Jeg læser mange pressemeddelelser og nyhedsartikler for tiden, hvor AI nævnes som forklaring på effektiviseringer, strategiske skift og reduktioner i medarbejderstab. Det lyder overbevisende. Men når man læser lidt nærmere, bliver det hurtigt uklart, hvad der egentlig er implementeret, hvor effekten kommer fra, og hvor stor den er.
AI bliver ofte præsenteret som forklaringen. Sjældent som en del af forklaringen. I nogle tilfælde virker det næsten som om, at AI er blevet standardforklaringen på komplekse beslutninger, som i virkeligheden har mange årsager.
En stærk fortælling
Der er selvfølgelig en grund til det. AI er blevet et stærkt signal. Det signalerer fremdrift, modernitet og teknologisk forståelse og fungerer som et tydeligt tegn på, at man er på forkant og har styr på fremtiden.
Samtidig er AI et begreb, de fleste forstår – eller i hvert fald tror, de forstår. Det gør det oplagt som forklaringsramme, også når virkeligheden er mere kompleks. I en verden hvor virksomheder skal forklare sig hurtigt og enkelt, bliver det fristende at samle forklaringen ét sted.
Når AI bliver et label
Der er også opstået et begreb for det: AI washing.
Det beskriver en tendens, hvor AI bruges som forklaringsramme eller label – også i situationer, hvor teknologien kun spiller en mindre rolle, eller hvor effekten er uklar. Det er ikke nødvendigvis bevidst, men en naturlig konsekvens af, at AI fylder så meget i den offentlige samtale.
Et godt eksempel er Block (tidligere Square), som tidligere i år var ude med en kommunikation, hvor AI blev fremhævet som en central del af en større effektivisering og organisatorisk ændring - som angiveligt kostede 50% af medarbejderne deres job. Men når man kigger nærmere på det, bliver det svært at finde en konkret beskrivelse af, hvilke AI-løsninger der er implementeret, hvordan de påvirker produktiviteten, og hvor stor en del af effekten AI faktisk står for.
Samtidig har Block – som mange andre tech-virksomheder – gennemgået en periode med kraftig vækst under corona efterfulgt af tilpasninger i en mere presset markedsvirkelighed, hvor dele af deres forretning også har været udfordret.
Det gør det nærliggende at spørge, hvor stor en del af ændringerne der reelt kan tilskrives AI – og hvor meget der er drevet af mere klassisk markedstilpasning.
Den amerikanske børsmyndighed SEC (Securities and Exchange Commission), som fører tilsyn med børsnoterede selskabers kommunikation til investorer, har allerede været ude og advare mod en begyndende trend omkring AI washing – altså situationer hvor virksomheder overdriver deres brug af AI.
En mere kompleks virkelighed
AI-teknologien er imponerende, men den er sjældent det, der afgør, om et projekt skaber værdi.
Den største udfordring ligger ikke i modellen, men i alt det omkring den. Data skal struktureres og forstås. Begreber skal defineres. Kontekst skal etableres. Output skal valideres. Løsninger skal fungere stabilt i drift og spille sammen med eksisterende systemer.
Den største udfordring ligger ikke i modellen, men i alt det omkring den.
Det er relativt nemt at bygge noget, der virker i en demo. Det er langt sværere at få det til at fungere hver dag, på tværs af afdelinger, med data der ændrer sig, og brugere der har travlt.
Det er her AI washing bliver et reelt problem. Når kommunikationen handler om modellen, mens værdiskabelsen ligger i alt det usynlige arbejde omkring den, bliver det svært at forstå, hvad der faktisk virker, og hvad der kræves for at komme dertil.
Værktøjer skaber ikke værdi alene
Erfaringer fra tidligere teknologier viser, at værdien først opstår, når arbejdet omkring teknologien ændrer sig. Processer skal gentænkes, ansvar flyttes og organisationen tilpasses.
Det er en langsommere og mere kompleks proces end selve implementeringen. Den del er sjældent synlig, men den er afgørende for, om teknologien skaber reel effekt.
I praksis sidder mange organisationer stadig fast i pilotprojekter uden klar effekt. Forskellen mellem noget, der virker, og noget, der skaber værdi i drift, er større, end den ofte bliver fremstillet.
Som jeg tidligere har skrevet om, ser vi klare produktivitetsgevinster på opgaveniveau. Men på organisations- og samfundsniveau er effekten langt sværere at få øje på og stadig begrænset dokumenteret på tværs af organisationer.
Problemet med for enkle forklaringer
Når komplekse transformationer reduceres til én forklaring, bliver det svært at se, hvad der faktisk driver værdien. Teknologi, organisationsændringer og klassiske effektiviseringsprogrammer flyder sammen i én fortælling.
Det gør det ikke bare sværere at prioritere rigtigt internt. Det påvirker også, hvordan udviklingen bliver kommunikeret og forstået udefra.
For når pressemeddelelser og efterfølgende nyhedsartikler forenkler forklaringen, står læseren tilbage med et billede, hvor AI fremstår som den primære drivkraft – også i situationer, hvor virkeligheden er mere nuanceret.
Og hvis man ikke kan skelne mellem, hvad der faktisk skaber værdien, bliver det også svært at vide, hvad man selv skal gøre ved det.
Pointen
Teknologien er vigtig, men det afgørende er, om vi forstår, hvor værdien faktisk kommer fra.
For når forklaringen bliver for enkel, bliver beslutningerne det også. Investeringer rettes mod det forkerte. Organisationer venter på en effekt, der kræver andet end teknologi. Og medarbejdere bliver afskediget under en forklaring, der ikke holder hele vejen.
Værdien skabes i arbejdet omkring teknologien. Og det arbejde bliver kun gjort, hvis vi er ærlige om, hvor det ligger.