Hvorfor superbrukere av KI vil løpe fra alle andre

David Rice: De fleste ansatte bruker omtrent 1 % av det som er mulig med KI. Det er ikke fordi de er late. Det er ikke fordi de mangler tilgang. Det er fordi ingen viser dem hva de kan gjøre, og at de bør bruke det 5 til 10 ganger i timen til å analysere alt de gjør, oppsummere dagen sin og finne svakheter i all logikken sin.

Dagens gjest er Kevin Surace. Han er administrerende direktør i Appvance.ai, og han snakker på omtrent 40 til 50 bedriftsarrangementer i året over hele verden. Når han stiller inngående spørsmål om hvordan folk faktisk bruker KI, er det én eller to prosent som rekker opp hånden. Alle andre bruker litt Copilot til å rette setningene sine og tenker: Oi, se på KI.

Men samtidig finnes det en 23-åring i en oppstartsbedrift i Silicon Valley som bruker det som om de har en doktorgrad, med 28 doktorgrader sittende ved siden av seg for én cent i minuttet. Og de 10 personene tilsvarer omtrent hundre av resten av oss. Så her er det Kevin vil at du skal forstå. Dette handler ikke om et kompetansegap. Og hvert år du ikke lærer denne teknologien, begynner du å sakke litt lenger etter, helt til du en dag ikke lenger er relevant.

Det skjedde med stasjonære datamaskiner på 1980-tallet. Det skjedde med internett. Det skjedde med Excel. Folk hoppet enten på bølgen, eller så ble de faset ut. Denne bølgen beveger seg mye raskere enn alle de andre. I dag skal vi derfor se på hvorfor spørsmålene dine bør være tre avsnitt, ikke fem ord, hvordan du kan tenke strategisk på hva du vil si i stedet for å skrive ord for ord, hvorfor i dag er det verste dette noen gang vil bli når det gjelder denne teknologien, og hva det betyr for yrket ditt, identitetsendringen som skjer i hele bransjer, og hvorfor motstand – for å sitere Star Trek – er nytteløst.

Jeg heter David Rice. Dette er People Managing People. Og hvis du brukte KI én gang forrige uke, mens noen ved siden av deg bruker det 10 ganger i timen, kommer denne samtalen til å være din siste advarsel. Da setter vi i gang.

Kevin, velkommen. Hvordan går det i dag?

Kevin Surace: Jeg er kjempeglad for å være her.

David Rice: Jeg ville begynne med dette: Da vi snakket sammen før opptaket, nevnte du gapet mange opplever. De fleste ansatte bruker kanskje 1 % av det som er mulig med KI. Jeg lurer på hvorfor du tror det skjer, og hva kostnaden er ved å fortsette i det tempoet.

Kevin Surace: Det er et svært interessant fenomen. Jeg får snakke på store bedrifts- og bransjearrangementer 40–50 ganger i året, omtrent over hele verden. Det man ser, er at svært få rekker opp hånden når man begynner å stille dype spørsmål om hvordan de bruker generativ KI. Det er kanskje én eller to prosent som rekker opp hånden og sier: Ja, jeg gjør dette.

Jeg skriver agenter, jeg gjør dette og hint, men de fleste gjør ingenting. De bruker litt Copilot. Det hjelper dem med å rette noen setninger, og de sier: Wow, KI. De har ingen anelse om at de burde bruke det fem eller ti ganger i timen – til å analysere alt de gjør, oppsummere alt de gjør og finne svakheter i alt de gjør.

Hvis jeg skriver en presentasjon, sier jeg: Finn svakhetene ved dette. Så: Når du har funnet svakhetene, hvordan kan jeg gjøre det bedre? Og så: Kan du hjelpe meg med å gjøre det bedre? Kan du tegne denne tegningen? Kan du analysere dette regnearket? Hva betyr dette regnearket, og hva betyr fane tre?

For med alt dette kan du gjøre noe hvert eneste minutt, hver eneste dag. Det er som å ha en person med doktorgrad ved siden av deg, som har 28 doktorgrader, ikke sant? Og de koster én cent i minuttet eller én cent i timen. Hvorfor skulle jeg ikke ville bruke det? Hver time, flere ganger i timen. Jeg tror folk ikke vet. Jeg tror mange bare bruker Copilot, som er denne veldig enkle lille tingen som hjelper deg på vei, og de utnytter ikke alle modellene slik de kan utnyttes.

Jeg bruker alle de forskjellige modellene, avhengig av hva jeg vil gjøre. Gemini er bedre enn GPT 5.2 på enkelte ting, og den er bedre enn Anthropic på andre ting – Claude, og så videre. Så du bruker dem alle.

David Rice: Jeg tror det er litt som å sette meg inn i et fullt utstyrt cockpit. Jeg har ingen flytrening. Du skjønner hva jeg mener? Det blir sånn.

Kevin Surace: Det stemmer. Noe av det interessante er at jeg holder demonstrasjoner på scenen. Jeg viser ting jeg bokstavelig talt har gjort for bedriften deres. Jeg sier: Jeg har ikke engang noen konfidensiell informasjon om selskapet deres, men la meg vise dere hva jeg klarte å gjøre. Her er et helt nytt produkt som jeg tror ville gjort det bra, her er størrelsen på markedet, her er TAM-en, og her er hvordan jeg vet det.

Og de sier: Hva? Vi ville ha brukt 5 milliarder dollar på å finne ut av dette. Jeg brukte fem minutter. Kanskje ti. De har ingen anelse om at de kan gjøre dette med KI, fordi ingen har vist dem det før. Ingen har lært dem hvordan. De fleste skriver inn et spørsmål på fem ord eller noe sånt. Mine spørsmål er tre avsnitt lange og svært gjennomtenkt utformet: Hvem er målgruppen min? Hva prøver jeg å gjøre?

