas bruker mine studenter til å teste ut nye ting.)
Sondre og Andreas, fra pressemelding om at Schibsted har investert i dem.
Andreas’ og Sondres siste stunt, som de har holdt på med i et par år nå, er Tings. Denne appen er simpelthen genial i all sin enkelthet: Den holder orden på tingene dine – inklusive og kanskje spesielt kvitteringer – og lar deg avgjøre om du skal beholde, selge, reparere eller gi dem bort.
Jeg har relativt nylig solgt et stort hus og flyttet i leilighet, kjøpt hytte og båt, og har anskaffet og kvittet meg med masse ting. Tings har hjulpet meg å organisere dette: Hver gang jeg kjøper noe, tar jeg bilde av kvitteringen med Tings, som så leter opp produktet på nett, skaffer bilder, og lar meg sortere det inn i ulike kategorier: Klær, båt, hytta, fritid, verktøy, etc. Dermed har jeg alt på ett sted, og slipper å tenke over hva jeg har og hvor kvitteringen er.
Last opp papirkvitteringene, og finn tingene igjen senere inkludert bilder!
Tings er integrert med flere butikker, og jeg går faktisk i de butikkene (Anton Sport, Jernia, Eplehuset, for eksempel) og handler der i stedet for konkurrentene, rett og slett fordi at da kommer kvitteringer og produktdetaljer rett inn i Tings uten at jeg trenger å gjøre noe. (Og ja, det er litt overraskende hvor mye penger jeg har endt opp med å kanalisere til Tings-butikker) Det kommer flere butikker etterhvert, men jeg er litt forundret over at ikke flere store kjeder rett og slett hopper på dette med en gang. Det er ingen som bruker apper fra enkeltbutikker, men det å ha en app der alt man handler er samlet, gjør at man faktisk bruker den.
Tings har gode investorer i ryggen og masse smarte fremtidsplaner jeg ikke kan røpe for mye om, men en er i alle fall på prototypestadiet og tilgjengelig for testing: At man kan ta bilde av ting man har, finne ut hva det er, få en estimert bruktpris, og legge den rett ut på Finn.no. Tar man masse bilder, kan man sortere ting ut fra om man vil beholde eller selge, og få en estimert totalverdi. Ikke dumt om man trenger penger eller mer skapplass: Ofte er det jo slik at ting ender opp med å kastes fordi det er litt for tungvint å skrive en annonse og finne ut en pris. Hvis det kan gjøres med et trykk – eller, i fremtiden, et sveip – og automatiseres, kan vi virkelig få fart på sirkulærøkonomien.
Greit å vite hva de tingene man ikke trenger kan være verdt der ute på markedet…
(For ordens skyld: Nei, jeg har – dessverre, får jeg nesten si – ingen økonomisk relasjon til Tings eller noen som investerer der – men jeg har en god relasjon til Andreas og jeg vil veldig gjerne at Tings blir en suksess, slik at jeg fortsatt kan holde orden på tingene mine på en enkel og effektiv måte.)
Jeg avslutter med et innslag fra Dagsrevyen – dette er faktisk sustainability i praksis:
Nå har jeg begynt å glede meg til det morsomste jeg gjør på BI: Undervise kurset Strategisk forretningsutvikling og innovasjon sammen med Ragnvald Sannes. Dette har vi gjort i mange år, og synes det er morsomt fordi vi møter mange spennende mennesker som er opptatt av innovasjon. Som vi pleier å si: Våre studenter rekrutteres fra de folkene som ikke klarer å la ting være som de er!
En interessant side av kurset – både for oss og for studentene – er at det er todelt: Dels har vi vanlig faglig innhold – forelesninger, gjesteforelesere, case-diskusjoner og ikke minst en studietur til Sophia Antipolis i Provence i samarbeid med Accenture Technology Labs. En annen – og minst like viktig – del er at kurset er en arena for konkrete utviklingsprosjekter. Deltakerne jobber i team og løser problemer de har med seg fra virksomhetene. Dette gjennomføres i en veiledet prosess fra idéarbeid i første samling til løsningsforslag ved kursets avslutning. En hel del bedrifter har gjennom årene utviklet mye spennende gjennom dette kurset – og studentene setter pris på at siden prosessen starter med en gang og man jobber jevnt og trutt gjennom hele kurset. Da slipper man en panikkfase på slutten for å bli ferdig med oppgaven.
