Sådan udvikler du en etisk tilgang til AI i hele organisationen

Jonathan Conradt: [00:00:00] Grundlæggende er en AI et funktionskald. Det er ligesom i Excel, hvor du har sumfunktionen. Den bruger I alle, og I angiver listen over de kolonner eller rækker, I vil lægge sammen, hvorefter den tager det som input og producerer et output. Og det er alt, hvad AI er.

David Rice: Velkommen til podcasten People Managing People. Vi arbejder for at skabe en bedre arbejdsverden og hjælpe dig med at skabe glade, sunde og produktive arbejdspladser. Jeg er din vært, David Rice.

Min gæst i dag er Jonathan Conradt. Han forlod for nylig Amazon, hvor han arbejdede som ledende AI-forsker. Vi skal tale om AI, maskinlæring og hvad der skal ske med uddannelsen i disse teknologier, som bliver integreret i det arbejde, mennesker udfører hver dag.

Så Jon, velkommen.

Jonathan Conradt: Tak.

David Rice: Lad os først høre lidt om dig, hvordan du nåede dertil, hvor du er nu, og hvad er den største udfordring, du arbejder på at løse i øjeblikket?

Jonathan Conradt: Jeg har arbejdet med teknologi i lang tid.

Jeg var en del af det oprindelige Chrome-team hos Google, så jeg kom med på holdet, da vi var omkring [00:01:00] 40 personer. Hvis du nogensinde har brugt Mac- eller Linux-versionerne af Chrome, var det mit projekt. Derefter var jeg hos eBay, hvor jeg ledede deres marketing og introducerede AI og maskinlæring både på og uden for deres platform.

De sidste 12 år var jeg så hos Amazon. På et tidspunkt opdagede jeg hos Amazon, at der var gode AI-projekter, som ikke blev godkendt, og temmelig dårlige AI-projekter, som blev godkendt. Det grundlæggende problem var, at Amazon har virkelig dygtige mennesker og virkelig dygtige vicepræsidenter.

De er veluddannede, kommer fra stærke baggrunde og kender deres forretning ud og ind, men AI kom fra en helt anden verden for dem. De vidste ikke rigtigt, hvordan de skulle håndtere det, eller hvad det indebar. Derfor havde de svært ved at træffe gode beslutninger om, hvad de skulle investere i. De gik glip af gode idéer og investerede nogle gange i ting, der ikke ville fungere særlig godt. I mit sidste år hos Amazon brugte jeg det meste af tiden på at [00:02:00] udarbejde undervisningsmateriale og undervise vicepræsidenter og direktører over hele verden hos Amazon i maskinlæring og AI. Til sidst besluttede jeg mig for, at hvis det var så stort et rod internt hos Amazon med alle disse mennesker i en teknologivirksomhed, hvordan så det ud uden for Amazon?

Derfor forlod jeg Amazon for at lave ting som dette: forsøge at hjælpe mennesker med at forstå, hvad AI er, hvor de skal være forsigtige, hvor de skal være offensive, og hvordan de får mest muligt ud af det.

David Rice: Det er et interessant og meget aktuelt tidspunkt at gøre det på.

Der er mange ting, som jeg tror, AI og maskinlæring kan gøre. Noget af det, virksomhederne har kastet blikket på, hænger sammen med, at det er det nye, strålende område, ikke? Folk har nogle meget store idéer, men der findes også mange praktiske løsninger, som du og jeg talte om før dette opkald, der er langt mere håndgribelige og kan hjælpe virksomheder med at håndtere akutte behov.

Kan du give os nogle gode eksempler på det, og hvor kan HR implementere noget, der giver en øjeblikkelig effekt?

Jonathan Conradt: Generativ AI er den slags skinnende kugle, der fanger alles opmærksomhed, ikke? Men det viser sig, at traditionel maskinlæring også har gjort store fremskridt i løbet af de seneste år.

En af disse ting kaldes automatisk maskinlæring. Det, der skete, var grundlæggende, at forskere så på deres arbejde og indså, at de fulgte de samme trin hver gang. Der var derfor mulighed for at automatisere det hele. Der findes en rigtig god open source-pakke, der hedder autogluon.

Den er ganske bemærkelsesværdig. Da jeg så på den, fik jeg lidt af en eksistentiel krise, fordi jeg indså, at en person med gode SQL-færdigheder og en smule Python-kendskab kunne fremstille en model i verdensklasse fra den ene dag til den anden, som potentielt ville have taget mig flere måneder at skabe.

