Kategoriarkiv: Digitalisering

Hva skal høyere utdanning gjøre med AI?

Postet den av
1

Her er en video – og en norsk versjon av teksten, laget ved hjelp av AI, naturligvis – av min tiltredelsesforelesning. Teksten inneholder kun det jeg sier. Det kommer en kronikk og andre ting etterhvert, tenker jeg. Må bare få sparket i gang Claude først…

Ja, hei alle sammen. Jeg er vanligvis ikke nervøs når jeg underviser, men det er jeg nå. Takk til alle som har kommet. Jeg ble faktisk professor for halvannet år siden, men så ble jeg syk, så det hele ble utsatt. Men takk til alle dere som har kommet hit – familie, venner, kolleger, tidligere kolleger, medlemmer av Comunita og medlemmer av mitt tidligere kull her på BI. Vi skal ha fest på fredag, så det gleder jeg meg til.

Det jeg skal snakke om, er dette fenomenet KI – hva det er, og hvordan det påvirker undervisning. Og jeg begynner med å fortelle en historie, som jeg pleier å fortelle i alle kursene mine som en slags avslutningshistorie.

Det beste essayet om innovasjon jeg noen gang har lest, ble skrevet av Elting Morison og publisert i 1950 – jeg tror det ble skrevet noen år før. Det heter «Gunfire at Sea», og det er historien om en kaptein på et skip i den amerikanske marinen som gjorde visse endringer i hvordan de skjøt med kanonene, og forbedret treffsikkerheten fra 8 % til 74 %. Noe jeg tror dere er enige i er ganske bra. Det tok 30 år før marinen tok i bruk innovasjonene hans, og det var mange grunner til det.

I begynnelsen av essayet forteller Morison denne historien om kanonene. Sommeren 1940 hadde Frankrike falt, Storbritannia kjempet i praksis alene mot Tyskland, og faren for at Hitler skulle komme over Kanalen var overhengende. Samtidig hadde ikke Storbritannia våpen, fordi det meste av det tunge materiellet og de tunge våpnene var gått tapt i Frankrike før evakueringen fra Dunkerque. Så de måtte gjøre noe. Og de hadde alle disse gamle kanonene, som så slik ut – de kalles haubitser. Så de dro dem ut av lagrene, hektet dem på lastebiler, kjørte dem ned til kysten og rettet dem mot Den engelske kanal.

Og så sa de: «Vent litt, kanskje vi kan øke skuddtakten ved hjelp av moderne metoder.» Moderne metoder på den tiden var noe som het tids- og bevegelsesstudier. Man bruker film og stoppeklokke og prøver å fjerne unødvendige bevegelser. Så de satte opp en kanon, med åtte mann til å betjene den og en sersjant til å kommandere. De fulgte rutinene, avfyrte kanonen og filmet det. Så satte de seg ned og begynte å analysere filmen.

Og så så forskerne noe veldig rart. Rett før kanonen ble avfyrt – omtrent tre sekunder før – sto to av soldatene i givakt, sånn. Og de sto i givakt til kanonen var avfyrt, og en liten stund etterpå. Med tanke på å avfyre en kanon så raskt som mulig, er det en fantastisk sløsing med mannskap.

Så de tenkte: ok, vi må gjøre noe med det – men vi skal ikke endre noe før vi vet hvorfor det er der. Så de gikk til sersjanten, og han sa: «Tja, det er prosedyren.» De fulgte kommandokjeden oppover, og til slutt kom de til en gammel oberst. Han burde vært pensjonert for lenge siden, men det er jo krig. Han hadde faktisk vært med i boerkrigen og i første verdenskrig, da disse kanonene var i bruk. Så de dro ham inn, plantet ham foran filmfremviseren, viste ham filmen og sa: «Hva er det som skjer her?» Han så på filmen og sa: «Kjør filmen en gang til.» Han så på den igjen og sa: «Nå skjønner jeg det. De holder hestene.»

Men det finnes jo ingen hester! Og dere kan forestille dere: Hva skal vi gjøre med de to soldatene i de sekundene? Vel, det er ingen hester å holde, så de blir bare stående sånn. I stedet for å endre det vi gjør, fortsetter vi bare å gjøre det vi gjør, og tilpasser det litt. Husk den historien. Jeg kommer tilbake til den.

Jeg skal snakke litt om teori – veldig lite teori. Faktisk er det ikke engang teori. Dette er mitt rammeverk. Jeg har laget det, og jeg har ikke publisert det noe sted – kanskje jeg burde. Men det er dette jeg lærer studentene mine, og det går slik: Teknologi endrer forretningsomgivelsene. Faktisk er teknologiske endringer den viktigste drivkraften når virksomheter endrer seg. Og når forretningsomgivelsene endrer seg, må vi endre strategien vår. Og jeg sier til studentene mine og til ledere, og til alle som vil høre: Hadde det ikke vært fint å forstå hvordan teknologien endrer seg, slik at vi kan endre strategien før omgivelsene tvinger oss til det? Det er derfor jeg underviser i teknologi.

Problemet er at vi egentlig ikke vet hvordan teknologi påvirker organisasjoner. Da jeg kom tilbake etter doktorgraden og arbeid i USA i 1996, havnet jeg i en debatt om produktiviteten til informasjonsteknologi. Akkurat som vi nå har forestillingen om KI og produktivitet – vi ser KI overalt, alle snakker om hvor fantastisk det er, men ser vi noen endring i produktivitetstallene? Nei. Vi hadde nøyaktig den samme debatten om PC-er i 96.

Jeg havnet i en diskusjon med en forsker i Norge som hadde skrevet i Aftenposten at det ikke var noe poeng i å kjøpe PC-er, fordi han hadde tatt tiden på hvor fort man skrev på skrivemaskin sammenlignet med på PC, og forskjellen var 10 %, så PC-en var ikke verdt det. Jeg skrev tilbake og sa: «Jeg sitter faktisk på et fly med den bærbare datamaskinen min og skriver dette svaret, og du har helt rett – jeg skriver ikke særlig mye fortere. Men når jeg er ferdig, kan jeg sende dette på e-post til Aftenposten, og de kan ta det rett inn.» Med andre ord: Produktivitetseffekten viser seg andre steder enn der man måler den.

Men Aftenposten hadde noe som het typografer, og de hadde en fagforening, og fagforeningen krevde at alt som kom inn elektronisk, måtte skrives inn på nytt. Så Aftenposten fikk ikke produktivitetsgevinsten før de ble kvitt typografene. Noe som lærer oss at produktiviteten viser seg et annet sted i hele verdikjeden, og at man må endre organisasjonen for å høste gevinstene.

Ok, det var teorien. La oss snakke om teknologien som endrer ting, og den teknologien er kunstig intelligens. Å prøve å definere kunstig intelligens er mer et filosofisk spørsmål enn noe annet. Men jeg pleier å dele det inn i tre – det gjør de fleste. Vi snakker om analytisk KI, generativ KI og agentisk KI. Analytisk KI kalles noen ganger maskinlæring – tenk på det som Excel-avdelingen. Generativ KI er Word-avdelingen, eller bildeavdelingen. Og agentisk KI, der elektroniske agenter gjør ting på dine vegne, er kanskje Teams-avdelingen.

Alle disse er disruptive innovasjoner i seg selv. Det viktigste ved en disruptiv innovasjon er at de etablerte aktørene i en bransje er de som er dårligst i stand til å tilpasse seg den nye teknologien.

Hvis vi ser på analytisk KI, utfordrer den den tradisjonelle vitenskapelige metoden. I den tradisjonelle vitenskapelige metoden vil Popper og andre vitenskapsfilosofer si at man har en teori, og fra teorien utleder man testbare hypoteser. Så samler man inn data og tester modellen, og kanskje validerer man den – men svært ofte gjør vi ikke det. Maskinlæring fungerer derimot slik: Man har noen data. Man tar 20 % av dataene og legger dem her borte. Så tar man de resterende 80 % og ber maskinen finne en modell. Og når den har funnet en modell, retter man den mot dataene den ikke har sett ennå, og tester hvor godt den gjør det. Kan den forutsi om det er kreft i denne føflekken? Kan den forutsi hvor mye denne kunden vil kjøpe? Kan den forutsi hvor mye vi bør betale for en annonse på Google? Valideringen skjer utenfor utvalget.