Hvem retter jeg meg mot? Hva prøver jeg å si? Hvorfor prøver jeg å si det? Hvilke meninger har jeg om dette? Det er mye jeg må legge inn for å få noe verdifullt ut. Ikke bare «skriv et avsnitt om X», for da vet du ikke hva du gjør. Du misbruker verktøyet. Jeg tror derfor folk trenger opplæring.

De må bli komfortable. De må få tilgang til flere modeller og flere verktøy enn bare Copilot. Da blir det en total forandring. Og til slutt: Hvis du er i en oppstartsbedrift i Silicon Valley, gjør du alle disse tingene ti ganger så mye. Det er det du gjør. Så de som hører på dette, sier: Ja, selvfølgelig gjør vi dette, Kevin. Hvis du jobber i et stort selskap i Midtvesten,

sier du kanskje: Jeg har bare fått Copilot her, og jeg spurte om noe i Word, og det rettet setningen min. Og de sier: Wow. Det er omtrent som å erstatte Grammarly eller noe. Det finnes altså et slikt skille. Det er et stort problem for et stort selskap, fordi oppstartsbedrifter nå drives med ti ganger høyere hastighet enn det antallet mennesker de har skulle tilsi.

De er 10 personer som tilsvarer 100, fordi de bruker KI, en rekke generative KI-modeller og generative KI-verktøy til markedsføring, salg, analyse, til å finne svakheter og til å diskutere med. De bruker disse tingene 10 ganger i timen, hver person. Hvis du brukte det én gang forrige uke, er du ferdig. Du kommer til å bli fullstendig utkonkurrert.

David Rice: Det er mye snakk om kompetansegap, men det føles som om dette også handler om et selvtillitsgap. Jeg tror ikke folk unngår KI fordi de ikke ser potensialet. Jeg tror bare mange ikke vet hvor de skal begynne. Tror du den langsomme starten forsterker seg over tid?

For hvis du ikke begynner nå, er du om 12 måneder bare …

Kevin Surace: Jeg sier det slik: Du kommer lenger og lenger bakpå, så begynner det å bli pinlig, og så vet du ikke hva du skal gjøre. På et tidspunkt er du ikke lenger relevant. Når skjer det? Den stasjonære datamaskinen kom inn i folks yrkesliv på et tidspunkt på midten eller slutten av 1980-tallet.

Hvis du var en av dem som sa: Jeg vil ikke ha en slik ting på skrivebordet mitt, sank du lenger og lenger bak for hvert år som gikk. Til slutt kunne du ikke lenger delta i arbeidet, og du måtte pensjonere deg. Det var bokstavelig talt håpløst. Hvordan kunne du klare deg uten den? Så kom internett.

Det var mange som sa: Jeg trenger ikke det på jobb. Jeg trenger det ikke i det hele tatt. Jeg trenger ikke gjøre noe med det. Jeg kommer ikke til å ta det i bruk. Enten hoppet du på bølgen, eller så pensjonerte du deg også. Det samme skjedde med Excel. Excel dukket opp i økonomiavdelinger på slutten av 1980-tallet og begynnelsen av 1990-tallet.

Det var mange som hoppet på og sa: Dette forandrer alt. Jeg skal bruke Excel til alt jeg gjør. Andre sa: Jeg vil ikke lære meg denne greia. Jeg har regnskapsbøker her og blyanter, og alt fungerer fint. De pensjonerte seg. Det fantes ingen annen avkjørsel. Jeg tror det viktigste poenget er at når du ikke lærer deg den nyeste teknologien som er blitt utbredt, går du mot pensjonering, og det er det.

Det er helt greit hvis det er det du vil, men vit at det er dit du er på vei. Hvis du skal pensjonere deg om ett eller to år, spiller det ingen rolle. Det er som legen som ikke vil bruke det nyeste medisinske utstyret og sier: Jeg pensjonerer meg om to år. Jeg trenger ikke lære dette. Du har rett i at du kommer til å pensjonere deg om to år.

For ingen vil ha deg lenger. Så til alle som hører på dette og sier: Jeg trenger egentlig ikke lære dette. Jeg er 45 år. Jeg har 20 år igjen i arbeidslivet. Nei, det har du ikke. Du har tre år igjen. Ingen vil ha deg i arbeid hvis du ikke behersker disse verktøyene.

David Rice: Et annet uttrykk vi hører mye nå, er skygge-KI, ikke sant? Bruken finnes overalt, og med god grunn. Folk er frustrerte over mange av bedriftsverktøyene, som ofte oppleves som utvannede eller trege å ta i bruk. Hvordan lukker vi gapet mellom det folk trenger, og det de faktisk får?

Kevin Surace: Det jeg har sagt til virksomheter, er at de må gjøre alle de store modellene tilgjengelige – ikke for alle i selskapet, men i private versjoner. Dere har bedriftskontoer og gir tilgang til dem som trenger dem i bestemte avdelinger. Hvis en videoprodusent kommer til deg og sier: Jeg må analysere videoer, og her er grunnene til at vi analyserer denne serien, så sier du: Flott. Det er Gemini. Nå har du tilgang til den. Vi har en bedriftskonto.

Du må altså ha alle verktøyene tilgjengelige. Det som skjer i mange selskaper i dag, er at du sier: Jeg vil bruke mer KI. Jeg går til IT, og de sier: Vi ga deg Copilot. Den rettet denne setningen. Jeg vil gjøre mer enn det. Jeg setter det litt på spissen. Copilot kan gjøre mer, men du skjønner hva jeg mener. Og de sier: Nei, og vi tillater ikke at du bruker noe annet.

Da går de hjem og gjør det, eller de gjør det i det skjulte, og så blir de blokkert på jobb. Hvis du vil lykkes, må du virkelig sette alle de ansatte i stand til å bruke verktøyene. Du har ikke noe valg.