Det er virkelig nyttigt. I HR er der mange ting, man skal gøre. Man vil måske klassificere ting. Man vil for eksempel identificere personer, der kunne have gavn af lederuddannelse, eller medarbejdere, der er [00:04:00] i risiko for at forlade virksomheden. Den slags kan modellerne gøre for dig.

Der er også forskellige typer forudsigelser, man ønsker at lave, for eksempel talbaserede forudsigelser. Hvor mange CV’er forventer vi at modtage? Hvor mange mennesker skal vi bruge på lageret om to uger? Den slags talforudsigelser klarer den også rigtig godt. Den kan desuden håndtere tidsserier, hvilket er nyttigt, når man skal forstå sæsonudsving i data.

Jeg er ikke sikker på, hvordan det relaterer sig direkte til HR, men jeg er sikker på, at der er ting inden for HR, som varierer sæsonmæssigt, og som man gerne vil være opmærksom på. Det bemærkelsesværdige er, at en person med dataene grundlæggende kan skabe en model i verdensklasse med tre linjer kode. Det synes jeg er fantastisk.

David Rice: Det er virkelig interessant. HR får selvfølgelig mere og mere data hele tiden, især efterhånden som vi implementerer alle disse nye værktøjer.

Og jeg ved, at du tidligere har talt lidt om ansvarlig AI, og du har sagt, at det er [00:05:00] vanskeligt, når det gælder HR. Fortæl os lidt om de største etiske overvejelser ved AI og HR.

Og hvad er nogle af de ting, vi skal løse i disse modeller, før vi involverer dem mere i HR’s arbejde?

Jonathan Conradt: Hos Amazon har vi HR-forretningspartnere, ikke? De er knyttet til dit team og er gode personer at gå til for at få rådgivning. Da vi begyndte at arbejde med maskinlæringsmodeller, skulle modellerne bruge kundedata til at forudsige ting om kunder, og HR og jura viste sig at være meget vigtige samarbejdspartnere for os, fordi dataloger og forskere måske har haft et kursus i menneskelig forskning for lang tid siden på universitetet. For HR er den slags lovgivning og bekymringer helt centrale. Derfor er der en unik mulighed for forskere og modeludviklere for at inddrage HR og stille dem gode spørgsmål.

Hvordan vil vi håndtere køn? Hvilke følsomheder har vi omkring race? Den slags kender HR-medarbejdere indgående, [00:06:00] ikke? Men det andet, der kan ske, er i selve HR-projektet. Lad os sige, at en HR-organisation vil gøre noget. Alle disse problemstillinger er meget følsomme.

Det klassiske eksempel er, at man vil automatisere CV’er, efterhånden som de kommer ind i organisationen, og klassificere eller sortere dem på en eller anden måde for at blive mere effektiv. Det er farligt, fordi maskinlæringsmodeller snyder. De snyder konstant. De finder den korteste vej til det svar, de kan nå frem til.

Man kan for eksempel se, at modellen lærer, at hvis en ansøger nævner i sit CV, at vedkommende spillede lacrosse i gymnasiet, blev disse personer historisk set ansat og forfremmet i virksomheden. Det kan være en historisk skævhed, og det er ikke noget, man ønsker som en del af sine filtre til ansættelse eller jobsamtaler.

Man ville ikke nødvendigvis forvente, at det ord skulle blive vigtigt for en model. Men som sagt snyder modeller. De finder alle de små ting. Og [00:07:00] ansvarlig AI er en hel samling idéer om, hvordan vi bedst håndterer forholdet mellem vores mål og de mennesker, der er involveret, ikke?

Måske er det kunder, medarbejdere eller jobansøgere. Hvordan håndterer vi deres data? Hvordan sikrer vi fairness på tværs af undergrupper? Hvordan forklarer vi ærligt og gennemsigtigt, hvad maskinlæringsmodellen gør? Det er et interessant etisk område. HR-professionelle bruger allerede meget tid på at tænke over etik, hvordan man behandler mennesker godt og korrekt.

Ansvarlighed er derfor et fascinerende område for HR, og det berører mange HR-løsninger. Lad os sige, at du vil bygge en model, der forudsiger, hvem af dine nuværende medarbejdere der bliver vicepræsident om seks år. Det er en nyttig model, ikke? Du vil gerne fastholde og udvikle disse mennesker.

Det er en god model. Samtidig skal du være meget [00:08:00] forsigtig, når du opretter den, for hvis alle dine eksisterende vicepræsidenter, som udgør træningsdataene, for det meste er uddannet på Ivy League-universiteter eller måske er mænd, indgår alle disse faktorer i dine træningsdata.