Og når vi har utviklet en modell, har vi ingen teori. Grunnen til at vi ikke har noen teori, er at modellen, særlig hvis man bruker nevrale nettverk, er så komplisert at det er menneskelig umulig å forklare hvordan den kommer frem til beslutningene sine. Og det er en utfordring, fordi ferdighetene som var gode her – teoridannelse og så videre – ikke er like gode her.

Hva med generativ KI? Det er det folk mener når de snakker om KI – ChatGPT og venner. Det finnes mange måter å tenke på det på, men slik jeg ser det, er det en måte å forutsi neste ord i en setning på, og en måte å konstruere noe på i henhold til det som kalles en belønningsfunksjon. Og belønningsfunksjonen pleier å være det du er fornøyd med. Jeg hadde en potensiell doktorgradsstudent som fortalte meg at hun vurderte å søke seg til BI fordi KI-terapeuten hennes hadde sagt at hun burde. Og KI-terapeuten sier selvsagt det hun vil høre.

Jeg kaller det hypereffektiv middelmådighet, fordi KI bare kan gjøre det som har vært gjort før. Den kan gjøre det svært effektivt, og du kan ha en hel hær av agenter som gjør det for deg, men den kan ikke finne på noe som er genuint nytt. Så i stedet for å prøve å forklare det selv, bestemte jeg meg for å bare spørre: Hva er hypereffektiv middelmådighet? Og den sier at generativ KI skaper hypereffektiv middelmådighet ved å automatisere rutinepregede kontoroppgaver, som å svare på enkle spørsmål, oppsummere tekst og lage standarddokumentasjon av alle slag. Og det er den veldig god til. Hvor fant den det? Vel, jeg skrev en artikkel om det. Og i stedet for å oppsummere den selv, spurte jeg bare Google, og den oppsummerte den for meg. Det er det generativ KI er god for. Den gjør det enkle arbeidet, og lar oss gjøre det virkelig verdifulle, virkelig kreative arbeidet, det som krever skjønn. Men den gjør det veldig bra – og bedre og bedre.

En av tingene den gjør, er å automatisere det enkle arbeidet, og vi begynner nå å se det i produktivitetstallene. Dette kom fra Erik Brynjolfsson ved Stanford forrige uke, tror jeg, som sier at hvis man nå ser på bransjer som er eksponert for KI, ser vi lavere ansettelser i de yngste aldersgruppene. Fordi rutinearbeidet som vanligvis gjøres av yngre folk, i økende grad blir automatisert.

Det utfordrer oss, fordi det utfordrer utdanningsløpet. Utdanning pleide å se slik ut: Vi har det grunnleggende – du går på skole. Så har vi det spesifikke – du tar høyere utdanning. Og når du kommer ut av høyere utdanning, har du verktøyene og den teoretiske kunnskapen, men du har ennå ikke nok ferdigheter til å anvende den. Det må du lære som junior i en bedrift. Jeg vil si at 95 % av studentene mine begynner i konsulentbransjen, og de begynner på det laveste nivået, med svært rutinepreget, hardt arbeid. Og gjennom det lærer de ferdighetene som gjør at de kan få mer ansvar, erfaring og skjønn.

Vel, nå har vi et problem, for nå har vi KI og YouTube. Jeg tror det var for ti år siden jeg hørte en i toppledelsen fortelle at han hadde hørt noen studenter bak seg på T-banen si: «Jeg går ikke på forelesninger. Jeg går bare på YouTube.» Når jeg vil lære noe nytt, for eksempel hvordan en språkmodell fungerer, går jeg på YouTube. Det er det vi konkurrerer mot. Og så har vi KI, der studentene nå kan lage vakre rapporter veldig, veldig raskt.

Så man får det grunnleggende fra skolen – men vi ser i økende grad at elever faller fra skolen. Kona mi, Kristine, er en ekte ekspert på frafall i skolen. Det er veldig sammensatt, men det ser ut til at stadig færre takler det. Det spesifikke, høyere utdanning – vel, stadig mer på nett, og stadig flere studenter får ikke den utdanningen de trenger, fordi de i praksis ber KI om å gjøre det. Og nå får de ikke lenger jobb. Så hvor skal de få de profesjonelle ferdighetene fra? Hvor skal neste generasjons erfaring og skjønn komme fra?

Her er et lite hint om et svar: Jeg tror vi må flytte denne opplæringen inn i det vi gjør. Det er to grunner til det. Den ene er at disse unge menneskene må utdannes til å prestere på et høyere nivå når de kommer ut, fordi bedriftene ikke lenger har råd til den opplæringsperioden. Men også fordi vi trenger noe mer å gjøre, siden vi blir utkonkurrert av YouTube og KI og alt det der. Så vi må gjøre det vi gjør, mer virkelighetsnært.

Og så den siste: agentisk KI, som gjør ting på dine vegne. Hva betyr det? Vi deler gjerne KI inn i det å forsterke det du gjør – hjelpe deg å bli bedre – og det er det de fleste av oss gjør. De fleste her har grått hår; det er det vi gjør. Men man kan også bruke KI til å erstatte mennesker. I stedet for å ansette mennesker ansetter vi digitale medarbeidere som går ut og gjør ting for oss, og stadig flere gjør det. Og dette kan bli situasjonen: «Jeg ber mine folk snakke med dine folk.» Vel, de er her nede – noen av dem er mennesker, noen av dem er digitale.

Dette er forresten en New Yorker-tegning, ikke sant? Nei, det er det ikke. Jeg ba Gemini lage den. Jeg spesifiserte den for Gemini. Signaturen dere ser her nede, er en blanding av tre eller fire tegnere som tegner for The New Yorker. Jeg burde ha satt min egen signatur på den, men det føltes ikke riktig. Den er ganske bra. Jeg spesifiserte vitsen, men den laget tegningen.

Hvordan vet man at noe er en agent? Hvordan vet man at man snakker med et menneske? Jeg har opplevd det nå – folk som ringer meg, og jeg må finne ut: Er de ekte, eller er dette falskt? Det har dere sikkert opplevd også. Det var kvinnen jeg intervjuet, fordi jeg trodde hun var falsk. Det viste seg at hun var ekte – bortsett fra at hun snakket med agenten sin.

Vi kan jo ha noen slags tester. Alle har trykket på denne: Du klikker på den, og den finner ut at du ikke er en robot. Det gjør den ved å analysere måten du beveger musen på, fordi vi ikke kan bevege den like presist som en maskin. Men noen ganger møter man noen … Dette er en venn av meg på Facebook. Hun heter Tina Underhill. Hun bor på en gård i Suldal i Rogaland. Hun jobber i et lite programvareselskap som heter Aadnøy Labs, der hun tar seg av all regnskapsføring og den slags. Hun legger av og til ut bilder – når de har fått nye lam på gården, eller når hun går tur i fjellet. Hun er ikke ekte.

Hun er laget av Alf Aadnøy. Alf er medlem av ledernettverket jeg driver sammen med Haakon Gellein. Han har programmert henne og gitt henne navn – gården hans heter Underbakke, så hun heter Underhill. Hun gjør mye arbeid for ham, tar telefoner og gjør kjedelige ting som det. Og han sier at hvis han skulle laget henne på nytt, ville han ikke ha gjort henne så tiltrekkende, fordi han må avvise mye ikke særlig velkommen oppmerksomhet.

Dette er viktig for mange selskaper. Jeg skal ikke gå inn på det – det er ikke en del av dette – men mye av konkurransefortrinnet på nett har kommet av det vi kaller nettverkseffekter: forbrukerplattformer. Ta Finn, som har 95 % markedsandel, og som blir skikkelig urolige hvis EBIT er under 40 %. Da er det krise i huset. Jeg skulle ønske jeg var så heldig. Nå har de et problem. Vi går til Finn fordi de har 95 % markedsandel: Hvis vi vil selge noe, er det der kjøperne er, og hvis vi vil kjøpe noe, er det der selgerne er. Og vi bryr oss ikke med de mindre plattformene. Men hvis jeg har en agent som går ut og besøker dem for meg, kan jeg gå til Finn, jeg kan gå til Golsfjellet kjøp og salg, jeg kan gå til Facebook Marketplace – jeg kan gå hvor som helst, fordi agenten har uendelig med tid og bare kan gå ut og lete. Og det uthuler noe vi trodde var ganske permanent i internettets konkurranseverden: nettverkseksternaliteter.