Også i år (2023/24) har Ragnvald og jeg veiledet en rekke oppgaver – og siden oppgavene er reelle og nesten alle er konfidensielle, må jeg omtale dem i nokså runde ordelag. Her er årets liste:
en gruppe har jobbet med en byggvarehuskjede som ønsker å lage en AI-assistert chatbot som kan hjelpe kundene lage enkle prosjektplaner egne oppussingsprosjekter
en gruppe har hjulpet en stor bank som ønsker å lage en selvbetjeningsløsning for leasing av ulike aktiva for sine bedriftskunder
en gruppe har jobbet med et forslag til en radikal forenkling av velferdsmodellen i NAV og har testet en prototyp. Målet er å skape mer trygghet og forutsigbarhet hos mottagere av velferdsytelser samt redusere tid brukt på saksbehandling og vedtaksfatting for veilederne. Det vil gi enklere og raskere utbetalinger til de som er i behov av velferdsytelser
en gruppe har jobbet med et prosjekt for Forsvaret for å styrke gjennomføringen av lagførerutdanningen i regi av Heimevernet.
en gruppe har jobbet med et prosjekt der en større kommune ønsker å bli i stand til å møte demografiutfordringen, det vil si at antallet netto brukere av kommunale tjenester øker (vesentlig som et resultat av lengre levealder) mens den relative andelen skattebetalere synker
en gruppe har jobbet med å lage en løsning for koordinering av LIS (Leger i spesialisering)-utdanning, som involverer praksis og undervisning av og med et stort antall aktører
et gruppe har jobbet med et programvareselskap har utviklet et app som kombinerer bruk av kamera, ulike sensorer og kommunikasjon for at eldre skal kunne bo trygt hjemme lenger
en gruppe har jobbet med et pressekonsern som ønsker å kombinere, koordinere og personlig tilpasse sine digitale tilbud på tvers av organisatoriske og tematiske skillelinjer
en gruppe (hvis medlemmer har bakgrunn i boligmegling og -finansiering) har jobbet med en prosjekt for å skape en mer oversiktlig, trygg og innsiktsfull bolighandelsprosess
en gruppe har analysert markedet for ladeprodukter for elektriske båter og laget forslag til ulike løsninger slik at det skal bli like lett å lade elektriske båter som elektriske biler
en gruppe har jobbet med en høyskole som ønsker å skape en enhetlig plattform som gjør det mulig å velge kurs på tvers av ulike markedssegmenter
en gruppe har jobbet med å utvikle en tjeneste som kan tilby praktisk og profesjonell sykkelservice – særlig for elsykler – på den tid og det sted som passer sykkeleieren best
Disse gruppene setter vi sammen tidlig i kurset – typisk består de av en person fra det firma eller den organisasjonen som ønsker å utvikle noe nytt, og så av folk fra andre steder som synes denne oppgaven er interessant.
Vi har jo holdt på en stund, så her er lenker til tidligere innlegg og oppgaver:
ChatGPTs svar på «make an image that illustrates how AI can make managers more productive». Hvorfor en digital leder trenger skrivebordsskuffer er noe jeg ikke helt forstår, men et eller annet sted skal man jo ha matpakken…
(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 og informasjonsteknologi
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.
Produktivitetsparadokset
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.
AI og produktivitet: Individuelle, organisatoriske og samfunnsmessige effekter
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…
En parallell til søketeknologi?
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.
AI-ing, AI-isering, AI-transformasjon
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.
Referanser:
Andersen, E. (2006). «The Waning Importance of Categorization.» ACM Ubiquity7(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 Perspectives14(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 Review80(2): 355-361.
Hitt, L. and E. Brynjolfsson (1996). «Productivity, Business Profitability, and Consumer Surplus: Three Different Measures of Information Technology Value.» MIS Quarterly20(2): 121-142.
I begynnelsen av september skulle jeg undervise på universitetet (jeg har en sidestilling på IFI, og underviser på studiet Digital økonomi og ledelse). Det var en liten misforståelse med hvilket klasserom jeg skulle være i, og jeg gikk til en digital informasjonstavle som hadde en liste med kurs og klasserom.
Mens jeg lette meg nedover listen på jakt etter kurset mitt, endret skjermen seg plutselig til en helsides annonse for et studentarrangement. 30 sekunder senere kom en skjerm med en eller annen administrativ melding. Så kom en melding om et faglig seminar. 4-5 skjermbilder senere dukket klasseromslisten opp igjen, og jeg begynte å lete nedover. Da jeg var halvveis ned (og begynte å lure på om ikke mitt kurs sto lenger ned på listen enn skjermen rakk) begynte det forbistrede annonsesirkuset igjen…
Der og da svor jeg tett og innett under pusten og fikk til slutt en student til å lete opp listen på nettet.
