Söndagsläsning

CEO:ns guide till den generativa AI-revolutionen (långt inlägg, scrolla till slutet om du enbart vill se hur detta påverkar dig som arbetssökande).

Släppet av ChatGPT i slutet av 2022 skapade ett starkt intresse för generativ AI. Inom några timmar hade användare som experimenterade med denna nya teknik upptäckt och delat otaliga produktivitetshack. Under veckor och månader sedan dess har organisationer kämpat för att hänga med och försvara sig mot oväntade komplikationer. Vissa organisationer har redan antagit en mer formell strategi och skapat dedikerade team för att utforska hur generativ AI kan låsa upp dolt värde och förbättra effektiviteten.

För VD:ar utgör dock generativ AI en mycket större utmaning. Fokus idag kanske ligger på produktivitetsvinster och tekniska begränsningar, men en revolution inom affärsmodellsinnovation är på väg. På samma sätt som Mosaic, världens första webbläsare, banade väg för internetåldern och förändrade sättet vi arbetar och lever på, har generativ AI potentialen att störa nästan varje bransch – och erbjuda både konkurrensfördelar och kreativ förstörelse. För ledare är slutsatsen tydlig: den andlösa aktiviteten idag måste utvecklas till en generativ AI-strategi som ägs av C-suiten.

Detta är ingen lätt uppgift, och VD:ar – som troligtvis befinner sig flera steg bort från själva tekniken – kan känna sig osäkra inför nästa steg. Men från vårt perspektiv är prioriteringen för VD:ar inte att helt fördjupa sig i tekniken; istället bör de fokusera på hur generativ AI kommer att påverka deras organisationer och deras branscher, och vilka strategiska val som kommer att möjliggöra att de utnyttjar möjligheter och hanterar utmaningar. Dessa val är centrerade kring tre huvudsakliga pelare:

1. Potential: Upptäck din strategiska fördel

2. Människor: Förbered din arbetskraft

3. Policyer: Skydda ditt företag

Varje pelare reser en brådskande fråga för VD:ar. Vilka innovationer blir möjliga när varje anställd har tillgång till generativ AI:s tilsynes oändliga minne? Hur kommer denna teknik att förändra hur anställdas roller definieras och hur de hanteras? Hur hanterar ledare det faktum att generativ AI-modeller kan producera falskt eller partiskt resultat?

Tydligt är att generativ AI är ett snabbt utvecklande område, och var och en av de ovanstående pelarna innefattar kort- och långsiktiga överväganden – och många andra obesvarade frågor. Men VD:ar måste förbereda sig för den stund då deras nuvarande affärsmodeller blir föråldrade. Här hur du strategiserar inför framtiden.

Potential: Upptäck din strategiska fördel Artificiell intelligens har aldrig varit så tillgänglig. Verktyg som ChatGPT, DALL-E 2, Midjourney och Stable Diffusion gör det möjligt för vem som helst att skapa webbplatser, generera reklamstrategier och producera videor – möjligheterna är obegränsade. Denna "low-code, no-code"-kvalitet kommer också att underlätta för organisationer att införa AI-kapabiliteter i stor skala.

De omedelbara produktivitetsvinster kan markant minska kostnaderna. Generativ AI kan sammanfatta dokument på några sekunder med imponerande noggrannhet, medan en forskare kan spendera timmar på uppgiften (till en beräknad kostnad på 30 till 50 dollar per timme).

Men generativ AI:s demokratiserande kraft innebär också att konkurrenter till företaget kommer att ha samma tillgång och kapabiliteter. Många användningsområden som förlitar sig på befintliga stora språkmodeller (LLM) – som produktivitetsförbättringar för programmerare som använder Github Copilot och för marknadsföringsinnehållsutvecklare som använder Jasper.ai – kommer att behövas bara för att hålla jämna steg med andra organisationer. Men de kommer inte att erbjuda differentiering, eftersom den enda variationen som skapas kommer från användarnas förmåga att styra systemet.

Identifiera rätt användningsområden För VD:n är nyckeln att identifiera företagets "gyllene" användningsområden – de som ger verklig konkurrensfördel och skapar störst inverkan jämfört med befintliga, bäst-i-klassen-lösningar.

Sådana användningsområden kan komma från vilken punkt som helst längs värdekedjan. Vissa företag kommer att kunna driva tillväxt genom förbättrade erbjudanden; Intercom, en leverantör av kundservicelösningar, genomför pilotprojekt som integrerar generativ AI i sitt verktyg för kundinteraktion i en rörelse mot automatiserad service. Tillväxt kan också hittas i minskad time-to-market och kostnadsbesparingar – samt i förmågan att stimulera fantasin och skapa nya idéer. Inom biomedicin konsumeras en stor del av dagens 20-åriga patenttid av forskning och utveckling; genom att accelerera denna process kan värdet på ett patent öka avsevärt.

I februari 2021 meddelade bioteknikföretaget Insilico Medicine att deras AI-genererade antifibrotiska läkemedel hade gått från konceptualisering till kliniska prövningar fas 1 på mindre än 30 månader, för cirka 2,6 miljoner dollar – flera storleksordningar snabbare och billigare än traditionell läkemedelsupptäckt.