Så det var den delen: virkningen på høyere utdanning.

Det er på en måte tittelen på hele dette foredraget: knapphet i undervisningen. Hva betyr det? Vel, man kan ikke tjene penger – penger utover normal avkastning – på å selge noe som finnes i overflod. Man må selge noe som er knapt. Og KI kan ikke kreativitet og skjønn. Den kan ikke finne på ting som er virkelig nye – ennå. Den kan det, gjennom en prosess med selvkomplisering, men det er vanskelig for den å komme opp med nye ting, og det er svært vanskelig for den å utøve skjønn. Så det må vi undervise i. Det er en knapp ferdighet vi må lære bort. Hvordan gjør vi det? Det er ikke lett.

Slik jeg ser det, er det ikke lett fordi det krever noen ting. Det krever ikke bare at vi underviser studentene, men at vi utfordrer dem i et miljø som simulerer det de kommer til å møte når de er ferdige. Det krever uforutsigbarhet. Det krever at vi ikke forteller dem hva de skal lære, vi forteller dem ikke hvordan eksamen blir, og vi forteller dem ikke hvordan de fikk karakteren sin. Jan Ketil Arnulf har skrevet en artikkel med tittelen «Uten uforutsigbarhet dør høyere utdanning». Så vi må være uforutsigbare. Og det krever at vi gjør klasserommet til et sted der både studentene og læreren vil være – som jeg også har stjålet fra Jan Ketil.

Så hvordan gjør vi det? Vel, jeg kan bare snakke om hva jeg gjør, for det er min erfaring. Men jeg har hatt engasjerte studenter. Jeg har studenter som møter opp. Jeg har studenter som tar kursene mine. Jeg har ikke frafall i oppmøtet. Ganske mange av kollegene mine gjør dette også, men de har andre teknikker. Jeg kan bare snakke om hva jeg gjør.

Og jeg prioriterer å ha det moro. Det betyr ikke at studentene har det moro i klasserommet – de er faktisk ganske nervøse. Men jeg har det moro. Det er et par ting vi må tenke nytt om. Studentene er produktet, ikke kundene. Studenter kommer til meg og sier: Jeg vil gjerne gjøre dette alene, jeg vil gjerne gjøre det. Jeg hadde en student som kom til meg og sa: «Jeg må gå tidlig hver mandag. Vil det gå ut over deltakelseskarakteren min?» Jeg sa: «Ja.» Og han sa: «Men jeg må på jobb. Jeg er profesjonell fotballspiller.» Jeg sa: «Nei, du misforstår. Hver mandag kommer du til å være 45 minutter for sent til trening.» Og han sa: «Kan du snakke med treneren min?» Og jeg sa: «Nei, jeg er ikke faren din. Det får du gjøre selv.» Han møtte faktisk opp, og han ble læringsassistenten min året etter. Studenter responderer på utfordringer, og vi må utfordre dem.

Det andre vi må tenke på, er at BI er et treningssenter, ikke et solstudio. Den har jeg stjålet fra Øyvind Revang, som underviste her før. Studentene tror at vi skal komme inn og sette oss ned og sitte sånn, og så får vi en fin brunfarge og et vitnemål som viser at vi er brune, og så kan vi gå. Det er ikke slik det fungerer. BI er et sted der man kan trene og øve og bli bedre, og det kommer til å gjøre vondt og kreve noe.

Jeg har lenge hatt lyst til å skrive en artikkel med tittelen «Hva kan høyere utdanning lære av Kompani Lauritzen?» For dere som ikke er norske: Dette er et TV-program der de tar inn sivile. Det er et realityprogram der de sendes gjennom en rekruttskole, og de møter en fyr – jeg har glemt navnet hans, men han er kjent i Norge som Fenriken. Med stor F. Han kommer inn og forteller deltakerne hva de skal gjøre, hvordan de skal gjøre det, hva grensene er, og hva som regnes som akseptabel og uakseptabel oppførsel og prestasjon. Han gjør det på en støttende, men bestemt måte, og han sier fantastiske ting. Favoritten min er denne: Folk klager: «Men jeg vasket jo rommet mitt,» og han sier: «Vi er ikke ute etter aktiviteten vasking. Vi er ute etter resultatet: rent.» Jeg tror vi kan lære mye av Kompani Lauritzen.

Jeg kjenner en fyr som har denne holdningen – kollegaen min Hanno Roberts. Han blir ofte kåret til beste professor i våre kinesiske programmer og andre steder. Når han kommer inn, har han på seg en T-skjorte, og på T-skjorten står det «No pain, no gain». Det er den riktige holdningen, og det er det vi må gjøre, tror jeg – eller i hvert fall har det fungert for meg.

Så hvordan gjør vi det? Vel, man må i bunn og grunn tvinge studentene. Man må tvinge dem til å delta. Man må tvinge dem til å forberede seg. Jeg har noe som heter forberedt tilstedeværelse. I kursene mine må man være til stede på 70 % av undervisningen for å kvalifisere, men det er forberedt tilstedeværelse. Så jeg kan si: «Birgitte, kan du introdusere denne casen for oss?» – hun er sjefen min, forresten – og hvis hun sier: «Jeg har ikke lest casen i dag,» sier jeg: «Ok, du var ikke her i dag. Du er registrert som ikke til stede.» For man må tvinge folk til å forberede seg, og de jobber instrumentelt.

Man må tvinge dem til å jobbe i grupper. Det kommer studenter som sier: «Men jeg vil gjøre dette prosjektet alene.» Og jeg sier: «Nei, det er ikke et alternativ. Det står i kursbeskrivelsen.» Og vi tvinger studentene til å løse ekte problemer. Hvert år, når Chandler og jeg har maskinlæringskurset vårt, har vi studenter som sier: «Men jeg vil jobbe med et datasett som allerede er tilgjengelig.» Og vi sier at du må jobbe med et ekte datasett, fordi ekte datasett ikke er rene eller veldefinerte, eller engang tilgjengelige. Halvparten av jobben for en dataforsker er faktisk å få dataene i en form der man kan analysere dem. Man må tvinge dem til å ta på den skitne virkeligheten, og det finnes ingen unntak.

Her er en teknikk jeg lærte av Ragnvald Sannes – jeg kommer tilbake til ham senere. Når studentene velger semesteroppgave, gjør vi det slik: Hver student lager en håndskrevet plakat der de presenterer hva de vil skrive om: hvilken bedrift, hvilket problem de vil løse, og så videre. Alle presenterer; det tar et minutt eller to hver, avhengig av hvor mange studenter vi har. Så snart du er ferdig med å presentere, limer vi arket opp på veggen, så vi får alle disse plakatene langs veggen. Når alle er ferdige, går alle opp og stiller seg foran plakaten sin. Jeg ber folk legge merke til hvor alle står, og så erklærer jeg markedet for åpnet. Og du må finne en gruppe, og du må gjøre det der og da. Det er engasjement. Når jeg gjør det, ser klasserommet slik ut to minutter senere. Og det er det man vil se: studenter som engasjerer seg aktivt og finner problemer. Og man må tvinge dem til å gjøre det.

En annen ting jeg gjør er at jeg ikke legger så stor vekt på teori, fordi teori kan man finne i andre kurs, og man kan også finne den på nett eller andre steder. Det er ganske vanlig å ha en gjesteforelesning eller to. Jeg har mange flere. Dette semesteret har jeg fire kurs, og dette er gjesteforelesningene som er booket så langt. Jeg går ut og rekrutterer alle disse næringslivsfolkene og får dem til å komme, og jeg ber dem ikke om å undervise. Jeg ber dem snakke om det de gjør. Så jeg spurte Geir Karlsen: Hvordan er det å lede Norwegian, og hvordan klarte du å snu selskapet? Eller jeg spurte Torstein Berg hvordan han har klart å starte og finansiere tre–fire svært vellykkede selskaper. Eller jeg snakket med Andreas Solbakken om hans serieentreprenørskap helt siden han var 16 år. Og disse folkene kommer tilbake, fordi de blir bedt om ikke å være lærere, men om å være næringslivsfolk. Hele poenget er å gi en opplevelse i klasserommet som man ikke kan få på nett eller gjennom KI.

