Slik utvikler du en etisk tilnærming til KI i hele organisasjonen

Jonathan Conradt: [00:00:00] I bunn og grunn er en KI et funksjonskall. Det er som i Excel, der du har sumfunksjonen. Dere bruker den og gir den listen over kolonner eller rader dere vil legge sammen, og den tar dette som input og produserer et resultat. Og det er alt KI er.

David Rice: Velkommen til podkasten People Managing People. Vi har som mål å skape en bedre arbeidsverden og hjelpe deg med å skape lykkelige, sunne og produktive arbeidsplasser. Jeg er verten din, David Rice.

Gjesten min i dag er Jonathan Conradt. Han forlot nylig Amazon, der han jobbet som hovedforsker innen KI. Vi skal snakke om KI, maskinlæring og hva som må skje når det gjelder opplæring i disse teknologiene som tas i bruk i arbeidet folk utfører hver dag.

Så Jon, velkommen.

Jonathan Conradt: Takk.

David Rice: Så først, fortell oss litt om deg selv, hvordan du kom dit du er i dag, og hva som er den største utfordringen du jobber med å løse akkurat nå?

Jonathan Conradt: Jeg har jobbet med teknologi lenge.

Jeg var med på det opprinnelige Chrome-teamet hos Google. Jeg begynte på teamet da vi var rundt [00:01:00] 40 personer. Hvis du noen gang har brukt Mac- eller Linux-versjonene av Chrome, var det mitt prosjekt. Deretter var jeg hos eBay, der jeg ledet markedsføringen og tok i bruk KI og maskinlæring, både på og utenfor nettstedet.

De siste tolv årene var jeg hos Amazon. Etter hvert oppdaget jeg at det fantes gode KI-prosjekter som ikke ble godkjent, og dårlige KI-prosjekter som ble godkjent. Hovedproblemet var at Amazon har svært smarte mennesker og svært smarte visepresidenter.

De er velutdannede, har gode bakgrunner og kjenner virksomheten sin ut og inn, men KI kom inn fra sidelinjen for dem. De visste egentlig ikke hvordan de skulle håndtere det eller hva det innebar. De slet med å ta gode beslutninger om hva vi burde investere i. Dermed gikk de glipp av gode ideer, og noen ganger investerte de i ting som ikke kom til å fungere særlig godt.

Det siste året mitt i Amazon brukte jeg for det meste på å [00:02:00] utarbeide undervisningsopplegg og undervise visepresidenter og direktører over hele Amazon i maskinlæring og KI. Til slutt bestemte jeg meg for at hvis det var så stort rot internt i Amazon, med disse menneskene i et teknologiselskap, hvordan var det da utenfor Amazon?

Derfor bestemte jeg meg for å forlate Amazon og gjøre ting som dette: prøve å hjelpe folk med å forstå hva KI er, hvor de må være forsiktige, hvor de bør satse offensivt, og hjelpe dem med å forstå hvordan de kan få mest mulig ut av det.

David Rice: Det er et interessant og svært treffende tidspunkt å gjøre det på.

Det er mange ting jeg tror KI og maskinlæring kan gjøre. Noe av det virksomheter har rettet oppmerksomheten mot, henger sammen med at det er den skinnende nye tingen, ikke sant? Folk har noen virkelig store ideer, men det finnes mange praktiske løsninger, slik du og jeg snakket om før denne samtalen, som er langt mer konkrete og kan hjelpe virksomheter med å håndtere umiddelbare behov.

Kan du gi oss noen gode eksempler på dette, og hvor kan HR ta i bruk noe som gir umiddelbar effekt?

Jonathan Conradt: Generativ KI er den typen skinnende kule som fanger alles oppmerksomhet, ikke sant? Men det viser seg at tradisjonell maskinlæring også har gjort store fremskritt de siste årene.

En av disse tingene kalles automatisk maskinlæring. Det som skjedde, var at forskere så på arbeidet de gjorde og innså at de i praksis fulgte de samme trinnene hver gang. Det lå et potensial i å automatisere alt. Det finnes en svært god pakke med åpen kildekode som heter autogluon.

Den er ganske bemerkelsesverdig. Da jeg så den, fikk jeg en liten eksistensiell krise. Jeg innså at en person med gode SQL-ferdigheter og litt Python-kunnskap kunne lage en modell i verdensklasse over natten, noe som potensielt ville tatt meg flere måneder å lage.