For at gøre det rigtige med hensyn til ansvarlig AI skal du fjerne de faktorer, der ikke bør tages i betragtning. Lad ikke modellen se eller drage slutninger om ting, som du ikke ville tage i betragtning ved en faktisk forfremmelse. Ansvarlig AI er virkelig interessant. Der findes kurser om det online.

Der findes masser af artikler om det online, og regulering er på vej. Den findes allerede i EU. Den er på vej i USA. Den er muligvis blevet fremsat i Kongressen et par gange, og dette er igen et område, hvor HR sandsynligvis er foran mange af forskerne. Derfor kan du være opmærksom på det og hjælpe dem med at forstå det.

David Rice: Ja, det er virkelig vigtigt. Som du siger, kan bestemte data videreføre skævhed. Jeg talte for nylig med en person, som henviste til en undersøgelse, der viste, at kvinder var [00:09:00] 75 procent mindre tilbøjelige til at eksperimentere med AI end mænd. Min første tanke var: Hvilke data skaber det så?

AI kan dermed lære en næsten vedvarende skævhed om, at kvinder ikke har bestemte færdigheder. Jeg ved det ikke. Det er ligesom med alt andet: enhver handling har en reaktion, ikke?

Jonathan Conradt: Det er interessant. Tag for eksempel den store sprogmodel ChatGPT fra OpenAI. De bruger ikke direkte det, du skriver, til at træne modellen.

Folk skriver alle mulige latterlige, forfærdelige og frygtelige ting, ikke? Og dine træningsdata er din mest værdifulde ressource som AI-virksomhed. Du ønsker ikke at udvande dem eller tilføje affald til dem, så du er meget forsigtig. Men modellerne opfanger signaler fra den måde, folk interagerer på. Et af signalerne er, om du gentager spørgsmålet.

Lad os sige, at du stiller OpenAI et spørgsmål om Koreakrigen, og den giver dig et svar. Derefter stiller du grundlæggende det samme spørgsmål på en lidt anden måde. Det er et godt signal til dem om, at de ikke gjorde det godt. [00:10:00] Til sidst stillede du spørgsmålet og fik et svar, som du tilsyneladende kunne lide.

Det er et godt signal for os. Men hvis der er en kønsmæssig, økonomisk eller geografisk skævhed i disse interaktioner med systemet, lærer det naturligt at gøre det, som en bestemt gruppe kan lide. Et godt eksempel er faktisk noget, jeg ikke ved, om er sandt, men det er rygtet.

OpenAI’s modeller brugte noget særligt sprog. Der var ord, som forekom hyppigere i deres svar, end du og jeg ville bruge i en normal samtale. Endelig sagde nogen: Det ligner den måde, folk taler på i Kenya. Jeg tror, det var Kenya, men det kan have været et andet afrikansk land.

Det var et afrikansk land. Under udviklingen af modellerne er der en proces, der kaldes forstærkningslæring med menneskelig feedback. Man stiller et spørgsmål, genererer fem svar fra AI’en og vælger derefter det bedste. Et par ting skete. Den ene var, at folk valgte det længste svar, som ikke nødvendigvis var det bedste, men som bare virkede, som om det burde være bedst. Derfor begyndte modellen at producere længere og længere svar.

Det andet var, at folk naturligt klikkede på de svar, der lød som den måde, de selv talte på. Vi havde derfor en stor gruppe kontraktansatte i et afrikansk land, og de så ud til at reagere på sprogbrug og tone, som var velkendt for dem fra deres eget land, hvilket er lidt anderledes end amerikansk og britisk engelsk.

Det blev opfanget, og folk begyndte at skabe værktøjer, som kunne identificere AI-svar baseret på denne mærkelige fordeling af ord, mærkelig i amerikansk sammenhæng, ikke? Så her har vi et eksempel på, at skævheder kan snige sig ind i AI på mange forskellige måder. Hvis flere mænd bruger det, kan det måske ende med at svare på en måde, der er mere tilfredsstillende for mænd end for kvinder.

Eller det kan interessere sig mere for at svare på ting, som den mest udbredte befolkningsgruppe taler om. Det kan også ende med at efterligne trænernes dialekter.

David Rice: Fascinerende.