När ledare identifierar sina gyllene användningsområden kommer de att behöva samarbeta med sina teknikteam för att fatta strategiska val om de ska finjustera befintliga LLM eller träna en anpassad modell.

Finjustera en befintlig modell. Att anpassa befintliga öppen källkod eller betalda modeller är kostnadseffektivt – i ett experiment från 2022 upptäckte Snorkel AI att det kostade mellan 1 915 och 7 418 dollar att finjustera en LLM-modell för att utföra en komplex juridisk klassificering. En sådan tillämpning kan spara timmar av en jurists tid, vilket kan kosta upp till 500 dollar per timme.

Finjustering kan också påskynda experiment, medan användning av interna resurser kommer att ta tid, talang och investeringar. Och det kommer att förbereda företag för framtiden, när generativ AI troligen kommer att utvecklas till en modell som molntjänster: ett företag köper lösningen med förväntan om att uppnå kvalitet i skala från molntjänsteleverantörens standardisering och tillförlitlighet.

Men det finns nackdelar med denna strategi. Sådana modeller är helt beroende av funktionaliteten och domänkunskapen hos kärnmodellens träningsdata; de är också begränsade till tillgängliga modaliteter, som idag till stor del består av språkmodeller. Och de erbjuder begränsade alternativ för att skydda proprietär data – till exempel att finjustera LLM som lagras helt på plats.

Träna en ny eller befintlig modell. Att träna en anpassad LLM kommer att erbjuda större flexibilitet, men det kommer med höga kostnader och krav på kapabilitet: en uppskattad kostnad på 1,6 miljoner dollar för att träna en 1,5 miljarder parametrar modell med två konfigurationer och 10 körningar per konfiguration, enligt AI21 Labs. För att sätta denna investering i perspektiv uppskattade AI21 Labs att Google spenderade cirka 10 miljoner dollar på att träna BERT och OpenAI spenderade 12 miljoner dollar på en enda träningskörning för GPT-3.2 (Observera att det krävs flera träningsomgångar för en framgångsrik LLM.)

Dessa kostnader, liksom kraven på datacenter, beräkningskraft och talang, är betydligt högre än de som är förknippade med andra AI-modeller, även när de hanteras genom ett partnerskap. Tröskeln för att motivera denna investering är hög, men för ett verkligt differentierat användningsområde kan värdet som genereras från modellen uppväga kostnaden.

Planera din investering Ledare måste noggrant bedöma timingen av en sådan investering och väga de potentiella kostnaderna för att agera för tidigt i ett komplext projekt där talang och teknologi ännu inte är redo mot riskerna att hamna efter. Dagens generativa AI är fortfarande begränsad av sin benägenhet för fel och bör i huvudsak implementeras för användningsområden med hög tolerans för variation. VD:ar bör också överväga nya finansieringsmekanismer för data och infrastruktur – till exempel om budgeten bör komma från IT, FoU eller en annan källa – om de bedömer att anpassad utveckling är en avgörande och tidskänslig nödvändighet.

Debatten om "finjustera kontra träna" har andra konsekvenser när det gäller långsiktig konkurrensfördel. Tidigare var de flesta forskningsresultat inom generativ AI offentliga och modeller tillhandahölls via öppna källor. Eftersom denna forskning nu flyttar bakom stängda dörrar hamnar öppen källkodmodeller redan långt efter state-of-the-art-lösningar. Med andra ord står vi inför en kapplöpning inom generativ AI.

Människor: Förbered din arbetskraft Precis som befintliga former av artificiell intelligens är generativ AI en störande kraft för människor. På kort sikt behöver VD:ar samarbeta med sina ledningsteam och HR-ledare för att avgöra hur denna transformation ska utvecklas inom deras organisationer – genom att omdefiniera anställdas roller och ansvar samt anpassa arbetsmodeller därefter.

Omfördela roller och ansvar Vissa förändringar relaterade till AI har redan skett. Traditionella AI- och maskininlärningsalgoritmer (ibland felaktigt kallade analytisk AI), som använder kraftfull logik eller statistik för att analysera data och automatisera eller stödja beslutsfattande, har gjort det möjligt för människor att arbeta mer autonomt och för chefer att alltmer fokusera på teamdynamik och målsättning.

Nu kommer generativ AI, i sin kapacitet som första utkastsgenerering, att stödja många roller genom att öka produktivitet, prestanda och kreativitet. Anställda i mer administrativa roller, som juridiska biträden och marknadsförare, kan använda generativ AI för att skapa första utkast, vilket gör att de kan ägna mer av sin tid åt att förbättra innehållet och identifiera nya lösningar. Kodare kommer att kunna fokusera på aktiviteter som att förbättra kodkvalitet inom tighta tidsramar och säkerställa efterlevnad av säkerhetskrav.

Självklart kan dessa förändringar inte (och bör inte) ske i ett vakuum. VD:ar måste vara medvetna om effekten somAI har på medarbetarnas emotionella välbefinnande och professionella identitet. Produktivitetsförbättringar kopplas ofta samman med minskning av personalstyrkan, och AI har redan väckt oro bland anställda; många nyutexaminerade studenter tror att AI kommer att göra deras jobb irrelevant inom några år.