David Rice: Jeg hører ofte at de godkjente verktøyene føles som om de er laget for å bremse deg, ikke for å få deg raskere frem. Derfor går folk utenom systemene, ikke i opprør, men av nødvendighet. Forventningen er jo at du skal gjøre mer og gjøre det raskere, mens verktøyene som tas i bruk, ikke egentlig samsvarer med behovene i folks arbeid. For meg handler dette ikke om etterlevelse, men om relevans.

Kevin Surace: Det er enkelt for IT å opprette bedriftskontoer med ti forskjellige verktøy i dag: noen for salg, noen for markedsføring, noen generelle, fem generelle modeller og så videre. Deretter legger man bare til personer etter behov i de ulike avdelingene. Men la selskapet vite at det finnes mange verktøy tilgjengelig, og at man må spørre.

Vi kommer ikke til å rulle dette ut til 40 000 ansatte når 200 trenger det. Men hvis 200 trenger det, gjør vi det, fordi det vil gjøre dere mer produktive. Det er poenget. Mange av tilbakemeldingene jeg får etter demonstrasjoner, er: Dette var fantastisk. Dessverre gir selskapet oss ikke tilgang til dette.

Jeg innleder derfor alltid med å si at selskapet kanskje ikke gir deg tilgang til alt jeg viser. På verktøysiden min finnes det faktisk rundt 40 ulike verktøy jeg brukte i presentasjonen, og de sier: Vi har ikke tilgang til alle disse. Jeg sier: Ja, men hvem er i rommet? Administrerende direktør er i rommet. Så dette må dere finne ut av sammen.

Jeg er her for å vise dere kraften og mulighetene i generativ KI i dag, og det krever tilgang til mange forskjellige ting. Du bør spørre ledergruppen, toppledelsen, IT eller hvem det måtte være, om det du mener du trenger. Så må dere finne ut av det. Ikke gå ut og bruk ting i det skjulte. Det kan du ikke gjøre.

Skygge-KI og skygge-IT er dårlig. Du kan ikke spore det. Folk bruker ting uten å ha en konto. Hvis du har konto på de fleste av disse tjenestene, er den privat, men mange har bare ikke en betalt konto og tenker: Det går sikkert bra. Nei, da er alt offentlig, og tjenesten kan bruke det til opplæring og hente det frem igjen senere.

Det er dårlig. Du bør ikke gjøre det. Det som skjer i arbeidsmiljøet, er at man prøver å blokkere IP-adressene og nettadressene for å hindre at folk går utenom systemene.

David Rice: Du er ganske tydelig på at selskaper ikke virkelig kommer til å gå videre med agenter før de har løst sikkerhet og kontroll. Men hva går vi glipp av hvis vi venter for lenge? Holder vi tilbake det neste store spranget bare fordi det er litt uoversiktlig?

Kevin Surace: Selskaper gjør allerede noe arbeid med agenter på steder der de ikke burde. En del av det som holder selskaper tilbake, er at de har brukt 10 år på å rulle ut RPA, altså robotisert prosessautomatisering. RPA er en type agent som er svært regulert av et sett regler. Den er regelbasert. Den er ikke KI-basert, men regelbasert.

Beslutninger som tas, går derfor inn i et beslutningstre, som utfører dem. Den følger et sett regler. Slike systemer fungerer svært godt når situasjonen er forutsigbar. Du forstår sikkerhetsproblemet, du forstår alt ved dem, og alt fungerer bra.

Når disse systemene fungerer, og du allerede har automatisert mange arbeidsflyter med RPA, er ikke agenter noe mirakel. Det du kanskje vil gjøre med en agent, er å si: Jeg kan automatisere denne arbeidsflyten litt bedre med mer intelligens. Ja, men til hvilken sikkerhetsrisiko, og hvor lang tid tar det å finne og rette alle feilene?

Det tok lang tid før RPA kom på plass. Jeg tror det faktum at folk allerede har rullet ut RPA, er den største hindringen. De tenker: Jeg trenger en agent til å gjøre dette. Men de har allerede en agent som gjør det. Det er en RPA-agent, men den fungerer.

Et eksempel er: Jeg må behandle noe innen forsikring, og det må gå mellom 11 forskjellige systemer. RPA gjør dette allerede i dag. Du starter prosessen, og systemet fungerer som en agent. Det tar inn dataene, sender dem mellom systemene, arkiverer dem der borte, sjekker dette, går gjennom reglene og kommer tilbake og sier: Jeg utsteder en sjekk. Og du sier: Flott. Det gjør den allerede.

Jeg kan sette inn en agent til å gjøre det, men jeg sparer ingen penger. Jeg kan få bedre beslutninger med litt mindre menneskelig innblanding, men jeg kan også få en dårlig beslutning. Nå har jeg tillatt KI å ta beslutningen i stedet for et sett regler jeg selv har laget.

Som selskap har jeg derfor ikke like mange ting å automatisere i dag som krever en agent, sammenlignet med RPA-en jeg allerede har rullet ut det siste tiåret og brukt titalls millioner dollar på å få på plass.

Det betyr ikke at det ikke finnes områder der agenter kan ta over. Jeg tror mange selskaper lukket de største gapene det siste tiåret. Det er poenget mitt. Teknologien før agentene fungerte allerede mye som en agent, og godt nok. De kommer derfor ikke til å se store kostnadsbesparelser nå.

På folks skrivebord er agenter derimot interessante. Du får bestemte arbeidsflyter som er helt unike for noen få personer, og som selskapet aldri ville ha automatisert. Det kan være interessant. Men vil du virkelig tillate at folk skriver sine egne agenter? Hva er sikkerhetskonsekvensene? Disse agentene får tilgang til de mest kritiske systemene våre, og jeg vet ikke om de har rett til det.

Jeg vet heller ikke om det faktisk er agenten som gjør det, eller en hacker som har sneket seg inn. Dette er kompliserte spørsmål.

David Rice: Kan det være slik at bruken av agenter begynner på toppen, og at vi ser hvor det går derfra? Kanskje toppledelsen har en agent, men ingen andre i starten.