 

En af de ting, der hele tiden dukker op, er sikkerhedsbarrierer, ikke? Når det gælder, hvordan folk bruger teknologien, taler man ofte om sikkerhedsbarrierer for medarbejdere. Men nogle gange spekulerer jeg på, om der burde være flere barrierer for ledere, så de ikke overinvesterer i de forkerte ting.

David Rice: Når det gælder selve teknologien, hvor meget kan vi reelt begrænse den? Hvor meget kan vi opstille sikkerhedsbarrierer for medarbejderne, og er der et behov for lederuddannelse i disse værktøjer, før noget implementeres og gives videre til medarbejderne?

Jonathan Conradt: Der er meget at pakke ud. Først og fremmest er det nyttigt at vide, at vi også taler om sikkerhedsbarrierer på forskningssiden. Der findes beskyttelsesmodeller, så når nogen skriver: Hvad er den bedste formel til at bygge en bombe med gødning?

Når spørgsmålet kommer ind, findes der beskyttelsesmodeller, som er små, hurtige og meget målrettede mod at identificere vold, ulovlige eller uetiske ting. De tager simpelthen spørgsmålet og kasserer det, fordi der ikke er nogen grund til at foretage den dyre behandling bagefter, når vi ikke må besvare den slags spørgsmål.

Derefter er der endnu en sikkerhedsbarriere, efter AI’en har svaret. Dens opgave er at sikre, at du ikke har narret AI’en til at fortælle dig noget, den ikke burde fortælle dig, for eksempel hvordan man bygger en bombe. Den forsøger at identificere, om AI’en er kommet ud på et sidespor, og kasserer svaret.

Der er altså et teknisk begreb for det. Sikkerhedsbarrierer for medarbejdere er et interessant problem, fordi alle har en telefon. I mit eget liv har jeg derhjemme bygget en maskine, der kan køre AI, og jeg har en måde at få adgang til den på fra min telefon. Jeg kan gøre, hvad jeg vil med den maskine.

Jeg kan tale med den om hvad som helst og sende dokumenter online. Hvis du fuldstændig afskærer medarbejderne og ikke giver dem nogen mulighed for at tilgå denne type værktøjer, vil de bare finde en måde. Værktøjerne er for værdifulde. De kan reducere 20 minutters arbejde med at skrive en e-mail til fem minutter, fordi de kan få den startet og derefter redigere den.

Folk vil gerne gøre det. Det store problem ved at afskære folk fuldstændigt uden at give dem en mulighed er også, at de vil bruge modeller, som du ikke har adgang til, kontrol over eller indsigt i. Og de kommer til at gøre virkelig dumme ting, som at uploade virksomhedens dokumenter til disse modeller.

Hvis du ser på vilkårene for OpenAI’s og Googles modeller og sandsynligvis alle de andre, står der, at alt, hvad du indtaster i modellen, kan bruges af virksomheden til evig tid uden betaling til at forbedre eller udvikle modellen. Du ønsker virkelig ikke, at nogen [00:15:00] uploader dine forretningsplaner for næste år, dit budget eller lister over medarbejdere. Det ville være et mareridt.

Heldigvis er der måder at skabe gode sikkerhedsbarrierer på. Man kan nu få virksomhedsadgang til de fleste af disse AI-systemer. Min tidligere arbejdsgiver, Amazon, har en rigtig god løsning, hvor man grundlæggende får sin egen AI, som alle kan få adgang til, og hvor tingene er adskilt, så de ikke bliver uploadet og delt med Amazon.

Jeg tror, det er en rigtig god vej frem. De fleste virksomheder kommer til at tilbyde det samme. Men hvad med ledere? Nu har vi problemet med lederne. For det første ved vi, at ledere er lige så tilbøjelige til at uploade følsomme dokumenter til AI som alle andre. Faktisk er de måske værre til det.

Der er en begrænset forståelse af, hvor AI’en faktisk befinder sig. Det kan være svært for folk at vide, om den for eksempel er placeret i vores eget IT-system, om den er beskyttet og sikker, eller om den er en tilfældig tredjepart på internettet. Det kan være svært for ledere at finde ud af, fordi de er eksperter i deres [00:16:00] arbejde.

De er veluddannede, intelligente og veltrænede, men de er ikke IT-folk. Så støder man på spørgsmålet om, hvad der sker, når vi har trænet dem. Det minder lidt om den phishing-træning, vi alle skal igennem: Klik ikke på det link, og upload ikke det dokument.

Det er en rigtig god idé at give dem adgang til noget, der er nyttigt for dem, godt beskyttet, officielt og logget. Men det er ikke projekter. Projekter er: Vi vil erstatte hele vores kundeserviceafdeling med denne AI.