Og så samarbeider jeg, og jeg eksperimenterer med mestere. Jeg underviser aldri alene. Det er dyrt, igjen, så dette må dere finansiere. Men kursene blir mye bedre når man er to. Hvis du noen gang har hørt på en podkast, vet du at det er to personer, fordi de snakker med hverandre og det blir en samtale. Og jeg finner mestere jeg kan samarbeide med.

Så jeg har en mester i interaksjon: den beste case-læreren jeg noen gang har møtt. Han heter Bill Schiano. Han er ikke her; han er ved Bentley University. I 1996 satte vi sammen et kurs der vi hadde videoundervisning over Atlanteren og lot studentene danne grupper over Atlanteren for å løse forretningsproblemer. Det fikk oss inn i Aftenposten, og etter hvert skrev vi en bok sammen som heter Teaching with Cases, med alle slags tips og triks for å skape dette engasjementet.

Så har jeg en mester i relevans – en som virkelig kan næringslivet og kan bidra med relevans. Hun heter Berit Svendsen. Da Berit sa opp jobben som administrerende direktør i Telenor Norge, hørte jeg det på radioen, og jeg stoppet bilen og ringte Inge Jan Henjesand, den tidligere presidenten, og sa: «Ansett henne.» Og det er den eneste gangen han har hørt på meg. Vi har et kurs sammen som heter Det verdiskapende styret, og jeg bruker skamløst Berit for hennes relevans og hennes forbindelser i næringslivet. Den første forelesningen vi hadde, sa hun: «Jeg må gå tidlig, for det er noe som skjer.» Vi underviste i styrearbeid – og dagen etter stod det i avisen at hun var blitt kåret til Årets styreleder.

Jeg har en mester i forklaring. Han heter Chandler Johnson. Jeg visste ingenting om maskinlæring – eller jeg visste litt; jeg kunne statistikk – men jeg ville lære. Og den beste måten å lære noe på, er å ha et kurs i det. Så jeg satte opp et kurs i analyse, som ga Chandler tilgang til næringslivsfolk og meg tilgang til Chandler. Nå har vi holdt det ti ganger, og nå kan jeg undervise i maskinlæring. Slik gjør man det.

Jeg har en mester i diplomati. Han heter Stein Gjessing. I sju år ville jeg lage et kurs som blandet ekte teknologi – informatikk fra Institutt for informatikk ved Universitetet i Oslo – med forretningsdelen levert av BI: Norges største universitet og den største handelshøyskolen, to stopp fra hverandre på T-banen. Hvor vanskelig kan det være? Det viste seg å være veldig vanskelig. Men Stein loset dette gjennom et svært skeptisk fakultet ved Universitetet i Oslo. Jeg var ikke like vellykket med å lose det gjennom en svært skeptisk organisasjon her lokalt. Så vi måtte gjøre det på universitetet, og vi kalte det Digital økonomi og ledelse – først bachelor, så master – og det ble Norges mest populære studieprogram: 3000 søkere til 27 plasser. Jeg fikk telefoner fra foreldre som sa: «Kan du få datteren min inn?» Det er fortsatt det mest populære programmet ved instituttet, og vi kom på forsiden av Dagens Næringsliv.

Og sist, men ikke minst, har jeg en mester i innovasjon, og han heter Ragnvald Sannes – en mester i innovasjon i undervisning. Vi har gjort mye sammen. Han er ekspert på prosessen med å bygge opp et kurs, og hele denne prosessen jeg bruker, der studentene velger et prosjekt tidlig og vi loser dem gjennom hele kurset, har jeg lært av ham – inkludert dette trikset med alle plakatene. Hvis dere vil se et virkelig fint klasserom, så gå og se på Ragnvald Sannes-auditoriet, som ligger like her borte. Det har ikke fått det skiltet på veggen ennå, men det kommer.

Vi har laget mange kurs. Det som har vært morsomst, er kurset vi holdt i 20 år, som het Strategisk forretningsutvikling og innovasjon. Det gjorde vi sammen med Accenture i Sophia Antipolis, en teknologipark i Sør-Frankrike. Bivirkningen var selvsagt at vi hver oktober måtte til Antibes i en uke eller to – og Egil betalte for det, eller forgjengerne hans – og vi dro med konene våre og med Ellen Heggelund, som er en mester i kursadministrasjon. Det gjorde vi i 20 år. Det var en pine, men noen måtte jo gjøre det …

Hva bør høyere utdanning og BI gjøre? Vel, her er en liten liste å tenke på. Saken er den: BI gjør allerede mye. Jeg er ikke like bekymret for BI som jeg er for andre høyere utdanningsinstitusjoner. Og grunnen er veldig enkel: Vi har ikke to milliarder kroner i grunnfinansiering. Vi må – og vi gjør ganske mye.

Vi har et ord som heter employability – arbeidsrelevans – som Egil har satt på dagsordenen. Det betyr at vi må bry oss mye om at studentene våre får jobb, fordi det er kontrakten vår. Hvis du ikke vet hva du skal gjøre, gå på BI – du kommer til å få jobb. Det er vår uskrevne kontrakt. Så employability står nå på dagsordenen. Hva det er, vet jeg ikke, men det står på dagsordenen.

For det andre har vi noe som heter Doing Sustainable Business. Jeg skulle være med på det, men så ble jeg syk, og det gjør meg virkelig lei meg, for det er et fantastisk kurs. Det er avslutningskurset på bachelorprogrammet. Det har tre og et halvt tusen studenter som jobber med caser i grupper på tvers av studieretninger. Og saken er den: Jeg var på Harvard Business School for omtrent tre år siden og diskuterte case-undervisning med dem, og de snakket om dette programmet og sa at ingen gjør noe slikt. Vi er den eneste skolen i verden som gjør det. 70 faglige ansatte er involvert. Dette er flott. Det er dyrt, Egil, så du må fortsette å finansiere det, fordi det er viktig.

Vi har dette bygget. Dette bygget har klasserom der studentene kan se hverandre. Dette bygget er vakkert. Dette bygget er interaktivt. Dette bygget er rent. Når jeg drar til visse andre institusjoner, må jeg ta med mine egne tusjer, fordi det ikke finnes tusjer i klasserommet. Her testes tusjene hver morgen for å sikre at de virker. Vi har infrastrukturen. Folk drar til andre institusjoner i Oslo, ser seg rundt på brutalistiske betongbygg, og så kommer de hit og tenker: «Hmm – de neste fem årene av livet mitt.» Dette bygget er, om ikke det viktigste, så i hvert fall det mest synlige konkurransefortrinnet vi har. Jeg har prøvd å drive case-undervisning i klasserom der studentene bare kan se rett frem. Det er ikke lett. Vi har U-formede klasserom. Vi har teknologien, vi har infrastrukturen, og vi forstår hvor alvorlig problemet er. Og det er viktig.

Men vi må endre ting, og her er det jeg mener vi må endre. Vi må endre rekruttering og belønning. Vi må belønne undervisning, undervisningsinnovasjon og undervisningsutvikling like mye som vi belønner forskning. Hvorfor heter det «undervisningsplikt»? Bli kvitt det ordet. Det er noe man gjør – det er det viktigste vi gjør.

Vi må endre innovasjonsprosessen fra stage-gate til eksperimentell. Når jeg underviser i innovasjon – eller rettere sagt, når Ragnvald underviser i innovasjon – snakker vi om gamle prosesser, der man kommer opp med en idé, presenterer den for en komité, og de bestemmer ja eller nei; og mer moderne prosesser, der man utvikler en prototyp og tester den i markedet. Og det er litt rart for meg at vi bruker den gamle modellen og ikke den nye. For nesten all innovasjon på BI har skjedd fordi noen bare gjorde det. En av grunnene til at vi rangeres så høyt, er at vi har et kinesisk program, og det kinesiske programmet ble laget av et par faglige ansatte som bare dro dit og gjorde det. Det var ingen formell beslutningsprosess. Så vi må kunne eksperimentere.