Det er svært nyttig. I HR er det mange ting man trenger å gjøre. Man kan ønske å klassifisere ting. For eksempel kan man ønske å identifisere personer som ville hatt nytte av lederopplæring, eller ansatte som står [00:04:00] i fare for å slutte. Slike ting kan disse modellene gjøre for deg.

Det finnes også typer forutsigelser man vil gjøre som gjelder tall. Hvor mange CV-er forventer vi å få? Hvor mange personer trenger vi for å bemanne lageret om to uker? Slike tallprognoser fungerer også svært godt. Den kan dessuten håndtere tidsserier. Tidsserier er nyttige for å forstå sesongvariasjoner i data.

Jeg er ikke sikker på hvordan dette knytter seg direkte til HR, men jeg er sikker på at det finnes sesongmessige forhold innen HR som man ønsker å være oppmerksom på. Det bemerkelsesverdige er at en person som har dataene, i tre kodelinjer kan lage en modell i verdensklasse. Det synes jeg er helt utrolig.

David Rice: Ja, det er veldig interessant. HR får selvfølgelig stadig mer data, ikke sant? Særlig når vi fortsetter å ta i bruk alle disse nye verktøyene.

Og jeg vet at du tidligere har snakket litt om ansvarlig KI, og du har sagt at dette er [00:05:00] komplisert når det gjelder HR. Fortell oss litt om de største etiske hensynene ved KI og HR.

Og hva er noe av det vi må løse i disse modellene før vi involverer dem mer i HR-arbeidet?

Jonathan Conradt: I Amazon har vi HR-partnere, ikke sant? De er knyttet til teamet ditt og er gode personer å gå til for råd. Da vi begynte å arbeide med maskinlæringsmodeller, skulle modellene bruke kundedata til å forutsi ting om kunder. HR og juridisk avdeling viste seg å være svært viktige samarbeidspartnere for oss, fordi datavitere kanskje bare har hatt ett fag i menneskelig forskning for lenge siden på universitetet.

For HR er slike lover og bekymringer noe man hele tiden har i tankene. Derfor finnes det en unik mulighet for forskere og personer som lager modeller til å involvere HR og stille dem gode spørsmål.

Hvordan ønsker vi å håndtere kjønn? Hvilke hensyn må vi ta når det gjelder etnisitet? Slike ting kjenner HR-folk ut og inn, [00:06:00] ikke sant? Men dette kan også oppstå i selve HR-prosjektet. La oss si at en HR-organisasjon ønsker å gjøre noe. Alle disse problemstillingene er svært følsomme.

Det klassiske eksempelet er at man vil automatisere CV-er når de kommer inn i organisasjonen, og klassifisere eller sortere dem for å bli mer effektiv. Det finnes farer ved dette, fordi maskinlæringsmodeller jukser. De jukser ustanselig. De finner den korteste veien til svaret de kan få.

Man kan for eksempel se at modellen lærer at personer som nevner i CV-en at de spilte lacrosse på videregående, historisk sett blir ansatt og forfremmet i virksomheten. Det kan være en historisk skjevhet, og det er noe man ikke ønsker som del av filtrene for ansettelse eller intervjuer.

Man ville ikke nødvendigvis forvente at dette ordet skulle bli viktig for en modell. Men som sagt jukser modeller. De finner alle slike små detaljer. Og [00:07:00] ansvarlig KI er en hel samling ideer om hvordan vi best håndterer forholdet mellom målene våre og menneskene som er involvert.

Det kan være kunder, ansatte eller jobbsøkere. Hvordan håndterer vi dataene deres? Hvordan sikrer vi rettferdighet på tvers av undergrupper? Hvordan forklarer vi dem ærlig og åpent hva maskinlæringsmodellen gjør? Dette er et interessant etikkfelt. HR-folk bruker mye tid på å tenke på etikk, hvordan man behandler mennesker godt og hvordan man behandler dem riktig.

Ansvarlighet er derfor et fascinerende område for HR, og det berører mange HR-løsninger. La oss si at du ville lage en modell som skulle forutsi hvem av de nåværende ansatte som ville bli visepresident om seks år. Det er en nyttig modell, ikke sant? Du vil beholde disse personene og utvikle dem.