Det er den slags initiativer, som nogle virksomheder allerede har forsøgt sig med. Der er de tidlige brugere, som løb meget stærkt, brugte enorme summer og havde enorme vanskeligheder. De var sandsynligvis ikke succesfulde, men de var tidlige brugere. De virksomheder, der overvejer disse projekter nu, vil jeg betegne som hurtige efterfølgere.

De har mulighed for at se på, hvad der fungerer på markedet. Priserne er faldet dramatisk, så de kommer ikke til at bruge helt så meget. [00:17:00] Der er også kommet god forskning i, hvordan man måler effekten af den slags. Lad os tage kundeservice som eksempel.

Jeg kender ingen, der virkelig håber på at blive sendt videre til en chat, så de kan tale med en maskine om deres problem. Jeg kender ingen, der ser frem til det, og bestemt ikke dine bedste kunder. Der er mulighed for at effektivisere nogle ting og bruge AI på disse områder, men man skal være forsigtig.

Jeg vil foreslå, at noget af det første, man gør, er at have en god model, der kan skelne mellem et dyrt og alvorligt problem, som man kan løse, og opkald, der koster mange penge, men handler om simple ting, der er nemme at besvare.

For eksempel: Hvordan ændrer jeg min adgangskode? Den slags. Men ja, sikkerhedsbarrierer for ledere er et reelt problem. Det er en af grundene til, at jeg forlod Amazon: Jeg ville kunne have disse samtaler med virksomheder og tale dybtgående om, hvilke data de har, hvilken erfaring de har, hvilket problem de forsøger at løse, om de prøver at tjene flere penge eller spare penge, og hvad deres mål er.

Har de prøvet noget enklere? Det er også en mulighed. Jeg inviterer folk til at afsætte 50 minutter i min kalender, så kan vi have den samtale og beslutte, om jeg kan hjælpe dem.

Der er tre slags virksomheder. Som jeg sagde, er der de tidlige brugere. De har prøvet ting, brugt enorme summer, taget store risici og sandsynligvis ikke haft succes. Den anden gruppe er dem, der aldrig kommer i gang. De er overbeviste om, at det er endnu en kryptovaluta, en stor døgnflue, som ikke kommer til at fungere. De har undgået den slags tidligere og vil fortsætte med at gøre alt på samme måde.

Disse virksomheder er i særdeles store problemer, fordi det ikke er sådan, at dette blot er en døgnflue. Det minder mere om elektricitetens indtog. Den tredje gruppe er organisationerne, der følger hurtigt efter. De ser nu på dataene, finder ud af, hvordan de skal måle deres indsats, og starter pilotprojekter.

De sparer mange penge, fordi priserne er faldet, og nu er de ved at komme i gang. Jeg tror, [00:19:00] at det er de interessante grupper, som kommer til at få succes og klare sig rigtig godt. Og de kommer til at indhente alle de tidlige brugere, fordi modellernes ydeevne vil nå et højdepunkt.

På et tidspunkt bliver de så gode, som de kommer til at blive i lang tid. De rammer et plateau. De tidlige brugere når plateauet først, men selv hvis man starter sent, er forbedringstempoet så stejlt, at en virksomhed, der følger hurtigt efter, når dertil i god tid.

David Rice: Læringskurven og de indledende problemer bliver altså ikke helt så alvorlige, fordi meget af det allerede er blevet håndteret.

Nogle gange spekulerer jeg på, om folk har en grundlæggende forståelse af, hvordan maskinlæring fungerer, så de kan forstå, hvordan de får mest muligt ud af det. Er det din vurdering? Og hvad kan vi gøre for at ændre det på kort sigt, når det gælder træning og udvikling?

Jonathan Conradt: De har absolut ikke en god forståelse af det. Der er mange tekniske medarbejdere i virksomheder, som heller ikke har en god forståelse af det. [00:20:00] Jeg var på University of Pennsylvania på Wharton, hvor jeg holdt et oplæg for kandidatstuderende om, hvad maskinlæring er.

Oplægget varer omkring en halv time, og jeg når frem til, at en AI grundlæggende er et funktionskald. Det er ligesom Excel, hvor du har sumfunktionen. Den bruger I alle, og I angiver listen over de kolonner eller rækker, I vil lægge sammen. Den tager det som input og producerer et output. Og det er alt, hvad AI er.