Vi må motarbeide regulering som legger lenker på innovasjon. Et av problemene vi har med KI, er at vi må endre måten vi vurderer på. Hvis du drar til Harvard, MIT, IMD, INSEAD, Darden eller London Business School, blir du vurdert ut fra hva du sier i klasserommet. I Norge har vi ikke lov til å gjøre det. De beste universitetene i verden gjør det. Det må vi gjøre noe med. Vi må slutte med denne forestillingen om at karaktersetting er en kontrollerbar og målbar prosess. Det er skjønn.

Og vi må tolerere innovasjon selv om vi ikke liker den – selv om vi ikke liker personen. Husker dere den artikkelen om kanonene? En av grunnene til at det tok 30 år, var at fyren som forbedret skytingen fra 7 % til 80 %, eller noe sånt, var en arrogant drittsekk. Ingen likte ham. En annen grunn var at han lot skytteren selv bestemme når han skulle fyre av, i stedet for at en offiser ropte «fyr». Man måtte kompensere for at skipet rullet, og skytteren kunne faktisk gjøre det – noe som betydde at beslutningsretten ble flyttet fra dem som tradisjonelt hadde den. Det kan vi ikke gjøre. Vi må teste i markedet og så gjøre det som virker.

Så det vi egentlig må gjøre – og jeg har brukt dette uttrykket mange ganger, men jeg mener det er veldig, veldig viktig – er å beskytte fremtiden mot fortiden.

Ellers ender vi opp med å holde hester.

Tusen takk.

Vibe koding og den grunnleggende forståelsen

Postet den av
Svar

Er det noen vits i å skjønne kode når vi bare kan fortelle en robot hva vi vil ha?

Proto-digitalisering

På det glade åttitallet jobbet jeg i IT-avdelingen på BI. Der gjennomførte jeg, nærmest på egenhånd, en digitaliseringsprosess. Uten at jeg var klar over at det var det jeg gjorde.

Det gjaldt karakterer, som det gjerne gjør i en akademisk sammenheng. BI hadde gått fra omtrent 3000 studenter i 1985 til 20000 i 1988, og dermed ble publisering av karakterene en nokså omfattende affære. For heltidsstudentene gjorde vi det ved å skrive ut en mange meter lang karakterliste, på pysjamaspapir med en kjedeskriver, og tapetsere en av gangene på bygget med dem. Listen var gruppert etter kurs og sortert etter studentnummer, og ca 25000 linjer lang. Studentene fant kurset sitt og lette seg møysommelig nedover til de fant studentnummeret sitt, og deretter karakteren, med påfølgende jubel eller skuffelse, alt ettersom. For de studentene som bodde annensteds i landet, hadde vi endel studentassistenter som satt med en tykk papirbunke og svarte i telefonen.

Nuvel. Jeg tenkte at dette kunne gjøres på en smartere måte, så jeg satte meg ned og skrev et lite program (i programmeringsspråket REXX, av alle ting). Programmet spurte etter studentnummeret, lette gjennom karakterlisten og skrev ut de relevante karakterene på skjermen. I tillegg viste programmet strykprosent og gjennomsnittskarakter for hvert kurs. Alle dataene lå på en stormaskin, så jeg fikk tak i noen gamle terminaler og satte dem opp. (BI hadde fått en masse terminaler gratis og hadde dem på lager.) Studentene kunne da gå opp til en av fem terminaler, skrive inn sitt syvsifrede studentnummer, trykke «Enter», og få karakterene opp på skjermen. Studentassistentene ved telefonen fikk sin egen terminal.

Prosjektet var en suksess: Det kostet nesten ingenting, vi slapp å skrive ut masse papir og henge det opp, studentassistentene fikk en lettere jobb, telefonsamtalene ble kortere og dermed billigere, og så videre. Det var også populært, både hos brukerne og i organisasjonen. Riktignok klaget noen studenter over et emosjonelt ubehag ved å få alle karakterene sine rett opp i fleisen uten forvarsel (i stedet for den noe mer skånsomme prosessen ved å finne dem en og en), men slik er det med enhver endring, man kan ikke gjøre alle til lags.

(En liten parentes til dagens studenter: Husk at dette skjedde på et tid da internett og PC var forbeholdt eksperter og entusiaster; mobiltelefoner kostet det samme som en bruktbil, veide flere kilo og kunne bare snakkes i; og all skriftlig korrespondanse skjedde på papir. Det er faktisk ikke så lenge siden.)

Kode og kodeforståelse

Programmet jeg hadde skrevet, var nokså enkelt: Spør etter studentnummer, finn alle linjer med dette nummeret i, og skriv dem på skjermen. Problemet var at selve tekstfilen var for stor for vår IBM 4381 VM/CMS stormaskin. Hvis programmet skulle søke gjennom alle de 25000 linjene, ville det ta så lang tid og bruke så mye datakraft at det ikke var aktuelt. Jeg måtte derfor gjøre en hel del tekniske finurligheter slik at bare en relativt liten del av filen ble lastet inn i arbeidsminnet. I korthet besto dette i å finne ut antall linjer i filen, høyeste og laveste studentnummer, og så klippe opp filen i passende biter som så kunne lastes inn basert på studentnummeret.

For å få til dette måtte jeg definere noen variable, bruke nokså komplisert kode med flytting inn og ut av arbeidsminne, og dele programmet opp i en startprosedyre og en loop som spurte etter studentnummeret. Programmet ble et par A4-sider langt, men det fungerte og klarte en responstid (for en standard virtuell maskin) på under et sekund. Jeg hadde skrevet kommentarer og dokumentert så godt jeg kunne, gjorde noen endringer året etter, men så ble programmet til noe som bare tikket og gikk, og jeg brukte ikke mer tid på det.

I 1990 flyttet jeg til USA for å ta en doktorgrad. Sommeren etter var jeg tilbake på BI for å besøke mine gamle venner i IT-avdelingen. En av dem ba meg om å gjøre en endring i karakterprogrammet. Jeg satte meg ned, og fant at jeg hadde glemt hvordan programmet fungerte, selv om jeg hadde skrevet den selv og sett på den for litt over et år siden. Ingen andre hadde sett på det heller – programmet hadde fungert, og nå var hele karakterpubliseringsprosessen basert på et lite program som ingen skjønte.

Det tok meg et par timer, så hadde jeg forstått det, og skrev om programmet til noe mer strukturert og svært mye mer dokumentert, og sørget for at et par av mine kolleger hadde kontroll. Men episoden lærte meg noe om hvor avhengige vi er av små, kvikke rutiner som er nokså lette å lage for en person og nokså vanskelige å vedlikeholde for flere.

Trenger vi å egentlig forstå hvordan ting fungerer?

Det lille karakterprogrammet mitt skulle gjøre en enkel funksjon, og kompleksiteten var et resultat av at teknologien på dette tidspunktet var svak, og at jeg dermed måtte gjøre endel nokså teknisk programmering for ikke å overbelaste maskinen. Å finne riktige linjer i en fil på 25 000 linjer er i dag noe som kan gjøres med en enkel kommando eller ferdig rutine. I dag ville programmet antakelig vært 4-5 linjer langt, og superenkelt å forstå.

Eller?

Hadde jeg programmert dette i dag, ville jeg antakelig ha brukt Claude Code eller en annen AI-funksjon, og ganske enkelt fortalt hva jeg ville ha. Gitt at ting nå er tilknyttet Internett (og tilgangen dermed ikke lenger begrenset til fem fysiske terminaler i et rom) ville jeg måttet legge på en masse funksjonalitet for å ha sikker innlogging, hindre at roboter suget ut hele karakterfilen, universell tilrettelegging, hjelpetekster, og så videre. Det resulterende programmet ville fungert – men jeg ville, om jeg i det hele tatt hadde kunnet se på det, ikke forstått hvordan jeg manuelt skulle fikse det hvis noe spesifikt skulle endres.