Det er en god modell. Samtidig må du være svært [00:08:00] forsiktig når du lager den. La oss si at alle de eksisterende visepresidentene som utgjør treningsdataene dine, hovedsakelig gikk ut fra Ivy League-universiteter, eller kanskje er menn. Alle slike faktorer finnes i treningsdataene.

For å gjøre det riktige når det gjelder ansvarlig KI, må du derfor fjerne faktorene som ikke bør tas i betraktning. Ikke la modellen se eller trekke slutninger om ting du ikke ville vurdert ved en faktisk forfremmelse. Ansvarlig KI er virkelig interessant, og det finnes kurs om dette på nettet.

Det finnes mange artikler om det på nettet, og regulering er på vei. Den finnes allerede i EU. Den kommer til USA. Den har sannsynligvis blitt introdusert i Kongressen et par ganger. Dette er igjen et område der HR sannsynligvis ligger foran mange av forskerne, så dere kan være oppmerksomme på det og hjelpe dem med å forstå det.

David Rice: Ja, jeg tror det er svært viktig. Som du sa, kan bestemte data videreføre skjevhet. Jeg snakket nylig med noen som viste til en studie som sa at kvinner hadde [00:09:00] 75 prosent lavere sannsynlighet for å eksperimentere med KI enn menn. Min første tanke var: Hvilke data skaper det?

Modellen kan da lære, nesten permanent, at kvinner ikke har bestemte ferdigheter. Jeg vet ikke. Det er som med alt annet: enhver handling har en reaksjon, ikke sant?

Jonathan Conradt: Ja, det er interessant. Ta for eksempel ChatGPT, OpenAIs store språkmodell. De bruker ikke det du skriver, direkte til å trene modellen.

Folk skriver alle slags latterlige, forferdelige og grusomme ting, ikke sant? Treningsdataene er den mest verdifulle ressursen et KI-selskap har. Man vil derfor ikke vanne dem ut eller tilføre dem søppel. Man er svært forsiktig med dem. Men modellene fanger opp signaler fra hvordan folk samhandler med dem.

Et av signalene er om du gjentok spørsmålet. La oss si at du stiller OpenAI et spørsmål om Koreakrigen, får et svar og deretter stiller omtrent det samme spørsmålet på en litt annen måte. Det er et godt signal til dem om at de ikke gjorde en god nok jobb. Så stiller du til slutt spørsmålet og får et svar du ser ut til å like.

Det er et godt signal. Men hvis det finnes kjønns-, inntekts- eller geografisk skjevhet i disse samhandlingene, lærer systemet naturlig å gjøre det som passer en bestemt gruppe best. Et godt eksempel er faktisk dette, selv om jeg ikke vet om det stemmer – det er et rykte.

OpenAIs modeller brukte visse merkelige formuleringer. Det var ord som forekom oftere i svarene deres enn de ville gjort i en vanlig samtale mellom deg og meg. Til slutt sa noen: Dette ligner på måten folk snakker på i Kenya. Jeg tror det var Kenya, men det kan ha vært et annet afrikansk land.

Det var et afrikansk land. Under utviklingen av disse modellene finnes det en prosess som kalles forsterkende læring med menneskelig tilbakemelding. Man stiller et spørsmål, genererer fem svar fra KI og velger deretter hvilket som er best. To ting skjedde. Det ene var at folk valgte det lengste svaret, som ikke nødvendigvis var best, men som bare virket som om det burde være best. Modellen begynte derfor å lage stadig lengre svar.

Det andre var at folk naturlig klikket på svarene som hørtes ut som måten de selv snakket på. Vi hadde altså en stor gruppe kontraktører i et afrikansk land, og de så ut til å svare på språkbruken og tonen som var kjent for dem i hjemlandet. Det er litt annerledes enn amerikansk engelsk og litt annerledes enn britisk engelsk.

Dette ble fanget opp, og folk begynte å lage verktøy som kunne identifisere KI-svar basert på denne merkelige ordfordelingen – merkelig i en amerikansk kontekst. Her har du et eksempel på at skjevheter kan snike seg inn i KI på mange ulike måter. Hvis flere menn bruker systemet, kan det ende med å svare på en måte som tilfredsstiller menn mer enn kvinner.