Kevin Surace: Kanskje, men det er også den agenten en hacker helst vil trenge inn i og ta over.

Spørsmålet om agenter er virkelig vanskelig. Igjen har du RPA som allerede er rullet ut mot de største behovene. Det fungerer. Det har spart penger og økt produktiviteten. Nå har du denne nyere teknologien som kan ta over. Vis meg besparelsene.

Jeg har allerede automatisert alt som kunne automatiseres det siste tiåret. Hvor store er de ytterligere besparelsene? Er de 2 %? Er det verdt innsatsen? De har spart de 80 prosentene som kunne spares. Jeg tror derfor dette er vanskelige spørsmål.

Når vi ser 10 år frem, kommer agenter tydeligvis til å være utplassert overalt. De kommer til å være svært sikre, og vi kommer til å løse alle disse problemene. De vil erstatte RPA, eller RPA-selskapene kommer selv til å gjøre RPA om til smarte agenter. Alt dette kommer til å skje.

Men vi snakker om store virksomheter. En oppstartsbedrift kommer til å bruke agenter til alt de kan, fordi de er billigere enn mennesker, og fordi de ikke har RPA eller eldre teknologi som allerede har automatisert ting. De starter fra null og kan bruke agenter.

David Rice: Oppstartsbedrifter virker altså som det perfekte stedet for eksperimentering. Det er der vi lærer, og der vi bygger opp denne muskelen.

Kevin Surace: Nettopp.

David Rice: Du sa at den virkelige superkraften ikke først og fremst er modellen, men personen som vet hvordan man bruker riktig modell til riktig oppgave. Du nevnte tidligere at du bruker én modell til dette og en annen til noe annet, fordi hver av dem har sitt formål. Jeg ser dette hele tiden på X. Folk legger ut enorme infografikker der alt er kartlagt. Men de fleste vet ikke det de ikke vet. Hvilke ferdigheter trenger man?

Kevin Surace: Hvordan lærer du? Du lærer ved å bruke verktøyet. Det er slik du lærer alle nye verktøy. Du bruker dem, og bruker en time eller to på å finne ut hva som fungerer bedre der enn et annet sted.

Hvis det bare er en transformer-modell, en multimodal språkmodell eller noe annet, kan du begynne å lære: Hvis jeg gjør denne typen research, går jeg til Perplexity, og her er grunnene. Her er hvordan den gir meg kildene. Hvis jeg skal gjøre videoanalyse, går jeg til Gemini. Hvis jeg skal generere musikk eller jobbe innen musikk, bruker jeg kanskje dette. Hvis jeg skal jobbe med video, bruker jeg kanskje det.

Det avhenger av hva du prøver å gjøre. Descript er bedre på enkelte ting, mens en annen tjeneste er bedre på noe annet. Vi kunne bare fortsatt slik. Men hvis du ikke har tatt deg tid til å skaffe abonnementer og lære deg alle disse verktøyene, har du et problem.

Jeg ser også infografikkene. Men før du bruker verktøyet, vet du ikke hva du skal gjøre. Du vet det bokstavelig talt ikke. Og disse teknologiene krever nå mye tid å forstå.

Hvis du er musiker og er vant til en DAW, en digital lydarbeidsstasjon, og nå ønsker separasjon av lydspor og MIDI-eksport, åpner du kanskje et musikkstudio på nettet og tenker: Dette ligner litt på DOS på nett. Da skjønner du det. Men hvis du aldri har brukt noen av disse verktøyene, kan du ikke bare gå inn og si: Jeg skal bruke dette studioet, når du ikke vet hva separasjon av lydspor er.

Du vet ikke hva de enkelte instrumentene eller lydsporene betyr. Du vet ikke hvordan du manipulerer dem. Glem det. Du bare står der. Du trenger litt bakgrunn i noen av disse tingene også. Hvis du aldri har redigert video før, kommer du sannsynligvis ikke til å dukke opp og lage en film med et hvilket som helst verktøy. Du mangler ferdighetene.

Men hvis du begynner å bruke verktøyene og arbeider med dem i dager eller uker, selv uten tidligere erfaring, kommer du sannsynligvis til å tenke: Nå ser jeg hvordan jeg får den til å gjøre dette i stedet for dette. Så ser jeg hvordan jeg kan sette disse tingene sammen. Så ser jeg hvordan jeg kan forlenge en scene. Så ser jeg hvordan jeg kan legge teksting på den.

Du må lære alle disse delene. Du går ikke inn i et verktøy og sier: Jeg er klar. Men du kan bruke det og de fire–fem ulike modellene de har, og i løpet av noen dager og mange timer kan du bli svært god på enkelte ting. Da kan du bli en superbruker.

Det er dit folk må komme, avhengig av karriereveien og hva de prøver å gjøre, enten det er på jobb eller hjemme. Hva prøver jeg å oppnå? Hvilke verktøy finnes? Hvordan lærer jeg dem?

Hvis jeg jobber med markedsføring, bruker jeg alle slags KI-verktøy som er rettet spesifikt mot markedsføring. Jeg mener ikke publisering av blogginnlegg, men målrettede e-poster, målretting på LinkedIn, tilpassede e-poster og alt det der. Det finnes nå masse som er drevet av KI.

Det er svært kraftig. Det er fantastisk. Jeg så på et webinar i morges med Zapier og Descript, og brukte Zapier-flyter med agentfunksjonalitet som du kan skrive og opprette. Det er ganske imponerende. Jeg har ikke brukt det ennå, så jeg ser på det og tenker: Her har jeg mye å lære.

Det er enda en ting. Det er en million ting jeg ikke har gjort. Jeg prøver å gjøre dette hver dag. Det finnes alltid mer å lære. Vær nysgjerrig.