Dette kan være et problem for en enkeltperson, særlig hvis man rett og slett ikke får til å fortelle AI’en hva det er man vil ha. Men hvis programmet skal inngå i et større hele og danne grunnlag for andre programemr, blir det vanskelig.

Ett byggverk basert på tillit og frivillighet

«Don’t want money. Got money. Want recognition.»
— signaturlinje, midten av 80-tallet

All moderne programvare er bygget opp som et sett av byggestener. Når du snakker, skriver eller klikker til en datamaskin, snur programvaren seg og forteller annen programvare hva den skal gjøre – og så videre. Selve utførelsen blir distribuert ut til en masse små programmer som er svært spesialisert – du kan tenke på det som et byråkrati der du snakker til en kundebehandler, og hovedutfordringen ligger i å finne akkurat den personen eller enheten som har ansvaret for å gjøre den jobben.

Dette er små og store, hardt arbeidende programmer som gjør alt fra enkle ting (som å rydde opp fragmenter av gammel moro fra arbeidsminne eller lagringsmedium) til svært kompliserte verktøy for dokumentoppbygging (som Don Knuth‘s legendariske TeX, for eksempel). Mange av programmene er skrevet for svært mange år siden – men hvis de virker, er det jo liten grunn til å endre dem, unntatt hvis verden rundt endrer seg. De er gjort gratis tilgjengelige, fordi det rett og slett ikke finnes noen god måte å selge dem på – og kildekoden ligger åpent tilgjengelig for alle. Det betyr at alle kan endre den, men også at alle kan verifisere den.

Valutaen i dette systemet er ikke penger, men ære og berømmelse – innenfor en liten, men viktig krets – og veien til medlemsskap går gjennom hardt og helst briljant arbeid. Prosessen er ikke ulik den akademiske publiseringsprosessen, med fagfellevurdering og revisjoner. Men nå han altså hvem som helst bygge et program ved å be om det. Endel av de som gjør dette, ønsker å markere seg som programmerere inn i den åpne kildekodeverdenen – og dermed får de som skal vedlikeholde disse programmene et kjempeproblem med massevis av forslag til endringer generert av AI, som er lett å skrive men vanskelig å teste og kontrollere. Ikke ulikt offentlig forvaltning, som nå får massevis av klager, søknader og henvendelser som er AI-generert og i stand til å skrive like feilfritt og byråkratisk norsk (eller nynorsk, for den saks skyld) som de selv er.

Og dermed kan faktisk den tekniske infrastrukturen vi alle bruker og baserer oss på, over tid bli nokså morken og upålitelig.

En utvikling basert på gjenbruk og optimalisering

Bilde: Fra Singh (2019)

En ting er at den menneskelige kontrollmekanismen overveldes (Baltes et al, 2026) – man kan jo argumentere for at vi kanskje skal slutte med alle disse smårutinene og heller bare be AI’en generere store programmer hver gang vi trenger dem. Datamaskiner er jo så kraftige likevel, så det spiller vel liten rolle hvordan dette gjøres på innsiden så resultatet er det vi vil ha? Vi stoler jo på maskinlæringsmodeller basert på nevrale nettverk, der ingen kan forklare presist hva som skjer med hver enkelt beslutning – men som valideres ved å teste på data modellen ikke tidligere har sett. Kunne vi ikke gjort det samme med andre programmer?

Vel, gjør vi det, pirker vi borti kanskje den viktigste grunnen til at hele IT-teknologien har utviklet seg så fort som den har gjort: Gjenbruk av programkomponenter, opprinnelig del av et større (og norskutviklet) konsept kalt objektorientering. La meg ta et tradisjonelt eksempel: Sortering. Det finnes mange ulike måter å sortere en liste på, så det er ikke noe man som programmerer skriver selv. I stedet bruker man en liten kommando som kaller opp et allerede skrevet program. Sett nå at jeg skulle komme på en måte å sortere på som er raskere enn noe annet. Da ville jeg skrevet den som et program – eller foreslått en endring i et allerede eksisterende, mye brukt program – som så ville blitt implementert. Dermed vil alle programmer som bruker sortering bli raskere – ikke bare de programmene som blir skrevet etter at den nye sorteringsmåten er kjent, men alle programmer som sorterer ved hjelp av det allerede eksisterende programmet.

I fysisk produksjon kan komponenter ikke kan oppdateres eller byttes uten bruk av tid og penger. I kunnskapsproduksjon kan bytte av teori kan ta lang tid (Kuhn, 1962). Men innen software vil en liten forbedring i en underliggende (og mye brukt) komponent kunne bli en stor og viktig forbedring for et større system så og si øyeblikkelig. Dette ble klart for meg på tidlig nittitall, da jeg skrev om et av de første objektorienterte forretningssystemene: Da systemet var helt nytt, tok det flere minutter å skrive ut en faktura, i et firma med to millioner kunder. Den tiden gikk ned til noen få sekunder etter at man hadde optimalisert de mest brukte underliggende komponentene (Andersen & Konsynski, 1992; Davis & Morgan, 1993).

Og der har du forskjellen på digital og fysisk ytelsesforbedring – en forskjell som gjør at så fort noe blir digitalt, tar det av i forhold til alle andre teknologier. Den hastigheten har du ikke i generativ AI – i hvert fall ikke i resultatene – inntil språkmodellen lærer å reflektere over sitt eget handlemønster, dekomponere det og deretter optimalisere de mest brukte objektene.

Og det er ikke noe man kommer til å få til med Vibe coding med det første i alle fall…

Referanser:

Andersen, Espen, and Benn R. Konsynski. 1992. “Brooklyn Union Gas: OOPS on Big Iron.” HBS Case 192-144
Baltes, Sebastian, Marc Cheong, and Christoph Treude. 2026. “‘An Endless Stream of AI Slop’: How Developers Discuss the Burden of AI-Assisted Software Development.”
Davis, John, and Tom Morgan. 1993. “Object-Oriented Development at Brooklyn Union Gas.” IEEE Software (January):67–74.
Kuhn, Thomas S. 1962. The Structure of Scientific Revolutions. Chicago, IL: The University of Chicago Press.
Learner, Sam. 2026. “Who Cleans up after the Vibe-Coding Party?” Financial Times, July 11.
Singh, Tarry. (2019) “Software Ate The World, Now AI Is Eating Software.” Forbes (Cognitive World), Retrieved August 19, 2026.

Hva om vi alle får rådgivere som Donald Trump?

Postet den av
1

For noen måneder siden hadde jeg en videokonferanse med et ungt menneske som lurte på om hun skulle søke doktorgradsstudium på BI. Vedkommende var atypisk i mange dimensjoner fra de fleste doktorgradsstudenter jeg har møtt, men hadde tatt en mastergrad, likte jobben med masteroppgaven, og lurte på om det å fordype seg ytterligere kunne være det neste. I tillegg – og her er poenget – hadde hun blitt anbefalt å vurdere en doktorgrad av sin AI-baserte coach.

Vi diskuterte litt frem og tilbake, og jeg anbefalte henne å søke. Om hun gjorde det, vet jeg ikke. Men jeg ble sittende og tenke etterpå.

ELIZA-samtale (fra Wikimedia)

Det å ha en coach, terapeut, rådgiver eller for den saks skyld venn å snakke med, er jo i seg selv ikke noe negativt. Ei heller er det negativt at denne coach’en er digital – den er i alle fall billig (foreløpig) og tilgjengelig til alle døgnets tider. Gitt at den er «promptet» skikkelig (rolle, situasjon, målsetting) vil vel også svarene være noe i retning av hva en menneskelig coach. Og digitale samtalepartnere har jo lange tradisjoner, som Joseph Weizenbaums Eliza viste – i 1966!

Men hva slags motivasjon har en slik coach – eller, for å si det på AI-språket: Hva er dens belønningssystem (reward function), og hvordan påvirker målsettingen hvilke svar den gir?

Svaret er at de i hovedsak er designet til å være hyggelige mot oss.