Eller det kan begynne å interessere seg mer for å svare på ting som den største og vanligste delen av befolkningen snakker om. Det kan også ende med å etterligne dialektene til dem som trente det.

David Rice: Fascinerende.

 

En ting som stadig kommer opp, er sikkerhetsnett. Når det gjelder hvordan folk bruker KI, snakker man mye om sikkerhetsnett for ansatte. Men noen ganger lurer jeg på om det egentlig er ledere som trenger flere sikkerhetsnett. Jeg vet ikke helt hva jeg mener med det, kanskje å hindre dem i å overinvestere i feil ting.

Når det gjelder selve teknologien, lurer jeg på hvor mye vi faktisk kan regulere bruken for ansatte. Og er det et behov for opplæring av ledere i disse verktøyene før noe blir implementert og gitt til ansatte?

Jonathan Conradt: Det er mye å ta tak i der. Først er det nyttig å vite at vi også snakker om sikkerhetsnett på forskningssiden. Det finnes kontrollmodeller som fanger opp spørsmål som «Hva er den beste oppskriften på å lage en bombe med gjødsel?»

Når et slikt spørsmål kommer inn, finnes det små, raske og svært målrettede kontrollmodeller som identifiserer voldelige, ulovlige eller uetiske ting. De tar spørsmålet og forkaster det, fordi det ikke er noe poeng i å gjøre den kostbare behandlingen etterpå når vi ikke har lov til å svare på slike spørsmål.

Deretter finnes det en ny kontroll etter at KI-en har svart. Denne skal sørge for at du ikke lurte KI-en til å fortelle noe den ikke burde fortelle, for eksempel hvordan man lager en bombe. Den forsøker å identifisere at KI-en har kommet ut av kurs og forkaster svaret.

Sikkerhetsnett for ansatte er et interessant problem, fordi alle har en telefon. Hjemme har jeg selv bygget en maskin som kan kjøre KI, og jeg har tilgang til den via telefonen. Jeg kan gjøre hva jeg vil med maskinen.

Jeg kan snakke med den om hva som helst og sende alle slags dokumenter på nettet. Hvis du stenger alt fullstendig og ikke gir folk noen måte å få tilgang til slike verktøy på, vil de finne en måte. Verktøyene er for verdifulle. De kan redusere 20 minutter med skriving av en e-post til fem minutter, fordi de får et utkast og deretter kan redigere det.

Folk kommer til å ville gjøre det. Det store problemet med å stenge dem helt ute uten å tilby et alternativ, er at de vil bruke modeller du ikke har tilgang til, kontroll over eller innsyn i. De kan gjøre svært dumme ting, som å laste opp dokumenter fra virksomheten til disse modellene.

Hvis du ser på vilkårene for OpenAI, Googles modell og sannsynligvis alle de andre, står det at alt du skriver inn i modellen kan brukes av selskapet for alltid, kostnadsfritt, til å forbedre eller utvikle modellen. Du vil virkelig ikke at noen skal [00:15:00] laste opp forretningsplanene dine for neste år, budsjettet eller lister over ansatte. Det ville vært et mareritt.

Heldigvis finnes det gode måter å lage sikkerhetsnett på. Du kan nå få bedriftskontoer hos de fleste av disse KI-tjenestene. Min tidligere arbeidsgiver Amazon har en god løsning der du i praksis får din egen KI som alle kan bruke, og den er avskjermet slik at ting ikke lastes opp og deles med Amazon.

Jeg tror det er en god vei videre. De fleste virksomheter kommer til å tilby noe lignende. Men hva med ledere? Vi vet at ledere er like tilbøyelige som alle andre til å laste opp sensitive dokumenter til KI. Faktisk kan de være dårligere enn andre på dette.

Det er også begrenset forståelse av hvor KI-en faktisk befinner seg. Det kan være vanskelig å vite om den ligger i vår egen IT-infrastruktur, er beskyttet og trygg, eller om den er en tilfeldig tredjepart på internett. Det kan være vanskelig for ledere å finne ut av, fordi de er eksperter på sitt [00:16:00] arbeid.

De er godt utdannet, smarte og godt opplært, men de er ikke IT-folk. Når man først har lært dem opp, er det litt som den opplæringen i phishing vi alle må gjennom: Ikke klikk på den lenken, og ikke last opp det dokumentet.

