Med rätt metodik kan ni göra AI användbart för er

Det finns många olika tankar om vilken framtid vi kommer att se i en AI-driven värld.

Silicon Valley-profilen Marc Andreessen för fram hypotesen att AI kan göra allt vi bryr oss om bättre. Samtidigt har ni säkert hört Max Tegmarks sommarprat där han är övertygad att AI kommer att utplåna mänskligheten inom hans livstid.

Ett tredje och vanligt spår inom AI-världen är en sorts mittenväg: Att se det som ett verktyg som gör oss människor mer kapabla – snarare än att det kommer att skapa en utopisk eller dystopisk värld.

Min bild ligger väl där någonstans i mitten också. Saker är sällan så bra som man tror, men ej heller så dåliga. Synsättet att AI är ett verktyg som vi faktiskt kan använda här och nu gör att vi ställer oss mer användbara frågor, istället för att vi fastnar i utopiska eller dystopiska spaningar. Frågor som:

A) Vilka är det som kommer att tjäna mest på AI-verktygen och vad innebär det?

B) Hur ska vi som användare kunna värdera den flod av AI-verktyg som kommer att skölja över oss kommande år?

Vilka är det som kommer att tjäna mest på AI-verktygen och vad innebär det?

I rapporten ”Generative AI at Work” undersöker Erik Brynjolfsson (Stanford), Danielle Li (MIT) och Lindsey Raymond (MIT) hur AI-verktyg påverkar arbetsplatsen. Genom att exempelvis undersöka data från 5 179 kundtjänstarbetare så kunde man konstatera att de nya verktygen ökade produktiviteten generellt med 14 %. Det mest intressanta är dock att det nästan uteslutande hjälpte nybörjare och människor med liten kunskap om sitt jobb. På erfarna arbetare med hög kunskap så hade det minimal påverkan.

För mig är det här ett oerhört viktigt och potentiellt omvälvande resultat. Vad händer om vi tar med oss det tänket till andra branscher? Hur blir det i vården och förhållandet mellan undersköterskor, sjuksköterskor och läkare? Hur kommer det att påverka organisationers syn på människor? Går vi tillbaka till att se människor som utbytbara kuggar i ett maskineri?

Desto mer erfarenhet, utbildning och kunskap – desto mindre att tjäna på AI.

Om det här är ett mönster som håller i alla olika branscher så kommer vi troligtvis se en kraftig demokratisering av kunskap och med det också en kraftig devalvering av kunskapsarbete. Det är i sig inget nytt – det är precis det som digitaliseringen har gjort under 20 år, men nu kommer det att gå med raketfart. Ett exempel på det här skulle kunna vara att vi som gillar musik ganska enkelt kan skapa egen musik utifrån våra egna preferenser och kanske inte behöver professionella musiker. Det kanske fortfarande blir något bättre med erfarna musiker, men det är helt enkelt inte värt skillnaden i pris.

Ta med dig den tanken och fundera på hur det skulle se ut i din vardag. Vilka skulle tjäna på den här utvecklingen och vilka skulle vara förlorare i din värld?

Hur ska vi som användare kunna värdera den flod av AI-verktyg som kommer att skölja över oss kommande år?

Nästa sak att fundera på är om antalet AI-verktyg kommer att göra att hela ”revolutionen” kraschar? Kommer vi att ha bandbredden att utvärdera och använda nya verktyg hela tiden och hur ska vi ens bedöma om ett verktyg gör nytta eller om det snarare gör skada?

Ett exempel från design- och innovationsvärlden som vi på Hello Future är välbevandrade i är Founderpal.ai, som har byggt ett AI-verktyg som skapar s.k. personas utan att du behöver göra någon egen research. Deras tanke är att startups ska använda verktyget, eftersom man sällan gör någon användar-research ändå och vissa insikter är bättre än inga insikter.

Jag håller absolut inte med om den utgångspunkten utav två anledningar. Den första är att det stora värdet av att göra intervjuer med kunder och användare är att man i det arbetet skapar egen information, kunskap och insikter samt empati för målgruppen. Inte att man bara läser om det i en rapport i slutet av processen. Så arbetet i sig är minst lika viktigt eller kanske viktigare än resultatet.

Den andra anledningen är att resultaten från AI-verktyg kan se så imponerande ut man lockas att tro på rapporten utan att man egentligen har någon möjlighet att verifiera att det stämmer i ens eget sammanhang. I ett sådant scenario kanske man startar en verksamhet på helt felaktiga grunder från data som man inte kan verifiera – det är katastrofalt dåligt. Då skulle jag hellre starta utan att ha en aning och lära mig efter vägen istället för att skapa en falsk trygghet med dålig data i början som gör mig blind för nya insikter.

Så hur ser den ’produktiva mellanvägen’ ut för er?

För det första: Långsiktiga spaningar runt AI:s inverkan på ert fält och samhället i stort har absolut sin plats, i exempelvis strategiskt framsynsarbete som vi hjälper ledningar runtom Sverige med.

I dagligt mer operativt arbete, förespråkar jag att hitta den produktiva mellanvägen där ni är nyfikna på AI, testar olika verktyg och utvärderar, med en försiktig och kritisk inställning till resultaten. Ta med frågeställningar om hur verktygen kan hjälpa eller skada organisationen och samhället i stort. Ganska säkert behöver ni innovationsmetodik för att lyckas med denna process, där ni utifrån faktiskt identifierade behov och utmaningar ställer upp hypoteser om hur AI-verktyg skulle kunna hjälpa till och sedan testar under kontrollerade former. Ni kommer inte kunna planera er fram till ett brett införande av AI och ni vill inte efter ett sådant införande upptäcka konsekvenser som hade kunnat avstyras genom utforskande metodik ett halvår tidigare. Innovationsmetodik och ett litet steg i taget visar vägen till produktivt nyttjande av AI.