Hvis du tænker på sumfunktionen, tænker den ikke over, hvad den senest sagde, når du ikke bruger den. Den lægger ikke planer imod dig. Den dagdrømmer ikke. Den eksisterer ikke på nogle måder. Den eksisterer kun i det øjeblik, den bruges, og derefter forsvinder den.

AI er grundlæggende et matematisk objekt, der fungerer som en funktion. Den tager et input, behandler det og producerer et output. Mange af de fantastiske og magiske ting, vi ser den gøre, er faktisk udvidelser og kode, som vi har skrevet rundt om AI’en for at organisere data og ting for den. Og det hele er kompliceret.

Det er lidt som at forvente, at alle forstår præcis, hvordan et brændstofindsprøjtningssystem fungerer. De fleste ved ikke engang, hvad det betyder, og alligevel kan de køre bil og leve deres liv med disse pålidelige systemer. Derfor tror jeg, at vi skal hjælpe hver gruppe eller undergruppe i en organisation med at nå det rette forståelsesniveau.

Nogle bliver brugere. Nogle bliver teknikere. Nogle kommer helt ned i detaljerne, og andre bliver blot modtagere af fordelene. De interagerer aldrig med systemet, men det gør gode ting på deres vegne. Det bliver vanskeligt.

HR har normalt ansvaret for træning. De skal finde ud af, hvem der skal trænes, og hvilken type træning de skal investere i. En ensartet løsning på tværs af organisationen, hvor alle får den samme AI-træning, [00:22:00] kommer ikke til at fungere.

Da jeg var hos Amazon, arbejdede jeg blandt andet med at undervise vicepræsidenter og seniorvicepræsidenter. Et af spørgsmålene var: Hvad kan jeg gøre for de mennesker, der kører vores lastbiler? De mennesker, der lægger produkterne i kasser? Mange af dem har ikke nødvendigvis en universitetsuddannelse. De er arbejdsomme, gode og intelligente, men de er ikke tekniske.

Hvordan får jeg dem ajour med AI, så de ikke frygter den? Virksomheden er nødt til at tage maskinlæring og AI til sig. Man vil ikke sakke bagud, fordi man eller ens medarbejdere er bange for det. Derfor skal der være træning, der passer til dem, opfylder deres behov og besvarer deres spørgsmål. Samtidig skal der være træning på ledelsesniveau, og den er noget anderledes.

David Rice: Et af de områder, hvor jeg tror, der er stor interesse for at anvende teknologien, er medarbejdertrivsel. Jeg talte for nylig med en person, som havde en interessant anvendelse af stemmeteknologi til at identificere udbrændthed eller [00:23:00] stress, og vi har alle mulige data, der kan give adfærdsmæssige indikatorer.

Hvordan ser du, at vores tilgang til medarbejdertrivsel vil ændre sig i de kommende år?

Jonathan Conradt: Jeg er særligt interesseret i det nu, hvor jeg arbejder sammen med to forskere på en måde, hvor vi ikke kun måler medarbejdernes trivsel, men også hjælper med at forbedre den over tid. En af de gode ting ved AI er, at den er meget tålmodig.

Den kan være en værdifuld informationskilde, fordi du kan give den præcise og handlingsorienterede oplysninger, og AI’en kan svare mennesker og give dem den slags input. For lang tid siden var jeg hos Gallup, hvor jeg var med til at udvikle StrengthsFinder. Det var et værktøj, der skulle hjælpe ledere med at forstå deres medarbejdere, og gennem dette dybere forhold var målet, at alle i organisationen skulle få gavn af det.

Der ville være en bedre forståelse af hinanden, større støtte til hinanden og mange gode ting ville komme ud af det. I dag ville vi nok betegne det som en del af trivsel.

[00:24:00] Det, vi forsøger at gøre med AI, er først og fremmest at lære af mennesker på en mere interaktiv måde, hvordan de har det i øjeblikket. Noget af det frustrerende ved mange vurderinger er, at man skal sætte kryds i felter. Jeg føler ofte, at jeg ikke ved, om de fortolker mine svar på den måde, jeg mente dem.

Derfor åbner vi det op, så medarbejderne ud over de tvungne valgsdata, som stadig er nyttige, får mulighed for at udtrykke sig frit. Vi spørger: Fortæl os, hvad du tænkte på, da du gik gennem det sidste afsnit. Hvad syntes du var vigtigst? Hvad ville du ønske, at vi lærte af det, du lige sagde?

Denne tekst er meget værdifuld. En måde, jeg så tekstens værdi på, var, da jeg skabte en maskinlæringsmodel, der tog forskningsartikler og forsøgte at forudsige, om jeg ville finde dem interessante.