David Rice: Å bygge et globalt team bør ikke bety at du må håndtere fem forskjellige systemer for HR, lønn og IT. Deel samler alt på ett sted, slik at du kan ansette, lære opp, betale og utstyre folk hvor som helst uten det vanlige kaoset. Enten du ansetter medarbeidere i 10 land eller håndterer kontraktører på tvers av tidssoner, håndterer Deel samsvar, ytelser og lønn på ett sted. Det betyr færre verktøy, mindre hodebry og mer tid til å fokusere på menneskene dine.

Klar for å se hvordan ansettelser uten grenser faktisk ser ut? Besøk deel.com/pmp. Det er deel.com/pmp for å bestille en demonstrasjon. Deel.com/pmp. Deel – ansett, administrer og betal hvem som helst, hvor som helst.

For meg føles det heller ikke egentlig som teknisk magi. Jeg har eksperimentert med ganske mange verktøy nå, og jeg føler at det ikke handler om teknisk dyktighet. Hvis jeg skal bygge et økosystem av verktøy, handler det egentlig om systemtenkning og vurdering av hva som er best.

Tradisjonelt har vi lært folk å løse veldefinerte problemer, men jeg tror verdien flytter seg mot hvilke spørsmål du stiller.

Kevin Surace: Ja.

David Rice: Du må kunne orkestrere systemet av verktøy.

Kevin Surace: Absolutt. Du kan skrive agenter som hjelper deg med å orkestrere dette settet av verktøy, og det er virkelig fascinerende. Du sier: Jeg har definert arbeidsflyten min. La meg opprette en agent som gjør denne arbeidsflyten for meg. Jeg går fra dette verktøyet, legger alt inn der, tar filen og flytter den hit, gjør noe der, legger til noe – jeg kan opprette en arbeidsflyt som gjør dette.

Automatisk, ved å trykke på en knapp. Vi har hatt måter å gjøre noe slikt på før gjennom skripting, både i Windows og Mac. Det fantes verktøy for dette. Men nå er det smart, mye smartere. Det kan analysere det som ble sagt i en video. Du kan analysere en video på halvannen time og automatisk dele den opp i 20 ulike innlegg for sosiale medier, uten at du trenger å redigere noe.

Den gjorde det for deg basert på det som ble sagt, også i denne podkasten.

David Rice: Ja, jeg gjør det hele tiden. Vi snakket tidligere om dette flotte eksempelet: Det som tidligere tok McKinsey seks måneder og millioner av dollar, kan du nå gjøre på én time med KI. Men det handler ikke bare om verktøyene.

Nøkkelen ligger i hvordan du gir den informasjon. Hva er prosessen din for å få KI til å tenke sammen med deg, ikke bare for deg?

Kevin Surace: Jobb nummer én er alltid lange, grundige og meningsfylte spørsmål. Hvem er målgruppen min? Hva mener jeg om dette temaet? Jeg kan bruke 10 minutter på å skrive flere avsnitt.

Det er spørsmålet mitt. Folk sier: Gjorde du hva? Ja, men nå får jeg ut en enorm verdi. Tenk på hvem målgruppen er. Tenk på hvilke innspill du vil bruke. Tenk på kildene til materialet. Tenk på din egen mening om temaet. Tenk på stemmen din i dette temaet.

Alt sammen. Jeg synes det er interessant at jeg kan gjøre en svært kompleks markedsundersøkelse av for eksempel kjøretøy i Sør-Amerika. Hvis jeg skulle hyre McKinsey til å gjøre dette – la oss si at jeg jobber i Uber eller noe lignende, og vil forstå sannsynligheten for at Uber skal lykkes i Sør-Amerika – ville jeg brukt 5 millioner dollar.

Jeg finner på dette. Jeg ville brukt 5 millioner dollar på McKinsey, og de ville gjort all denne undersøkelsen. De ville satt folk på bakken, sett på alle dokumentene, lest offentlige rapporter og samlet alt sammen. Tre måneder senere ville de kommet tilbake med resultatet.

For virksomheten min ville jeg brukt 5 millioner dollar. Men jeg kan garantere at jeg kan gjøre det nå, og det kan ta en time. Du må stille oppfølgingsspørsmål, og du bruker en tenkemodell. Det kan ta fem til ti minutter bare å behandle saken. Den gjør undersøkelsen for deg, og resultatet er fantastisk.

Deretter må du samarbeide med den for å lage utkast og diagrammer, få rapporten slik du ønsker og legge den inn i en PowerPoint. Men på én time har jeg noe som tidligere kostet 5 millioner dollar, og jeg har det for én dollar i arbeidstiden min.

Dette er sant. Det er et faktisk eksempel. Jeg gjorde dette nylig for et selskap som sa: Vi har hatt 82 000 garantikrav de siste årene. Hva kan vi gjøre for å redusere dem? Siden de var skrevet inn på engelsk, kunne man ikke enkelt sortere dem. Man kunne ikke gjøre tradisjonell analyse i en database. De lå bare i Excel, listet opp: Dette var galt, dette var galt, dette var galt.

Men generativ KI kan ta inn hele regnearket, bokstavelig talt analysere det, lese all engelsken som står der og komme tilbake med fem anbefalinger til endringer vi kan gjøre i produksjonen fra og med i morgen.

Jeg gjorde dette live for et selskap, og de så på meg og sa: Du tuller. Vi har sittet på disse dataene i flere år. Vi aner ikke hva vi skal gjøre, fordi det er overveldende. Vi skal hyre inn et team eller et konsulentselskap for å gå gjennom, prioritere og analysere det, og du gjorde dette på fem minutter.

Det er dette folk ikke tenker på. Jeg kan ta inn enorme mengder data så lenge jeg ikke har overskredet kapasiteten. Jeg kan analysere enorme mengder data uten å måtte rydde dem opp først. I tradisjonell KI må jeg virkelig rense dataene, men med generativ KI holder det at den vet at dataene ikke er rene, at de er en blanding og ligger hulter til bulter.