I etterkant har jeg lurt på hvem det er som lager et så idiotisk informasjonsoppsett. Hva er egentlig årsaken til at man setter opp informasjonsskjermer, og så bruker dem på en måte som gjør at ingen egentlig får informasjon?
Jobber, ikke kunder
Svaret ligger nok i hva Clayton Christensen kalte job to be done – at man presenterer produkter for kunder ut fra en svært forenklet forståelse for hva kunden egentlig trenger. I stedet for å tenke på kunder som kunder (muligens segmentert etter demografi, bakgrunn eller geografi) bør man tenke på kunder som et sett med jobber som skal gjøres – og man selger til kunden basert på det.
Spørsmålet man skal stille seg, er ikke «hva slags produkt har jeg og hvem kan jeg selge det til.» Det man skal tenke på, er hvilken jobb ansetter kunden mitt produkt til å gjøre?
De som har satt opp disse skjermene, har forsøkt å dekke alle informasjonsbehov på en gang, men det går ganske enkelt ikke. Forvirrede besøkende på leting trenger statisk og detaljert informasjon, kringkastere av informasjon trenger oppmerksomhet – og behovene kan ikke løses innenfor den samme rammen. Dermed ender man opp med et kompromiss som ikke fungerer for noen.
Løsningen ligger i å dele opp ting i separate produkter (i dette tilfelle, flere skjermer). Svært ofte ligger også løsningen i spissing og forenkling.
Gi kundene det de vil ha – ikke mer!
Et av de beste eksemplene på informasjonsdesign jeg har sett, er noe Flytoget gjorde (og for alt jeg vet fortsatt gjør): De forenklet sin informasjonstavle ned til et enkelt tall.
Når du kommer styrtende inn på Sentralbanestasjonen, svett og varm og stresset, og skal ta Flytoget, er det kun en ting som står i hodet på deg: Hvor lenge er det til neste tog? De går hvert 20. minutt, men likevel vil man jo gjerne vite om man skal løpe eller ikke. Og der sto informasjonstavlen deres, med antall minutter igjen til neste tog gikk.
Og ingenting annet.
Perfekt. Og virkelig vanskelig å gjøre, siden man må demme opp for alle de som vil legge til mer informasjon enn akkurat det kunden først og fremst vil vite.
Dårlig informasjonsdesign skaper sterke følelser
Når et produkt ikke gjør jobben, kan folk bli ganske irritert. En venn av meg var sjef for et stort konsulentselskap og hatet å måtte presse seg gjennom tax-freebutikken på Gardermoen på vei ut til flyet. Som han sa: «Jeg er så irritert over det salgsmaset at jeg forsøker å knuse en flaske med trillekofferten hver gang.»
Siden han fløy ut fra Gardermoen i hvert fall tre ganger i uken, hadde han laget en rutine der han spant gjennom sikkerhetskontrollen kort tid før flyet skulle gå, og kastet et kjapt blikk opp på informasjonstavlen som viste hvilken gate han skulle til, rett innenfor sikkerhetskontrollen. Men så en dag sjokker han inn i høyt tempo, kikker opp – og ser at informasjonstavlen viser en Revlon-reklame. Som han sa:
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.
Jeg har lurt på (og blitt spurt om) om jeg skal melde meg på debatten om ChatGPT, men tror jeg lar det være. Det er ikke det at den ikke er interessant – les for eksempelChomsky et al i New York Times eller Cory Doctorow i Medium for synspunkter som i alle fall til en del faller sammen med mine – men jeg har tidligere vært involvert i debatter om kalkulatorer og søkemotorer og Wikipedia (særlig innen undervisning) og, vel, har en følelse av at jeg kanskje bare skulle børste av noen gamle essays, gjøre en find/replace og, vel, ting er i boks.
Forøvrig: Den bransjen som bør føle seg mest truet, er ikke lærere, men kommunikasjonsrådgivere, hvis jobb til en stor del består i å skrive nøytrale sammendrag av ting de ikke vet noe om. En oppgave som ChatGPT er kjempegod på. Som vanlig vil det være de smarte, de som kan skrive noe originalt (som ChatGPT ikke kan), som vil overleve. Og sånn skal det være.