Det er lurt å gi dem tilgang til noe som er nyttig, godt beskyttet, offisielt og loggført. Men det er ikke slike prosjekter vi snakker om. Prosjekter er initiativer som «Vi skal erstatte hele kundeserviceavdelingen med denne KI-en».

Noen virksomheter har allerede forsøkt slike initiativer. De tidlige brukerne løp svært raskt, brukte enorme summer og fikk store problemer. De var sannsynligvis ikke vellykkede, men de var tidlige brukere. Virksomheter som tenker på slike prosjekter nå, vil jeg heller kalle raske følgere.

De har muligheten til å se hva som fungerer i markedet. Prisene har falt dramatisk, så de kommer ikke til å bruke like mye. Det finnes også god forskning på hvordan vi måler effekten av slike tiltak. Ta kundeservice som eksempel.

Jeg kjenner ingen som virkelig håper å bli sendt videre til en chat slik at de kan snakke med en maskin om problemet sitt. Jeg kjenner ingen som ser frem til det, og særlig ikke de beste kundene dine. Det kan finnes muligheter for å effektivisere enkelte ting og bruke KI på bestemte områder, men man må være forsiktig.

Noe av det første man bør gjøre, er å etablere en god modell som skiller mellom et dyrt og alvorlig problem som man kan rette opp, og samtaler som koster mye, men gjelder enkle ting som er lette å svare på.

For eksempel: Hvordan endrer jeg passordet mitt? Slike ting. Men sikkerhetsnett for ledere er et reelt problem. Det var en av grunnene til at jeg forlot Amazon, slik at jeg kunne ha disse samtalene med virksomheter og diskutere grundig hvilke data de har, hvilken erfaring de har, hvilket problem de prøver å [00:18:00] løse, og om målet er å tjene eller spare penger.

Har de prøvd noe enklere? Det er også en mulighet. Jeg inviterer folk til å sette av 50 minutter i kalenderen min, så kan vi diskutere dette og finne ut om jeg kan hjelpe dem.

Jeg tror det finnes tre typer virksomheter. Som sagt har vi de tidlige brukerne. De har prøvd ting, brukt enorme summer, tatt store risikoer og sannsynligvis ikke lykkes. Den andre gruppen er de som aldri kommer til å prøve. De er overbevist om at dette er en ny kryptovaluta, en stor motebølge som ikke kommer til å fungere. De har unngått slikt før og vil fortsette å gjøre alt som før.

Disse virksomhetene er i store problemer, fordi dette ikke er det samme. Det ligner mer på elektrisitetens fremvekst. Den tredje gruppen er virksomheter som følger raskt etter. De ser på dataene, finner ut hvordan de skal måle det de vil gjøre, og starter piloter.

De sparer mye penger fordi prisene har falt, og de begynner nå å ta teknologien i bruk. Jeg tror [00:19:00] det er disse virksomhetene som kommer til å lykkes. De kommer til å ta igjen de tidlige brukerne, fordi modellenes ytelse vil nå et toppunkt.

På et tidspunkt blir modellene så gode som de kommer til å bli på en stund. Det oppstår et platå. De tidlige brukerne når dette platået først, men selv om man begynner sent, er forbedringstakten så høy at en virksomhet som følger raskt etter, vil komme dit i god tid.

David Rice: Ja, læringskurven og problemene underveis blir ikke like alvorlige, fordi mye av det allerede har skjedd.

Noen ganger lurer jeg på om folk har en grunnleggende forståelse av hvordan maskinlæring fungerer, slik at de kan bruke det best mulig. Stemmer det? Og hva kan vi gjøre for å endre dette på kort sikt når det gjelder opplæring og utvikling?

Jonathan Conradt: De har ikke en særlig god forståelse av det. Det er mange tekniske personer og virksomheter som heller ikke har en god forståelse. Jeg var ved University of Pennsylvania på Wharton, og jeg holdt et foredrag for masterstudentene deres om hva maskinlæring er.

Foredraget varer omtrent en halvtime, og jeg kommer til et punkt der jeg forklarer at en KI i bunn og grunn er et funksjonskall. Det er som i Excel, der du har sumfunksjonen. Du gir den listen over kolonner eller rader du vil legge sammen, den tar det som input og produserer et resultat. Og det er alt KI er.