Den leser alt sammen og kommer frem til en konklusjon basert på lesingen. Konklusjonene og anbefalingene var fantastiske, og så vidt jeg vet gikk de faktisk videre og innførte dem. Hvorfor skulle de ikke gjøre det? Det er bare å sette i gang.

Jeg hadde et annet eksempel med skader på fabrikken. Her er alle skadene som har skjedd på fabrikken. Det var tusenvis og tusenvis. Hvordan reduserer vi dem? Lag anbefalinger. Det tok minutter. Her er anbefalingene. Gjør bare disse tingene, så reduserer dere skadene med 80 %.

Hva? Jeg undersøkte det grundig og vil si at det var riktig. Man vet aldri om det er riktig før man har gjennomført det, men det var på rett spor, og mennesker kunne ikke ha kommet frem til det. McKinsey kunne ha gjort det for 5 millioner dollar. Dette gir en idé om hva som er i ferd med å endre seg. Og hva vi kan gjøre.

Dette er svært kraftige verktøy du har til rådighet, hvis du vet hvordan du bruker dem riktig.

David Rice: Jeg elsker dette eksempelet. Det går tilbake til det vi snakket om i starten, med folk som kanskje bruker 10 % av det som er mulig. Men det viser også at det går raskt uten at det er magi.

Resultatet gjenspeiler kvaliteten på innspillet, så å si. Det er lett å forveksle hastighet med innsikt. Men jeg liker at du peker på noe dypere: Du skaper sammen med KI. Du tenker sammen med den. Du delegerer ikke bare. Det er da du begynner å få problemer.

Kevin Surace: Den er en diskusjonspartner som er smartere enn deg, men den er fortsatt en diskusjonspartner. Du må pirke i det den sier og spørre hvorfor. Jeg sier noen ganger til den at den tar feil. Jeg sier: Det er feil. Du tenkte ikke på dette. De gode modellene kommer nå stort sett tilbake og sier: Du har rett. Det tok jeg ikke med i vurderingen. Når jeg tar det med, er dette svaret.

Da sier jeg: Det gir mer mening. Jeg diskuterer med den. Jeg sier at den tar feil. Jeg spør om anbefalingene og meningene mine. Er denne meningen gyldig? Er denne meningen riktig?

Jeg analyserte noe i går: en hel artikkel om at KI ikke kan foreta en moralsk vurdering. Jeg tenkte: Jeg er faktisk ikke enig, for jeg tror vi kan det i dag. Så jeg sa: Her er artikkelen. Forklar hvorfor forfatteren mener at KI ikke kan foreta en moralsk vurdering, og forklar hvorfor du mener at du ikke kan det.

Den svarte: Men det kan jeg, fordi jeg har lært alt mennesker har gjort. Jeg forstår derfor hva mennesker mener er moralsk, og kan dermed foreta en moralsk vurdering.

Jeg kan ikke foreta en vurdering på dine vegne. Du må leve med konsekvensene. Men jeg kan fortelle deg hva som sannsynligvis vil bli ansett som moralsk i disse resultatene. Jeg syntes det var en fantastisk frem-og-tilbake-diskusjon: Forsvar deg selv. Fortell meg om du kan eller ikke kan foreta en moralsk vurdering.

Selvfølgelig kan den det, basert på det den har lest og det mennesker mener er moralsk. Gir det mening? Det er åpenbart umoralsk å drepe mennesker. Så stilte jeg spørsmålet: Hjelp meg å forstå moralen i noe som er aktuelt akkurat nå – USAs invasjon av Iran. Hjelp meg å forstå moralen i det, ikke om vi bør eller ikke bør gjøre det.

Bare hvilke moralske konsekvenser har det? Og så kommer det: Her er de moralske konsekvensene av å gjøre det. Her er to sider av saken, og slik vil det iranske folket føle det. Slik vil verden kanskje føle det, basert på disse dataene.

Du tenker: Dette er fantastisk. Ikke fortell meg at du ikke kan foreslå hvordan mennesker kommer til å føle det fra et moralsk perspektiv.

Bør vi gjøre det? Jeg foreslår ikke at vi invaderer noe, men bør vi invadere noe? Hvordan ser det ut? Hvordan kommer verden til å dømme oss? Det er fascinerende. Hvis jeg jobber i CIA eller i regjeringen, vil jeg faktisk spørre maskinen: Basert på alt du har lest, hvordan kommer dette til å se ut?

Så pirker jeg i svaret og fortsetter frem og tilbake. Jeg sier dette til folk, og folk i oppstartsbedrifter sier: Selvfølgelig kan du gjøre det. De fleste andre sier: Du må være gal. Kan du gjøre det? Selvfølgelig kan jeg det.

Jeg kan gå enda lenger og si: Basert på alle kjente kriger de siste 30 årene, eller hva det måtte være, hvis USA skulle gjøre dette, hvordan burde vi gjøre det? Hvilket utstyr burde vi bruke? Hvor mange mennesker? Hva er risikoen?

Du kan spørre om det. Den vil si: Ja, basert på det vi vet, og alt dette, er det slik det bør gjennomføres. Jeg har tusen analytikere i Pentagon som arbeider med dette. Jeg kan bare spørre modellen. Jeg sier deg, den er utrolig god.

David Rice: Da vi snakket sammen tidligere, snakket vi om at vi beveger oss mot en situasjon der kanskje bare noen få modeller dominerer – tre eller fire – fordi forskjellen for de fleste av oss blir nesten usynlig når nøyaktigheten har nådd et visst nivå.

Kevin Surace: Den er nesten usynlig allerede. Med mindre du vet at Gemini må være bedre på akkurat denne ene tingen, ville du bare brukt GPT 5.2 eller ChatGPT hvis det er den offentlige versjonen.

Jeg tror vi kommer til et punkt der alle disse systemene har omfattet 100 % av all menneskelig kunnskap, og det ikke finnes mer å gjøre. Vi er allerede på vei dit. For tre år siden var det på en måte én modell. Det var ChatGPT, versjon 3.0 eller 2.5, et sted der da den først ble tilgjengelig. Den gjorde mange feil og hadde mange problemer, men den var ganske imponerende.