Selv brukte jeg ChatGPT til å skrive en litt lang og kjedelig epost her om dagen. En en-setnings bestilling ble til en A4-side lang innkalling til et seminar, med forslag til dagsorden og brukbare innlednings- og avslutningsfraser. Litt redigering, en adresseliste, og jobben var gjort. Fabelaktig hjelpemiddel for folk som meg, som sliter med å komme i gang men er nokså kjapp med å flikke på ting som allerede er produsert. (Kommentar fra en bekjent: Så det er derfor så mange eposter har blitt så høflige i det siste…)
Hva gjelder elever/studenter som jukser med å bruke ChatGPT på eksamen – jeg har allerede laget eksamensoppgaver som spør «Hva er [sett inn begrep her]?» Deretter gir jeg svaret fra ChatGPT, og eksamensoppgaven er «ChatGPTs svar er ufullstendig og inneholder feil. Hva mangler og hva er feil?» (Da min kollega Ragnvald Sannes nevnte dette for en studentgruppe, fikk han et stønn til svar…)
Og for ordens skyld: Dette blogginnlegget har ikke – som 74,6% av alle innlegg om ChatGPT) – noe tekst generert av ChatGPT.
Og det er jo, i denne debatten, litegrann originalt.
I desember var jeg med i en podcast –Flopp eller fulltreffer– med Sara Engesvik og Vilde Alstad fra TU/Digi. Konseptet deres er enkelt: De spør om ulike IT-systemer, og om de er vellykket eller ikke, og hvorfor. Et enkelt konsept, og programlederne stiller enkle spørsmål, tilynelatende uskyldig og uvitende, men de gir seg ikke, og tvinger intervjuobjektet til å snakke enkelt og forståelig.
Akkurat det har ikke jeg noe i mot, men så har jeg heller ingen aksjer i noen store IT-systemer som ikke går så bra. I alle fall, du finner podcasten på Spotify og Apple og til og med som RSS-lenke. Intervjuet er i hovedsak basert på mitt innlegg fra 2020 i Digi.no.
Og kan man forutse katastrofeprosjekter? Det er noen indikasjoner, i alle fall…
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.
En av årsakene til at jeg stadig betegnes som «flyekspert» og intervjues hver gang det er problemer i luftfarten er en kronikk jeg skrev i Aftenposten i 2006, med tittelen «Derfor har SAS problemer». Jeg kikket på den her forleden, og ser at den kunne like godt være skrevet i dag. Så derfor, en reprise:
SAS var engang et glimrende eksempel på skandinavisk samarbeid, en stolt og smilende “businessman’s airline” som knuste konkurrentene og var en verdig partner i Star Alliance. Men så har det gått nedover: Streiker, underskudd, tusenvis av klager og nye, frekke konkurrenter.
Hva skjedde?
En enkel forklaring finnes i selskapet selv: En umusikalsk ledelse og lite endringsvillige fagforeninger (særlig vis-a-vis hverandre) vil ikke ta inn over seg at konkurranse har endret deres verden. Flyselskaper er ikke lenger halvaristokratiske og romantiske, med marineuniformer og pengesterkt forretningspublikum. Automatisering og standardisering har gjort flygere til glorifiserte busssjåfører, flyvertinner til språkmektige kaféservitriser, og flymekanikere til listeavkryssende komponentbyttere. Ledelse og ansatte tviholder imidlertid på gamle privilegier, knyttet opp til det målekriteriet som er minst egnet til å fremme endring, nemlig ansiennitet. Dette kan gi seg pussige utslag: Personalet tildeles ruter etter ansiennitet, og siden de lange turene er mest attraktive, blir det slik at jo lengre rute, jo eldre personale. På Tokyo-ruten, sier man i SAS, bruker flyvertinnene rullator.
Hadde det bare vært så enkelt, ville nok SAS kunne endre seg. Men den deregulerte flybransjen er beinhard. I strategisk analyse snakker vi om ”de fem konkurransefaktorer”, og bransjen scorer dårlig på alle fem. Kundene har stor makt (de kan velge hvilket flyselskap de vil), man har sterke leverandører (fremst ansatte, men også flyplasser, oljeselskap, og myndigheter), det er intens direkte konkurranse, det finnes mange substitutter (telekonferanser, andre reisemåter) og det er lett adgang for nykommere (nye flyselskap startes kjapt ved å lease fly og kjøpe tjenester.) Man kan av og til lure på hvorfor noen vil investere i flyselskap i det hele tatt – nesten alle i reiseliv tjener penger unntatt de etablerte flyselskapene.