Hvis du tenker på sumfunksjonen, grubler den ikke over det den sa sist gang du brukte den. Den planlegger ikke mot deg, dagdrømmer ikke og eksisterer på mange måter ikke. Den eksisterer bare i det øyeblikket den brukes, og så forsvinner den.

KI er i bunn og grunn et matematisk objekt, en funksjon. Den tar en input, behandler den og produserer en output. Mye av det fantastiske og magiske vi ser at den kan gjøre, er egentlig utvidelser og kode vi har skrevet rundt KI-en for å organisere data og andre ting for den.

Det er komplisert. Det er litt som å forvente at alle skal forstå nøyaktig hvordan et drivstoffinnsprøytningssystem fungerer. De fleste vet ikke engang hva det betyr, men de kan kjøre bil og leve livene sine med pålitelige systemer.

Derfor tror jeg vi må hjelpe hver gruppe eller undergruppe i en organisasjon med å nå riktig forståelsesnivå. Noen skal være brukere, noen teknikere, noen skal arbeide dypt med teknologien, og noen skal bare dra nytte av den. De samhandler aldri med systemet, men det gjør gode ting på deres vegne.

Det blir krevende. HR har ofte ansvar for opplæring. De må finne ut hvem som skal få opplæring, og hvilken type opplæring de skal investere i. Det kommer ikke til å fungere med én løsning for hele organisasjonen, der alle får den samme KI-opplæringen.

Da jeg var i Amazon, arbeidet jeg med å undervise visepresidenter og seniorvisepresidenter. Et av spørsmålene var: Hva kan jeg gjøre for dem som kjører lastebilene våre, eller for dem som legger produktene i esker? Mange av disse har ikke nødvendigvis universitetsutdanning. De er hardtarbeidende, flinke og smarte, men de er ikke tekniske.

Hvordan lærer jeg dem opp i KI slik at de ikke blir redde for den? Virksomheten må ta i bruk maskinlæring og KI. Man vil ikke bli hengende etter fordi man eller medarbeiderne er redde. Det må derfor finnes opplæring som passer dem, møter behovene deres og besvarer spørsmålene deres. Samtidig må det finnes opplæring på ledernivå, og den er ganske annerledes.

David Rice: En av tingene jeg tror det er stor interesse for å bruke denne teknologien til, er medarbeidernes trivsel. Jeg snakket nylig med noen som brukte taleteknologi til å oppdage utbrenthet eller [00:23:00] stress, og vi har alle slags data som kan gi atferdsmessige indikatorer.

Hvordan tror du dette vil endre måten vi arbeider med medarbeidernes trivsel på i årene som kommer?

Jonathan Conradt: Jeg er spesielt interessert i dette nå. Jeg arbeider med to forskere om en måte å ikke bare måle medarbeidernes trivsel på, men også forbedre den over tid. En av de gode tingene ved KI er at den er svært tålmodig.

Den kan være en verdifull informasjonskilde, fordi du kan gi den nøyaktig og handlingsrettet informasjon, og KI-en kan svare folk og gi dem slike innspill. For lenge siden var jeg i Gallup-organisasjonen, der jeg bidro til å utvikle StrengthsFinder. Det var et verktøy som skulle hjelpe ledere med å forstå medarbeiderne sine, slik at alle i organisasjonen kunne få nytte av det gjennom en dypere relasjon.

Målet var bedre forståelse av hverandre, større støtte og mange positive resultater. I dag ville vi sannsynligvis kalt dette en del av trivsel.

[00:24:00] Det vi prøver å gjøre med KI, er først og fremst å lære mer interaktivt av folk hvordan de har det. En frustrasjon ved mange undersøkelser er at man må krysse av i bokser. Jeg føler ofte at jeg ikke vet om svarene mine blir tolket slik jeg mente dem.

Derfor åpner vi for mer enn tvungne valg, selv om slike data fortsatt er nyttige. Vi gir medarbeiderne mulighet til å uttrykke seg fritt. Når du har gått gjennom den siste delen, kan du fortelle meg hva du tenkte på, hva som virket viktigst, og hva du skulle ønske at vi lærte av det du sa?