Så kom Claude, og Gemini, og X.ai, og modellene fra Kina, og Llama. Alle presterer svært godt. Hvis du ser på testene, ligger de nå alle innenfor noen få prosent av hverandre. De er alle svært gode på de fleste spørsmålene de blir stilt, og i de fleste samtaler og diskusjoner du har med dem.

Det blir derfor mindre og mindre forskjell mellom dem. Det må bli slik, for de blir stadig bedre. Ingen av dem kan bli bedre enn den menneskelige kunnskapen vi har gitt dem, i hvert fall ikke når det gjelder en transformer-modell. Den lærer ganske enkelt av alt den har lest eller sett.

Jeg tror vi kommer til å bruke dem til alt, og kanskje vil det ikke spille noen rolle hvilken modell du velger. Når du gjør det, faller selvfølgelig kostnadene. Alle begynner å arbeide med at kostnadene ved å kjøre modellene blir lavere, fordi dette blir en svært konkurransepreget bransje. Kanskje ingen betaler noe for tjenestene, eller de betaler én dollar i måneden, fordi konkurransen blir så sterk.

David Rice: Det var det neste jeg ville spørre om. Hva betyr dette for hvordan selskaper bygger og kjøper KI i 2026, og når de tenker langsiktig?

Kevin Surace: Forhåpentligvis bygger ingen egne generative KI-modeller i virksomheten. Du utnytter det som allerede finnes.

Hvordan påvirker det så det de gjør? Kostnadene kommer til å fortsette å falle. Forhandle derfor kontraktene dine klokt. Du kommer kanskje til å fornye dem manuelt og se på kostnadene. Dette følger i grove trekk Moores lov. Kostnadene om 10 år bør være 5 % av det de er i dag.

Kostnadene kommer til å falle med 90–95 %. Kostnadene for databehandling kommer til å falle så mye. Slik er det bare. Til syvende og sist kjører dette på grafikkprosessorer i stedet for sentralprosessorer, men det kjører på silisium. Kostnadene for silisium halveres hver 12. til 18. måned, og det skjer fortsatt.

Gjør du regnestykket, ser du at denne kostnadsreduksjonen forsterker seg, og at vi kommer til å være 90–95 % billigere om 10 år. Det er det du bør legge til grunn. Det er bra. Det gjør dette enda mer tilgjengelig. Det er allerede tilgjengelig for nesten hele verden, og dette gjør det enda mer tilgjengelig, selv for svært komplekse oppgaver.

David Rice: Jeg er nysgjerrig, for det føles som om denne gangen er annerledes. Det er jo det vi alle stadig sier.

Kevin Surace: Det sier vi hver gang. Denne gangen er annerledes. Internett var annerledes. Smarttelefonen var annerledes. PC-en på skrivebordet var annerledes. Alt var annerledes.

David Rice: Ser du et signal akkurat nå som forteller deg at dette er et øyeblikk ledere ikke har råd til å sitte på sidelinjen i?

Kevin Surace: Var ikke PC-en på skrivebordet et slikt signal? Excel også. Word også. Det er poenget. Da tekstbehandleren kom, hadde du ikke råd til å sitte på sidelinjen. Ellers måtte du pensjonere deg. Dette er en av de bølgene der du blir pensjonert hvis du sitter på sidelinjen. Det er greit, men du kan ikke sitte på sidelinjen.

Folk fortsetter å si at dette er større enn alt annet. Jeg vet ikke. Internett var større enn alt som kom før det. Smarttelefonen var kanskje større enn alt som kom før den, fordi den var koblet til internett og bygde på alt vi hadde utviklet.

Dette er større enn alt som kom før, fordi det bygger på internett, smarttelefoner og PC-er. Det bygger på alt vi gjorde før dette, og derfor kunne det nå ut til tre eller fire milliarder mennesker på svært kort tid, fordi vi hadde internett.

Kan du forestille deg om vi hadde hatt denne teknologien uten internett? Fem personer på et universitet kunne ha brukt den. Du måtte ha gått bort til maskinen. Men vi har internett, og det lar oss kommunisere uansett hvor vi er i verden, med høy hastighet. Jeg har en symmetrisk gigabit-forbindelse her, og det fungerer utmerket.

Jeg tenker ikke på dette lenger. Vi tenker ikke lenger på kostnadene ved å overføre data. Jeg kan sende terabyte over hele verden nesten gratis. For 20 år siden kunne det ha kostet 20 000 dollar å sende én eller to terabyte, og nå koster det ingenting.

Dette har skjedd igjen og igjen. Vi bygger videre på de tidligere bølgene, og jeg synes vi gjør det svært vellykket. Du vil absolutt ikke gå glipp av denne bølgen.

Personen ved siden av deg som bruker dette fem ganger i timen, er ti ganger smartere enn deg. Ti ganger mer produktiv enn deg, enten du liker det eller ikke.

Det pågår store diskusjoner i musikkmiljøet nå om å bruke KI-verktøy til å generere musikk, deler, nye arrangementer og orkestreringer. Noen vil bruke det, andre vil ikke. Også musikkmiljøet har vært gjennom flere teknologiske stadier.

Før var alt skrevet med blyant og papir. Så fikk vi notasjonsprogrammer som gjorde deg mye mer produktiv. Deretter fikk vi digitale lydarbeidsstasjoner. Så la vi til sampling og digitale opptak av instrumenter, og plutselig trengte jeg ikke en gitarist. Jeg kunne få denne tingen til å spille gitar digitalt.

Nå har vi KI. Jeg kan si: Lag denne gitarstemmen. Få den til å høres slik ut. Og så gjør den det – for hele sangen. Du tenker: Oi, jeg trengte ikke skrive én eneste tone.