Det har ikke alltid vært slik: Da SAS ble bygget opp var markedet regulert, prisene faste, og ruter fløyet på konsesjon. Etter dereguleringen i 80- og 90-årene begynte alle de store flyselskapene på en utvikling som har gitt dagens vanskeligheter. Årsaken ligger i noe så kjedelig som kostnadsstruktur.
For et etablert flyselskap er nesten alle kostnader faste og høye. Fly er dyre å kjøpe og vedlikeholde, drivstoff er dyrt, og ansatte er dyre. Kostnadene har man uansett om flyene er fulle eller tomme. Flyseter er ikke holdbare, men verdiløse etter avreise. Derfor går all flyselskapsstrategi ut på å fylle flyene så fulle som mulig, til høyest mulig pris.
Det er i hovedsak to måter å fylle fly på – man kan være et nettverksselskap (som SAS) eller et lavprisselskap (som Ryanair og til en viss grad Norwegian). Lavprisselskapet er lettest å forstå: Man finner to steder folk vil fly mellom, åpner en rute, setter prisen slik at flyene blir fulle, og holder kostnadene nede ved å gjøre alt så raskt, billig og enkelt som mulig.
Nettverksselskaper er mer komplisert. De tilbyr ikke enkeltreiser, men et nettverk av destinasjoner – og tar ansvaret for passasjerene gjennom hele nettverket. SAS (eller deres partnere) flytter kofferten din gjennom mellomlandinger og tar ansvar hvis du skulle bli forsinket. Ryanair lar deg bære selv og gir blaffen om du ikke rekker mellomlandingen. Nettverksflyselskapene er mest beregnet på forretningsreiser, lavprisselskapene på fritid, men overgangen er flytende og begge trenger det andre markedet – nettverksselskapene mest, siden de har mye vanskeligere for å krympe enn lavprisselskapene har.
I et nettverksselskap forsøker man å legge opp ruter og prise dem slik at man får mest mulig inntjening på hele nettverket. Det kan gi seg underlige utslag, som at man gir bort en del av reisen for å ta det igjen på en annen del, vanligvis på de lengste strekkene. For å skille mellom passasjerer, finner man på rare regler som at prisene er lavere om du bestiller tidlig eller er borte over helgen. Dette har ikke noe med kostnader å gjøre, men skjer fordi folk som bestiller sent og vil hjem på fredag gjerne er forretningsfolk, som har reisen betalt av jobben og derfor tåler høyere pris. Avansert prissetting kalles yield management og er en egen vitenskap. Store flyselskap kan endre flere millioner priser daglig, og pionerene blant dem tjente mye penger. Men nå er teknikken utbredt, og med Internett ble kundene like flinke til å finne priser som selskapene var til å endre dem.
Nettverk kan ikke fylles 100% – en tommerfingelregel sier at når flyene blir gjennomsnittlig 80% fulle får man overbelastning på enkeltstrekninger. Lavprisselskapene, som bare flyr frem og tilbake, kan få høyere utnyttelse. Det har ført til en pussig situasjon: Lavprisselskapene spiser seg inn i nettverksselskapenes marked, men nettverksselskapene kan ikke svare med å bli lavprisselskaper, for da rakner det møysommelig oppbygde nettverket. I desperasjon er det da lett å gjøre beslutninger på marginalen, å sette i gang aktiviteter uten å regne med de faste kostnadene (”flyene går jo likevel,” for å sitere en tidligere finansminister) eller effekten for resten av nettverket.
Skal nettverksselskap tjene penger i en situasjon med overskuddskapasitet, må de enten være subsidiert (som en del asiatiske og arabiske flyselskap) eller bruke en dominerende markedsandel til å skaffe seg regionale monopolinntekter. SAS kan ikke lenger gjøre dette.
Så hva skal SAS gjøre? En vei ut er at SAS kan selges og bli den skandinaviske delen av et større selskap, sannsynligvis Lufthansa.
En annen mulighet er å gå konkurs, kaste ut den gamle organisasjonen, og gjenoppstå som et lavprisselskap. Men dette er ikke hva de forretningsreisende vil ha: Med et lavprisselskap blir forretningsreiser vanskelige fordi man ikke har et komplett nettverk. Og det er heller ikke i lavprisselskapenes interesse at SAS forsvinner, for en lavprisstrategi krever høypriskonkurrenter.