Jeg havde flere hundrede artikler, som jeg havde markeret som interessante, ud af tusinder. Den fungerede okay. Derefter brugte jeg en del af en AI. AI’er forstår ikke ord, så man skal tage ordene og omdanne dem til et matematisk objekt, der kaldes en vektor. Måske husker du det fra gymnasiet.

En vektor er et matematisk objekt med en retning og en størrelse. Man tager ord, sætninger eller hele afsnit og omdanner dem til disse matematiske objekter. Uden nogen særlig indsats fra min side tog jeg alle titler og resuméer fra artiklerne og brugte den første del af AI’en til at skabe en vektor.

Nu havde jeg flere data. Jeg gav dem til den samme model, og den blev 14 procent bedre. Det er et stort spring. På samme måde kan man forestille sig, at hvis vi har en medarbejdertilfredshedsundersøgelse, som er en del af det, vi arbejder på, og kan forstå de åbne svar, så får vi 14 procent bedre forståelse af medarbejderne. [00:26:00] Det kan være en meget stor gevinst.

David Rice: Ja, med det i tankerne hvad er så noget af det uudnyttede potentiale i de data, vi har, og de værktøjer, som folk får større adgang til? Det uudnyttede potentiale handler vel i høj grad om at hjælpe folk med deres syn på jobbet, virksomheden og deres oplevelse.

Kan vi bruge det til at ændre den måde, ledere tilgår disse ting på?

Jonathan Conradt: Et af de mest almindelige spørgsmål, jeg får, er: Kan jeg outsource HR eller jura til en agent? Mit svar er, at de personer, der sandsynligvis vil bruge HR-agenter, er eksisterende HR-professionelle. HR-professionelles arbejde er meget komplekst.

Der sker mange ting. De har ofte brug for at slå mere information op og samle store mængder information. En agent er en AI, der kan gøre ting på egen hånd: bede om information, slå op i en database, tilgå en applikation eller foretage en websøgning.

Jeg tror derfor, at folk grundlæggende kommer til at få personlige ledelsesassistenter. Forestil dig, at alle i hele virksomheden har en personlig assistent. Den håndterer alle de praktiske aspekter ved at være på arbejde og forenkler ting. Når du får en e-mail med en forespørgsel, læser agenten e-mailen, organiserer de oplysninger, du skal bruge for at svare, og siger: Her er nogle ting, du bør overveje i dit svar.

Den kan måske foreslå, at du skriver noget i denne retning. Men du træffer beslutningerne som menneske. Du kan se på dataene og sige, at du vil beskrive det på en anden måde, eller at der er en grund til at sige noget andet, eller at AI’en har misforstået det.

Jeg tror, det bliver meget effektive værktøjer. Og her er det sjove: AI’er er bedst til at erstatte vicepræsidenter. Hvis man tænker på en vicepræsidents arbejde, handler det om at sammenfatte information. Hele organisationen indsamler information, som [00:28:00] bevæger sig op gennem organisationen.

Derefter skal vicepræsidenten træffe strategiske beslutninger baseret på dette brede overblik over hele organisationen. Det viser sig, at denne type informationssammenfatning er et område, hvor AI’er er langt stærkere end mennesker.

Jeg tror, vi begynder med disse værktøjer, som Microsoft kalder copiloter. Man kan kalde dem en personlig assistent eller en AI-assistent. De bliver meget nyttige og effektive. De sparer tid og giver en bedre forståelse af virksomheden.

Jeg synes, det er en fejl, hvis en organisation siger: Vi har opnået denne effektivisering, så nu ser vi på programmørerne. Hvis programmørerne bruger AI til at hjælpe dem med at skrive kode, stiger deres effektivitet markant. Man kan reagere på to måder. Den ene er at sige, at vi ikke behøver lige så mange programmører for at udføre den samme mængde arbejde.

Den anden er at erkende, at der i enhver teknologivirksomhed kommer et tidspunkt, hvor man prioriterer alt det, man gerne vil have programmørerne til at gøre. Derefter trækker man en linje og siger, at vi ikke har tid eller penge til noget under denne linje. Man fjerner dermed ting, der ville gavne kunderne eller virksomheden.

Hvis AI øger produktiviteten, skubber den i praksis denne linje ned. De intelligente virksomheder bliver dem, der siger: Lad os gøre alle mere effektive. Lad os hjælpe dem med at få deres arbejde gjort hurtigere. Lad os reducere det administrative arbejde ved bare at være på arbejde, og lad os levere mere til kunderne.