Belønninger former resultater

Store språkmodeller svelger enorme tekstmengder og trener seg opp å forutsi neste ord i en rekkefølge, ved en rekke matematiske prosesser, hovedsaklig matriseregning (glimrende forklart i denne videoserien.) Etter denne treningen gjennomgår modellen en finpussfase kalt Reinforcement Learning from Human Feedback (RLHF). Mennesker rangerer modellens svar, og modellen justeres mot å produsere svar med høy rangering. Et av problemene med denne prosessen er at vi mennesker liker å få rett: Vi liker svar som bekrefter våre antagelser, som er formulert med selvtillit og en viss autoritet, og som ikke utfordrer oss for mye. Dermed lærer ikke nødvendigvis modellene å bli sannferdige eller kloke. De lærer å være behagelige.

Dette blir et utbredt problem etterhvert. Sharma et al (2023) fant at ulike modeller hadde en tendens til å være smigrende. (Det engelske utrykket er sycophancy, norsk sykofant, en person som smigrer – og et ord jeg synes burde brukes mer). Modellene endrer korrekte svar når brukeren uttrykker tvil, gir etter for press selv om de har rett, og tilpasser meninger til hva brukerne signaliserer at de ville høre.

Av og til kan smigeren bli for åpenbar: I april 2025 slapp OpenAI en oppdatering av GPT-4o som hyllet trivielle innfall som geniale, bekreftet tvilsomme forretningsidéer som strålende, og strøk brukerne såpass mye med hårene at det ble pinlig. OpenAI rullet tilbake oppdateringen og publiserte en forklaring der de innrømmet at de hadde lagt for mye vekt på kortsiktige tilbakemeldinger fra brukerne i treningsprosessen.

Problemet er at det er ikke så lett å måle om et svar er godt, i hvert fall ikke en måte som er skalerbar, rask og billig. Reinforcement learning – å la maskinen prøve seg om og om igjen til ting blir riktig – fungerer så lenge det finnes et klart formulert mål, enten dette er å spille Breakout eller diagnostisere kreft. Det å ikke ha data – spesifikt, data med korrekte svar å trene mot – er den vanligste grunnen til at analyseprosjekter mer eller mindre mislykkes, noe jeg har sett mange ganger i kursene mine.

Problemstillingen kalles «AI alignment» og er ikke enkel. Anthropic har forsøkt seg med noe de kaller «constitutional AI«, som i hovedsak går ut på å la modellen måle sine svar opp mot anerkjente verdier – som FNs menneskerettighetserklæring. Dette er også en teknikk som blir anbefalt av produsentene av modellen selv: Bruk modellen til å være kritisk til hva den selv sier.

Digital Trumpisme

Donald Trump omgir seg med rådgivere som snakker ham etter munnen. Han har klart målbare målsettinger – kortsiktig popularitet og kortsiktig økonomisk gevinst – og ingen som helst sperre på hvor sterkt og åpent de uttrykkes. Siden han kan velge sine medarbeidere, foretrekker han de som skryter av ham heller enn å gi ham motstand, og dermed ender man opp med noksagter som Pam Bondi, fanatikere som Pete Hegseth eller værhaner som JD Vance.

Den katolske kirken hadde tidligere noe som heter «djevelens advokat» – en person som har som oppgave å argumentere kraftig og nesten vitenskapelig mot at en person skal erklæres for helgen. Christopher Hitchens var ganske imponert over de katolske geistlige som besøkte ham da Mor Theresa skulle kanonseres. De lyttet nøye til hans motforestillinger både mot hennes gjerning og de miraklene som skulle gi henne helgenstatus – men trass i gode begrunnelsen ble hun altså helgen. Med andre ord, det hjelper lite å ha institusjonelle motforestillinger, digitale eller ikke, hvis de ikke blir lyttet til.

Og dit kommer vi kanskje. Jeg har hatt en hel del studenter som har kommet til meg med AI-resultater og presentert dem som sine egne. Men jeg har ennå ikke hatt noen som har insistert på at det AI har produsert er sant, og lurer litt på når det skjer og hva jeg skal si da (uten å eksplodere). Den første generasjonen studenter som har hatt tilgang til språkmodeller uteksamineres i disse dager, og de liker ikke AI, delvis fordi de er usikre på om de faktisk kan noe, delvis fordi arbeidsmarkedet for nyutdannede er dårligere enn det har vært på lenge, noe som tilskrives AI.

Men det spørs jo om ikke det behagelige etter hvert blir det sanne og eneste. Slik det har blitt for Trump.

(Og ja, jeg startet dette innlegget med Claude, men endte opp med å skrive neste hele greia selv, siden jeg skriver forblommet nok som det er, uten hjelp fra en entusiastisk språkmodell.)

AI som informasjonsdisrupsjon?

Postet den av
Svar

Hvis du lever av å levere kvalitetsinformasjon til betalingsvillige kunder – hvor redd skal du være for AI-basert konkurranse?

Det altseende monsteret Argos, i følge Gemini.

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

Den gang jeg var student – tidlig 80-tall, intet mindre – fantes ikke sosiale medier, Internett, kommentarfelt eller fake news (i hvert fall ikke fake news produsert av privatpersoner.) Ikke desto mindre følte mange bedriftsledere et behov for å følge med på hva som ble skrevet om dem og bedriften deres. Derfor hadde de gjerne abonnement på Argus (oppkalt etter et altseende monster fra gresk mytologi), en utklippstjeneste der folk var ansatt for å lese gjennom aviser, klippe ut artikler skrevet om hva det nå var man var opptatt av, lime dette på papir og levere eller sende det til kundene.

Om dette høres tregt, dyrt og primitivt ut, så må man huske at alt er relativt: Aviser kom (som oftest) bare en gang om dagen og det fantes bare én TV- og radiokanal med nyheter. Hadde man en faks, fikk man kopier av artikler og annet hver morgen – raskere enn om man pløyde gjennom avisene selv, og med mindre risiko for at man gikk glipp av noe i en eller annen lokalavis.

Men så lenge medieovervåkningen var raskere enn mediet, hadde man jo nogenlunde kontroll.

Digitalisering

Etter hvert ble avisenes arkiver digitalisert: Aftenposten var en pioner her, de hadde digitalt arkiv fra ca. 1983 og var tidlig ute med å lage en nokså primitive søkemotorer mot dette arkivene. Medieovervåkningsbransjen endret seg: Først ved at det ble etablert digitale overvåkningstjenester med tilgang til avisenes interne arkiver, deretter, etter hvert som avisene ble tilgjengelige over Internett fra midten av 90-tallet, mer automatiserte tjenester (basert på søkeord) som brukte det åpne nettet, ikke avisenes eget materiale, som viktigste kilde. (Hvis du er interessert i mer detaljer, se denne artikkelen fra 2008.)

De nye medietjenestene var billigere og raskere enn de eksisterende – de kunne søke på mange søkeord og levere resultatet via epost, uberørt av menneskehender. Tjenestene deres var av dårligere kvalitet enn de manuelle, dyre tjenestene, men de vant frem fordi de fant nye kunder som ikke trengte den samme kvaliteten. Det betød at de ofte fikk falske alarmer, men prisen var lav og hastigheten høy, og over tid ble den nye tjenesten bra nok, samtidig som mer og mer av nyhetsbildet skjedde utenfor papirbaserte og/eller lukkede kanaler.

Og i dag finnes – såvidt jeg vet – ikke manuelle medieovervåkningstjenester lenger. Noen av firmaene er borte, noen av deres etterfølgere lever videre og leverer tjenester på toppen av søkesystemer, som for eksempel systemer for å levere pressemeldinger eller forholde seg til investorer (og noen av dem gjør det bra). Selve søketjenesten er nå, for de flestes vedkommende, automatisert bort til en enkel abonnementstjeneste, programmert inn som en IFTTT-makro, eller ved at man legger inn faste søk i Google eller (mistenker jeg) bruker en AI-agent.

Den dødelige jakten på lønnsomhet

Det er ikke så uvanlig at nye selskaper kommer til etter hvert som teknologien utvikler seg – det skjer naturligvis hele tiden. Gåten ligger i hva som skjer i de gamle selskapene – hvorfor reagerer de ikke på den nye konkurransen og begynner å levere de sammen tjenestene? De burde ha alle fordeler – kunderelasjoner, kunnskaper, og bedre kildetilgang.