SAS kan hangle videre i håp om bedre tider, men situasjonen blir ikke bedre: Nye flytyper vil gjøre direkteflygninger mulig over nesten hele kloden, og billigere koordineringsteknologi gjør at lavprisselskapene kan tilby bedre tjenester uten å gå opp i pris. Og SAS er en koloss på leirføtter, rask til å vokse og treg til å krympe.
Så der står man, et offer for økonomisk logikk, teknologisk utvikling og spesiell organisasjonshistorie. Hvis SAS hadde startet på ny hadde selskapet ikke sett ut som i dag. For meg ser det ut som ledelsen ikke klarer å kommunisere dette og de ansatte ikke vil innse det. Og så oppfører man seg som et knippe knappenåler som sammen eier en ballong, og truer med å stikke i stykker hverandres andeler.
Som passasjer er jeg derfor glad SAS er med i Star Alliance – skulle ballongen sprekke, har jeg i alle fall et sted å bruke Eurobonuspoengene mine.
Da har man vært og holdt et innlegg på Registerkonferansen 2021 i Bodø Brønnøysund… eller, vel, jeg kunne ikke være til stede fysisk, så da laget jeg en video. Selve innlegget var bare på 15 minutter og historiene er nokså velkjent – men mottakelsen var bra, er jeg blitt fortalt.
Her forleden deltok jeg i en podcast fra Oslo Business Forum om plattformøkonomi og forretningsmodeller med Jens Hauglum, produktdirektør i Finn.no, og Christian Brosstad fra Atea Norge. Resultatet er tilgjengelig på Spotify og Apple. Det ble en hyggelig liten time med temaer som nettverkseksternaliteter, handelsvertikaler og algoritmeregulering.
— er tittelen på et foredrag jeg skal holde (på engelsk) for EGN internasjonalt torsdag 27. mai klokken 9-10. Foredraget (som blir en uformell samtale mellom meg og administrerende direktør for EGN, Jonatan Persson) kommer til å handle om hvorfor Tesla kan utgjøre en trussel for store deler av bilbransjen – inkludert et lite dykk inn i hva den egentlige forskjellen (etter min mening) mellom Tesla og andre bilfabrikanter er.
Foredraget (og påfølgende diskusjon) er åpent for alle, du finner informasjon her og påmeldingsskjema her.
Peter Scott-Morgan er en engelsk vitenskapsmann, futurist og foredragsholder som i 2017 fikk ALS (eller MND, motor-neuron disease), en sykdom som langsomt stenger nervesystemet slik at man blir stengt inne i sin egen kropp og ikke lenger kan kommunisere.
Men Peter (som, i forbifarten, var min sjef i et par år) valgte å bruke sin tekniske kompetanse (han tok den første doktorgraden på robotikk i England) til å gjøre seg selv til en cyborg – å bruke all mulig teknologi til å fortsette å leve, selv om kroppen hans ubønnhørlig gradvis forsvinner.
Du kan møte Peter i, av alle ting, et intervju med Stephen Fry lørdag 29. mai (ikke 24. april som jeg kom i skade for å skrive). Registrering skjer på denne lenken.
Og jeg skal i alle fall sitte klistret til skjermen – og dessuten sjekke en hel del andre interessante ting som skjer på denne festivalen!
Her forleden hadde jeg en hyggelig samtale med Eirik Norman Hansen – en gang min student, nå er ikke aldersforskjellen så voldsom lenger – om dataanalyse og hvorfor mange bedrifter sliter med det. Noe av det ble en podcast, her er detaljene:
Nok en liten epistel i Digi.no, denne gang om det jeg kaller Facebook-metoden for å håndtere kompleksitet: Start med det enkleste først. Ganske enkelt. Det betyr at man må si nei til de mange som ønsker at deres bidrag til kompleksitet skal komme med, i hvert fall i første omgang.
Og det er ikke så lett.
Ethvert stort, komplisert system som virker, startet som et lite, enkelt system som virket.
John Gall, Systemantics
(En versjon av dette essayet ble publisert på ACM Ubiquity’s blogg i 2015 – og ble det mest leste innlegget der noensinne. Takk til Peter Denning for gode kommentarer på tidligere versjoner.)
Og her er lydfilen (etterhvert tilgjengelig på Spotify):
Tversover 