De virksomheder vil løbe fra konkurrenterne. Virksomheder, der vælger at nedskalere og fjerne medarbejdere, samtidig med at de fastholder samme arbejdsniveau med færre mennesker, vil blive kørt over af virksomheder, der beholder det samme antal medarbejdere, men øger mængden af arbejde og det, de kan gøre for kunderne, markant.

David Rice: Det kan jeg godt lide.

Jonathan, tak fordi du var med i dag. Før vi slutter, er der altid to ting, jeg gerne vil gøre med hver gæst. [00:30:00] Først vil jeg give dig mulighed for at fortælle alle, hvor de kan komme i kontakt med dig. Hvis der er noget, du arbejder på, som du gerne vil fortælle om, er du velkommen.

Jonathan Conradt: Vi giver et link, hvor man kan få en 15-minutters samtale med mig om hvad som helst. Fortæl mig om den virksomhed, du arbejder i, og de problemer, du forsøger at løse. Jeg vil meget gerne tale med dig om det.

Jeg elsker at lære om nye virksomheder. Det var en stor del af mit arbejde hos Amazon. Amazon er en enorm virksomhed, der laver alle mulige forskellige ting. Jeg tog derfor ud og mødtes med tilfældige teams om det, de lavede, og hjalp dem med at forstå, at dette er en maskinlæringsproces, de kan bruge til at gøre deres liv bedre. Sådan kan de anvende AI.

Jeg vil meget gerne have, at folk går ind på Calendly og booker tid med mig.

David Rice: Det bliver linket i beskrivelsen til denne episode. Så kig endelig på det, og book tid med Jon. Og forbind dig naturligvis med ham på LinkedIn.

Den anden ting er, at vi har startet en lille tradition her på podcasten. Du får lov til at stille mig et spørgsmål. Det kan være hvad som helst, om emnet eller noget helt tilfældigt.

Det er op til dig. Så giver jeg ordet til dig.

Jonathan Conradt: Jeg er nysgerrig: AI er rigtig god til videoredigering og den slags. Hvordan har AI påvirket dig og podcasten? [00:31:00]

David Rice: Med podcasten er det vanvittigt, hvad den nogle gange kan gøre med lyd. Den kan virkelig hjælpe os med at strømline lyden.

Jeg ved ikke, om det er AI’en eller nogle af vores redaktører, men nogle gange har den en mærkelig effekt på en persons stemme. Det største ved mit arbejde er dog indholdsproduktionen, og hvor hurtigt den har ændret sig, samt hvordan vi organiserer processen fra det grundlæggende niveau: Her er en idé, og sådan skitserer vi den.

Her er processen, du følger for at gøre stort set det hele. Det er virkelig det største, der har ændret sig. Det har ændret indholdsproduktionens karakter. Jeg vil ikke sige, at det på alle måder er nemmere, for vi er stadig i læringsfasen, hvor vi finder ud af, hvordan vi får mest muligt ud af det, og hvad vi faktisk ønsker, at den skal sige.

Især med hensyn til målgruppeprofilen skal vi få det til at passe til den. Jeg kan ikke tro, hvor langt det er kommet, siden jeg første gang skrev noget i ChatGPT. [00:32:00] Jeg mener…

Jonathan Conradt: Det er bemærkelsesværdigt, ikke?

David Rice: Det har ændret sig så hurtigt.

Jonathan Conradt: Jeg tror, at redigering af sæbeoperaer tilsyneladende er blevet revolutioneret fra den ene dag til den anden.

De optager så meget video, og redigeringen er en enorm opgave på grund af alle videooptagelserne. Jeg formoder, at reality-tv er på samme måde. Disse værktøjer reducerer den tid, det tager, dramatisk. De siger grundlæggende, at AI’en automatisk kan lave den første rå klipning. Det er fantastisk.

David Rice: Det er utroligt. Jeg er sikker på, at alle de store filmstudier investerer massivt.

Jonathan Conradt: Det var en fornøjelse at møde dig, David.

David Rice: Det var en god samtale. Tak fordi du deltog. Forhåbentlig kan vi gøre det igen på et tidspunkt.

Jonathan Conradt: Tak.

David Rice: Kære lyttere, hvis I ikke allerede har gjort det, så gå ind på peoplemanagingpeople.com/subscribe og tilmeld jer nyhedsbrevet. Indtil næste gang: Bliv ved med at [00:33:00] at eksperimentere.