AI revolutionen

Från 50-talet har AI haft en ganska sömning tillvaro på akademiska institutioner. När jag pluggade datavetenskap i början av 90-talet så var budskapet att AI kommer snart att bli hur stort som helst, men uppenbarligen missade man hur mycket datorkraft och datavolymer som behövdes för att göra det praktiskt användbart i någon större skala.

Det var när IBMs Deep Blue besegrade Garri Kasparov i schack 1996 som blev startskottet för mer specialiserade tillämpningar. Därefter har det lanserats lång rad kommersiella AI-lösningar för sortering av paket, ansiktsigenkänning, diagnosticering av sjukdomar och avvikelser av mönster som kan användas för att identifiera bedrägerier eller servrar som går trögt i datacenter. Den heliga graalen inom AI-forskningen har däremot varit en generell problemlösare som kan användas för alla typer av problem, men här har problemet med datorkraft och datavolymer återigen visat sig svårt att lösa.

För något år sen fick jag en bok med AI tolkar Karin Boye. Den var rolig eftersom det i seriösa dikter smög sig in absurda fel eftersom AI inte kan bedöma rimligheten i dikterna som den genererade. Något år senare släppte OpenAI ChatGPT och de där absurda felen blev så få att den kunde ta världen med storm. Ketchuppeffekten är enorm och alla vill vara en del av AI-revolutionen utan att riktigt förstå vad man kan ha det till. Andra höjer varningsrop om att AI kommer ta över och att detta är den mänskliga civilisationens sista dagar.

Det kan nog vara värt att ta båda synsätten med en nypa salt. AI kommer definitivt påverka, men även om genomslagen blir stora så tar det normalt längre tid än vi tror. De flesta företag vet inte riktigt hur de ska använda AI, utan introducerar eventuellt en egen klon av ChatGPT som en personlig assistent på intranätet. Det är säkert bra att personalen får hjälp med att skriva utkast och göra översättningar, men det stora genomslaget blir det först när AI blir så specialiserat att det kan integreras som en del i företagens processer. AI-agenter som kan producera kod, testdata eller något annat arbete precis som vilken medarbetare som helst i värdekedjan. Specialiseringen minskar risken att AI yrar något orimligt och minskar även behovet av datamängder som behövs för träning av AI-modellen.

Vilka blir då vinnare och förlorare i omställningen? Behovet av data och datakraft kommer naturligtvis att gynna molnleverantörer med drakar som Google, Amazon och Microsoft. Även mindre leverantörer som Bahnhof kommer hitta sina kunder som föredrar att ligga i egna moln. Under ett antal år kommer också leverantörer av mjukvara för AI-lösningar och konsulter som kan skruva in lösningar hos företag att rida på AI-vågen.

Intressantare blir det med vilka branscher utanför IT som blir vinnare. Analyskraften kommer gynna innovationstunga verksamheter som läkemedel och medicinteknik. Läkemedelskandidater kommer att kunna identifieras snabbare och förmågan att diagnosticera sjukdomar kommer bli större.

Digital rådgivning av och analys av större mängder bolagsdata kommer att öka kundnyttan och minska behovet av personal inom bank och finans. Banker som begränsas i sin anpassningsförmåga av stor regulatorisk börda kan få det tuffare i konkurrensen med fintech, men man ska ändå inte underskatta värdet av allt det data som storbankerna sitter på.

Ökad automatisering av personalintensiva branscher kommer att skapa både vinnare och förlorare. Som konsument kommer vi kunna erbjudas mer personlig anpassade produkter till lägre priser, medan det krävs färre anställda med högre kompetens i företagen. Här finns naturligtvis en av farorna med att det kommer lämnas många utanför arbetsmarknaden.

AI kommer förändra mycket. Inte så fort som vi kanske tror, förändringar tar tid och det är först när det är en naturlig del av vardagen som förändringen helt slagit igenom. Det finns därför ingen anledning att drabbas av vare sig eufori eller panik, utan detta är ett verktyg som kan göra gott och ont beroende på hur det används.

Flit och sparsamhet!