Denne teksten er svært verdifull. Jeg så hvor verdifull tekst kan være da jeg laget en maskinlæringsmodell som tok forskningsartikler og forsøkte å forutsi om jeg ville finne dem interessante.

Jeg hadde flere hundre artikler som jeg hadde merket som interessante blant tusenvis. Modellen fungerte greit. Deretter brukte jeg en del av en KI. KI-er forstår ikke ord. Man må derfor gjøre ord om til et matematisk objekt som kalles en vektor. En vektor har en retning og en størrelse, slik du kanskje husker fra videregående.

Man tar ord, setninger eller hele avsnitt og gjør dem om til slike matematiske objekter. Uten særlig arbeid fra min side tok jeg alle titlene og sammendragene fra artiklene og brukte den første delen av KI-en til å lage en vektor.

Nå hadde jeg mer data. Jeg ga dette til den samme modellen, og den ble 14 prosent bedre. Det er et stort hopp. På samme måte kan man tenke seg at hvis vi har en medarbeiderundersøkelse, og forstår de åpne svarene, og dette gir oss 14 prosent bedre forståelse av medarbeiderne, [00:26:00] kan det være svært betydningsfullt.

David Rice: Ja, med det i tankene, hva er det uforløste potensialet i dataene vi har og verktøyene folk får større tilgang til? Det uforløste potensialet ligger kanskje i å hjelpe folk og påvirke hvordan de ser på jobben, virksomheten og opplevelsen sin.

Kan vi bruke dette til å endre hvordan ledere tilnærmer seg slike ting?

Jonathan Conradt: Et av de vanligste spørsmålene jeg får, er om man kan sette ut HR eller juridisk arbeid til en agent. Svaret mitt er at de som mest sannsynlig kommer til å bruke HR-agenter, er eksisterende HR-fagfolk. HR-jobben er svært komplisert.

Det skjer mye, og de trenger ofte å finne mer informasjon og samle mye informasjon. En agent er en KI som kan gjøre ting på egen hånd: be om informasjon, koble seg til en database, bruke en applikasjon eller gjøre et nettsøk.

Jeg tror folk i praksis kommer til å få en personlig assistent. Tenk deg at alle i hele virksomheten har en personlig assistent. Assistenten håndterer alt det administrative ved å være på jobb og forenkler ting. Når du får en e-post med en forespørsel, leser agenten e-posten, organiserer informasjonen du trenger for å svare og sier: Her er noen ting du bør tenke på i svaret. Du kan kanskje si noe slikt.

Men du som menneske tar beslutningene. Du kan se på dataene og si at du vil beskrive det på en annen måte, at det finnes en grunn til å si noe annet, eller at KI-en misforsto. Dette kommer til å bli svært kraftige verktøy.

Og her er det morsomme: KI-er er best til å erstatte visepresidenter. Hvis du tenker på jobben til en visepresident, handler den om å sammenstille informasjon. Hele organisasjonen samler informasjon, som beveger seg opp gjennom organisasjonen.

Deretter skal visepresidenten ta strategiske beslutninger basert på et svært bredt bilde av hele virksomheten. Det viser seg at denne typen informasjonssammenstilling er et område der KI-er er langt sterkere enn mennesker. Jeg tror vi begynner med det Microsoft kaller medpiloter.

Du kan kalle dem en personlig assistent eller en KI-assistent. Jeg tror de blir svært nyttige og kraftige. De sparer tid og gir deg bedre forståelse av virksomheten. Jeg tror det er en feil å si: Vi har oppnådd denne effektiviteten, så nå trenger vi færre mennesker.

Ta programmerere. Hvis programmerere bruker KI til å skrive kode, øker effektiviteten dramatisk. Man kan reagere på to måter. Den ene er å si at man ikke trenger like mange programmerere for å få gjort samme mengde arbeid.

Den andre er å innse at det i alle teknologivirksomheter finnes et tidspunkt der man prioriterer alt man vil at programmererne skal gjøre. Så trekker man en linje og sier at man ikke har tid eller penger til noe under linjen. Man må fjerne ting som ville vært til nytte for kundene og virksomheten.

Hvis KI øker produktiviteten, flytter den i praksis denne linjen nedover. De smarte virksomhetene vil si: La oss gjøre alle mer effektive. La oss hjelpe dem med å få arbeidet gjort raskere, redusere det administrative ved å være på jobb og levere mer til kundene.