Dermed får du et skille i musikkmiljøet. Halvparten sier: Jeg kommer aldri til å bruke den greia. Det er et forferdelig verktøy som tar fra oss kreativiteten. Den andre halvparten sier: Det gjør meg mer kreativ, fordi jeg kan lage 10 sanger i timen hvis jeg vil, også med mine egne melodier.

Dette er fascinerende, og jeg kan garantere at vinnerne alltid bruker den nyeste teknologien. De som sa at de aldri skulle bruke digitale lydarbeidsstasjoner eller sampling, og at de bare skulle spille instrumentet sitt, ble hengende etter i den digitale musikkrevolusjonen.

De fleste filmmusikk- og TV-produksjoner lages digitalt. Beklager. Det sitter ingen trompetist i studioet. Du hørte en trompet, men ingen spilte den. Det er en digital gjengivelse av en trompet, og den er perfekt, eller nesten perfekt.

Det er retningen dette går i. En hel rekke mennesker kommer til å bli hengende etter. Jeg diskuterer med dem hver dag, og jeg respekterer at de mener alvor når de sier: Jeg kommer aldri til å bruke dette.

Det tar fra oss levebrødet og kreativiteten. Greit, men det sitter en person ved siden av deg som bruker det, eller en annen som bruker det, og de kommer til å ta jobben din. Det er poenget.

Hvis du skriver blogginnlegg innen markedsføring og sier: Dette er det jeg gjør. Jeg skriver blogginnlegg, og jeg er veldig god på det, bør du bruke KI og skrive 52 blogginnlegg om dagen nå.

Hvis du fortsatt skriver ett hvert tredje døgn, finnes det noen ved siden av deg som skriver et helt års innhold på én dag. Da er du ferdig. Jeg kan ikke endre det faktum at du er sint fordi noen tok den fantastiske ferdigheten din med å skrive ord for ord.

Det er over. Ingen kommer til å betale deg for å skrive ord for ord lenger. De kommer til å betale deg for å tenke strategisk over hva du vil si, få det sagt, redigere det og publisere det. Det tar 15 minutter. Det tar ikke 15 dager eller 15 timer.

Slik er det. Beklager. Det er som å si: Jeg er veldig god med skrivemaskin. Greit, men vi bruker ikke skrivemaskiner lenger. Jeg kan bruke telefaks. Vi trenger ikke telefakser. Hva snakker du om?

Slik er det med all teknologi. Det gjelder særlig i dag.

David Rice: For meg var det dette du traff med musiker-eksempelet. Forskjellen er at det utløser en følelsesmessig reaksjon. Det er ikke bare et forretningsinitiativ, men en endring på identitetsnivå for folk. Det gjelder til og med hele bransjer, som markedsføring.

Det er naturlig at det kommer en motreaksjon, også blant ledere. Vi nevnte den forsterkende effekten tidligere, og det er det samme her. Dette skjer med alle. Hvis du ikke holder tritt nå, med hastigheten dette beveger seg i, er det vanskeligere å ta igjen det tapte enn noen gang før.

Kevin Surace: Ingen tvil. Det går så raskt fordi det bygger på tidligere teknologier, og fordi vi nå er i en fase med internett og trådløse nettverk der alle har umiddelbar tilgang til alt.

På tre år har det beveget seg utrolig raskt, og teknologien har blitt bedre og bedre. Jeg liker å si: Jeg genererer noe i video, og folk sier: Wow, det er nesten umulig å skille fra virkeligheten. Så langt jeg vet, filmet du dette med et kamera. Jeg sier: Ja. Og i dag er det på sitt verste.

Det er da de forstår det. Det samme gjelder musikk. Jeg hadde sju sanger jeg arbeidet med. Noen var laget av mennesker i et studio med musikere, og noen var fullstendig generert av KI. Jeg sendte dem til musikere og sa: Bare fortell meg hvilke som er hvilke.

De ga alle opp. Jeg sa: Noen kan være KI, ingen kan være KI. Bare si hva du tror. De insisterte på at KI ikke har en sjel, og at de kunne høre forskjellen. Jeg sa: Greit, gjør det. De klarte det ikke. Da sa jeg: Dette er det verste det noen gang kommer til å bli.

Det blir ikke verre enn i dag. Morgendagens generasjon blir litt bedre enn dagens, og da tenker de: Jeg er ferdig.

Nei, du er ikke ferdig. Lær deg å bruke verktøyene. Bruk erfaringen din fra musikk til å lage noe bedre enn en person uten erfaring. Det samme gjelder Hollywood. Hollywood så den falske skuespilleren Tilly og tenkte: Vi er ferdige.

Jeg kan ikke svare for alle roller i Hollywood, men jeg kan si at historier kommer til å bli laget, med digitale mennesker og med ekte mennesker, med kameraer og uten kameraer. Det kommer til å finnes en rolle for alle.

Men det er ingen tvil om at filmproduksjoner som i dag har et budsjett på rundt én million dollar per minutt i Hollywood, kan koste én dollar per minutt og likevel bli en suksess. Den kommer til å se ut som en Hollywood-produksjon innen tre år, altså innen 2030.

Det er interessant at administrerende direktør i Roku nylig sa det samme på CES: Innen tre år kommer det til å finnes en suksessfilm som kostet hundre dollar å lage, helt sikkert, og som vises på en skjerm som den jeg har her.

David Rice: Kevin, takk for at du ble med i dag. Jeg satte stor pris på det. Det var en hyggelig samtale.

Kevin Surace: Ja, dette var moro. Det er et morsomt tema.

David Rice: Til lytterne: Hvis du ikke allerede har gjort det, kan du gå til peoplemanagingpeople.com/subscribe. Meld deg på nyhetsbrevet og få oppdateringer om alle våre kommende arrangementer, podkaster og alt vi gjør her, samt alle de nyeste artiklene vi skriver.

Sørg for å få med deg det, og frem til neste gang: Lær deg bare å gjøre det du gjør, bedre.