Svaret heter naturligvis disrupsjon – eller rettere sagt, disruptive innovasjoner.

Sett at du er et selskap som leverer en informasjonstjeneste av god kvalitet – for eksempel ved at du bruker mennesker som velger ut materiale, mennesker som forstår hva kunden er ute etter og velger ut det som er aktuelt og faktisk handler om ditt selskap og din bransje og ikke noe som tilfeldigvis ligner. Så dukker det opp en konkurrent som leverer noe som er dårligere, men billigere. Dine gode, trofaste kunder bryr seg ikke om dem, men de tar endel av de marginale kundene dine – kunder som synes dine tjenester er bra, men for dyre, og som ikke trenger den kvaliteten du leverer.

Hvordan skal du respondere? Hvis du forsøker å tilby en dårligere tjeneste til billigere pris, utkonkurrerer du deg selv – og selv om du vinner, vil du vinne et marked som er mindre lønnsomt (om enn kanskje større) enn det du er i nå. Selv om det finnes eksempler på selskaper som har gjort dette – Schibsted, for eksempel – hører det til sjeldenhetene.

Mye vanligere er at man forsøker å gjøre produktet sitt enda bedre, for å kunne ta en høyere pris av de kundene man allerede har (og kanskje skaffe seg nye, betalingsvillig kunder). Denne strategien fungerer ofte i praksis, i alle fall hvis markedet har plass, tjenestene ikke er for sammenlignbare, og utviklingen ikke går for fort. Selv om disrupsjon er lett å beskrive, tar ting tid og man mister gjerne fokus.

Et alternativ er å lage en ny løsning – en billigversjon – som utnytter den nye teknologien, samtidig som man trekker på den erfaringen og informasjonstilgangen bedriften allerede har. Vanskeligheten her ligger dels i markedsføring – det er viktig å holde merkevarer fra hverandre – men også i organisasjon. Da Intel på 90-tallet introduserte en billig chip for å utkonkurrere nye leverandører, la man design og produksjon til et sted langt unna eksisterende fabrikker, slik at man fikk fokus på å lage noe billig som var bra nok, heller enn å lage noe som var så bra som mulig.

Det er kulturforskjell på Skoda og Audi, må vite.

I virkeligheten tar ting tid og er ikke så krystallklart som teorien vil ha det til, ganske enkelt.

Næringsutvikling for små forhold

Postet den av
Svar

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

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

En liten, åpen, rik og lik økonomi

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

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

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

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

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

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

Penger, råvarer, og teknologi

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

Fra Norgebygda (NRK 2001)

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

Attraktivitet, ikke bare arbeidsplasser

Myken (foto: Myken.no)

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

Det går an.

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

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

Florida mener utvikling kommer fra fire drivkrafter:

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

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

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

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

Kritisk masse og samhandlingsteknologi

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

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

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

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

Politikk og konsistens og den irske metoden

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

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

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

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

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

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

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

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

De første fem minuttene

Postet den av
Svar

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

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

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

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

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

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

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

Vibe coding

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

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

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

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

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

Om å velge riktig nivå

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

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

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

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

Suksesskriterier

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

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

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

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

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

Hvem vil overleve i et arbeidsliv med AI?

Postet den av
Svar

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

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

Thomas Friedman: The world is flat

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

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

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

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

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

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

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

Data rett fra kilden

Postet den av
Svar

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

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

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

Museumsgjenstanden i kjelleren

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

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

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

Heisenberg i regnskapet

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

Eller kanskje ikke?

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

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

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

Lager er ikke lager

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

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

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

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

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

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

Heisenberg rir igjen…

Og der ble Norges Lover litt mer tilgjengelige…

Postet den av
1

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.

Hvor bred og hvor dyp er plattformen din?

Postet den av
Svar

(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.

Enshittification

Cory i et rolig øyeblikk…

Et annet problem med forretningsutvikling for en plattform handler om et fenomen kalt (det var faktisk årets ord i USA i 2023) enshittification. Uttrykket er skapt av Cory Doctorow, først i en artikkel i Wired [1], deretter i en glimrende videreføring i Financial Times [2]. (Cory er forøvrig en kanadisk tidlig Internettaktivist, bestselgende forfatter og glimrende foredragsholder som jeg (ahem) engang kjente og var vert for da han holdt foredrag i Oslo.)

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.

Eller, for å si det slik Cory sier det:

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.

Referanser:

[1] C. Doctorow, “The ‘Enshittification’ of TikTok,” Wired. Accessed: Oct. 03, 2025. [Online]. Available: https://www.wired.com/story/tiktok-platforms-cory-doctorow/

[2] C. Doctorow, “‘Enshittification’ is coming for absolutely everything,” Financial Times, Feb. 08, 2024. Accessed: Oct. 03, 2025. [Online]. Available: https://www.ft.com/content/6fb1602d-a08b-4a8c-bac0-047b7d64aba5

[3] T. Eisenmann, G. Parker, and M. W. V. Alstyne, “Strategies for two-sided markets,” Harvard Business Review, vol. 84, no. 10, pp. 92–101, 2006.

[4] Ø. Fjeldstad and E. Andersen, “Casting off the chains: Value shops and value networks,” European Business Forum, no. 14, pp. 47–53, Summer 2003.

[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.

Effektiv omtrentlighet: Hva kan man egentlig bruke GenAI til?

Postet den av
1

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?

Musks metode

Postet den av
Svar

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:

  1. 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.
  2. 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.»
  3. 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?
  4. 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.
  5. 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.

Tings er genialt!

Postet den av
Svar

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:

Velkommen til Strategisk forretningsutvikling og innovasjon!

Postet den av
Svar

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:

Det er fortsatt noen ledige plasser, så ta kontakt med meg, eller Ragnvald Sannes hvis du er interessert!

Hvordan få produktivitet ut av (generativ) AI?

Postet den av
Svar
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 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

Om nettverkseksternaliteter

Postet den av
Svar

(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:

  • Finn.no er et nettverksselskap der man ikke vet hvem de andre medlemmene er, men får greie på det først når man skal kjøpe eller selge noe.
  • Et forsikringsselskap er en møteplass for folk som har risiko og vil betale for å dele den risikoen med andre forsikringskunder. I det tilfellet vet man ikke hvem de andre medlemmene er – men man bør være opptatt av det. Du vil, for eksempel, ikke være den eneste forsiktige sjåføren i et selskap som bare forsikrer råkjørere.
  • Google tar vare på alle søk som er gjort, analyserer hvor vellykket de var, og bruker resultatene både til å forstå sine kunder bedre og å gjøre søkealgoritmene sine mer presise. Jo flere brukere de har, jo bedre blir søkemotoren.

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:

  • Eisenmann, T., G. Parker and M. W. V. Alstyne (2006). «Strategies for two-sided markets.» Harvard Business Review 84( 10): 92-101. Klassisk artikkel om hvordan man utvikler strategi i selskaper som betjener to markeder – for eksempel kjøpere og selgere som skal komme i kontakt med hverandre.
  • Fjeldstad, Ø. and E. Andersen (2003). «Casting off the chains: Value shops and value networks.» European Business Forum (14): 47-53. Et forsøk på å forklare verdikonfigurasjoner – og hvordan nettverksselskaper skiller seg fra selskaper som produserer produkter eller løsninger.

Råtner ChatGPT?

Postet den av
2

(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.

ChatGPT: Deja vu om igjen

Postet den av
1

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 eksempel Chomsky 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.

Eller hvorfor ikke summere det hele opp med XKCDs briljante standard svar til de vanligste spørsmålene om ny teknologi:

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.

INFO: E-post med militær presisjon

Postet den av
Svar

Her deler jeg en video som på fire minutter forklarer hvordan man kan skrive klare, effektive e-poster, inspirert av regler fra det amerikanske militæret:

Og mer er det ikke å si om den saken…

Kan man forutsi katastrofeprosjekter?

Postet den av
Svar

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…