Virksomheter som velger å nedbemanne og fjerne mennesker, samtidig som de beholder samme arbeidsnivå med færre ansatte, kommer til å bli knust av virksomheter som beholder det samme antallet mennesker, men som dramatisk øker mengden arbeid de kan gjøre og mengden de kan levere til kundene.

David Rice: Jeg liker det.

Jonathan, takk for at du ble med oss i dag. Før vi avslutter, er det alltid to ting jeg liker å gjøre med alle gjester. Først vil jeg gi deg muligheten til å fortelle alle hvor de kan få kontakt med deg. Hvis det er noe du arbeider med som du vil nevne, må du gjerne gjøre det.

Jonathan Conradt: Vi legger ved en lenke der du kan ha en 15-minutters samtale med meg om hva som helst. Fortell meg om virksomheten du jobber i og problemene du prøver å løse. Jeg snakker gjerne med deg om det.

Jeg liker å lære om nye virksomheter. Dette var en stor del av arbeidet mitt i Amazon. Amazon er et enormt selskap som gjør mange forskjellige ting. Jeg møtte tilfeldige team for å forstå hva de arbeidet med og hjelpe dem med å forstå at dette er en maskinlæringsprosess de kan bruke til å gjøre hverdagen bedre, og slik kan de ta i bruk KI.

Jeg håper folk går inn på Calendly og avtaler tid med meg.

David Rice: Det blir lenket til i beskrivelsen av denne episoden. Ta gjerne en titt, avtal tid med Jon, og få kontakt med ham på LinkedIn.

Det andre er at vi har startet en liten tradisjon her i podkasten. Du får stille meg et spørsmål. Det kan være hva som helst, enten om temaet eller noe helt tilfeldig.

Det er opp til deg. Jeg gir ordet til deg.

Jonathan Conradt: Jeg er nysgjerrig på KI. Den er svært god til videoredigering og lignende. Hvordan har KI påvirket deg og podkasten?

David Rice: Når det gjelder podkasten, er det utrolig hva den noen ganger kan gjøre med lyd. Den kan virkelig hjelpe oss med å effektivisere lyden.

Jeg vet ikke om det er KI-en eller noen av redaktørene våre som gjør det, men noen ganger får den en merkelig effekt på stemmen til folk. Det største for meg er innholdsproduksjon, hvor raskt alt har endret seg, og hvordan vi organiserer det fra grunnen av: Her er en idé, her er hvordan vi skal strukturere den, og her er prosessen du skal gjennom for å gjøre i praksis alt.

Det er det største som har endret seg. Det har endret innholdsproduksjonens natur. Jeg vil ikke si at det på alle måter er enklere, fordi vi fortsatt er i en læringsfase der vi prøver å finne ut hvordan vi får mest mulig ut av det, hva vi faktisk vil at det skal si, og hvordan vi får det til å passe med målgruppen. Jeg kan ikke tro hvor langt det har kommet siden første gang jeg skrev noe inn i ChatGPT. [00:32:00] Jeg mener …

Jonathan Conradt: Det er bemerkelsesverdig, ikke sant?

David Rice: Det har endret seg så raskt.

Jonathan Conradt: Jeg antar at redigering av såpeoperaer tilsynelatende har blitt revolusjonert over natten.

De tar opp så mye video, og redigeringen er en enorm jobb på grunn av all videoen. Jeg antar at reality-TV er på samme måte. Disse verktøyene reduserer tiden det tar, dramatisk. De sa i praksis at KI-en kan gjøre den første grovredigeringen automatisk. Det er utrolig.

David Rice: Det er utrolig. Jeg er sikker på at alle de store filmstudioene investerer tungt.

Jonathan Conradt: Ja. Det var hyggelig å møte deg, David.

David Rice: Ja, det var en flott samtale. Takk for at du ble med. Forhåpentligvis får vi gjøre dette igjen en gang.

Jonathan Conradt: Takk.

David Rice: Greit, lyttere. Hvis dere ikke allerede har gjort det, kan dere gå til peoplemanagingpeople.com/subscribe og melde dere på nyhetsbrevet. Vi høres neste gang. Fortsett å [00:33:00] eksperimentere.