Men det är också möjligt att AI kommer att skapa lika många jobb som det kommer att ersätta.

Inverkan av AI är därmed en kritisk fråga för företagskultur och arbetskraft, och VD:ar bör samarbeta med HR för att förstå hur roller kommer att utvecklas. När AI-initiativ implementeras bör regelbundna pulsmätningar genomföras för att följa medarbetarnas känslor. VD:ar kommer också att behöva utveckla en transparent förändringshanteringsinitiativ som hjälper medarbetare att omfamna sina nya AI-kollegor och säkerställa att de behåller sin autonomi. Budskapet bör vara att människor inte är på väg någonstans – och att de faktiskt behövs för att effektivt och etiskt implementera AI.

När AI-antagandet accelererar måste VD:ar lära sig och använda de lärdomar de får för att utveckla en strategisk arbetskraftsplan. Det handlar inte bara om att bestämma hur vissa jobbbeskrivningar kommer att förändras – det handlar om att se till att företaget har rätt personer och ledning på plats för att vara konkurrenskraftiga och dra nytta av sina AI-investeringar. Bland de frågor VD:ar bör ställa när de bedömer företagets styrkor, svagheter och prioriteringar är:

Vilka kompetenser kommer projektledare att behöva för att säkerställa att individuella bidragsgivares arbete håller tillräckligt hög kvalitet? Hur kan VD:ar skapa den optimala erfarenhetskurvan för att producera rätt framtida talangtillförsel – se till exempel till att medarbetare på en mer junior nivå får kompetensutveckling inom AI-stödd verksamhet och att chefer är förberedda att leda en AI-stödd arbetskraft? Hur bör utbildning och rekrytering anpassas för att bygga en högpresterande arbetskraft nu och i framtiden?

Justera din arbetsmodell Vi förväntar oss att smidiga (eller bioniska) modeller kommer att förbli mest effektiva och skalbara på lång sikt, men med centraliserade IT- och FoU-avdelningar bemannade med experter som kan träna och anpassa LLM.

Denna centralisering bör se till att medarbetare som arbetar med liknande typer av data har tillgång till samma dataset. När data är isolerad inom enskilda avdelningar – vilket är alltför vanligt förekommande – kommer företag att ha svårt att realisera generativ AI:s verkliga potential. Men under rätt förhållanden har generativ AI kraften att eliminera kompromissen mellan smidighet och skala.

På grund av den ökade betydelsen av datavetenskap och ingenjörskonst kommer många företag att gynnas av att ha en hög befattning (till exempel en chief AI officer) som övervakar affärs- och teknikkraven för AI-initiativ. Denna befattning bör placera små datavetenskaps- eller ingenjörsteam inom varje affärsenhet för att anpassa modeller för specifika uppgifter eller tillämpningar.

Tekniska team kommer således att ha expertkunskap inom respektive område och direktkontakt för att stödja individuella bidragsgivare, vilket helst begränsar avståndet mellan plattforms- eller teknikledare och individuella bidragsgivare till ett lager.

Strukturellt kan detta innebära avdelningsfokuserade team med tvärfunktionella medlemmar (till exempel säljteam med försäljningsrepresentanter och dedikerad teknisk support) eller, helst, tväroch tvärfunktionella team som är anpassade till affärs- och teknikplattformar.

Policies: Skydda ditt företag Generativ AI saknar en trovärdig sanningsfunktion, vilket innebär att den inte vet när informationen är faktiskt felaktig. Implikationerna av denna egenskap, också kallad "hallucination", kan variera från humoristiska felsteg till skadliga eller farliga fel. Men generativ AI innebär också andra kritiska risker för företag, inklusive upphovsrättsintrång, läckage av proprietär data och oplanerad funktionalitet som upptäcks efter en produktlansering, även känd som förmågeöverskott.

Till exempel använde Riffusion en text-till-bild-modell, Stable Diffusion, för att skapa ny musik genom att konvertera musikdata till spektrogram.

Förbered dig för risker Företag behöver policys som hjälper anställda att använda generativ AI på ett säkert sätt och som begränsar dess användning till fall där dess prestanda ligger inom etablerade ramar.

Experiment bör uppmuntras, men det är viktigt att spåra alla experiment inom organisationen och undvika "skuggexperiment" som riskerar att exponera känslig information. Dessa policys bör också garantera tydligt ägande av data, etablera granskningsprocesser för att förhindra publicering av felaktigt eller skadligt innehåll och skydda företagets och dess kunders proprietära data.

En annan närliggande prioritering är att utbilda medarbetare i hur man använder generativ AI inom ramen för deras expertis.

För arbetssökande finns det flera sätt att tänka kring den generativa AI-revolutionen och dra nytta av den. Här är några tankar och tips baserade på den information som diskuterades i blogginlägget:

1. Förstå potentialen: Ta dig tid att lära dig om generativ AI och dess möjligheter inom olika branscher och funktioner. Förstå vilka områden där generativ AI kan skapa konkurrensfördelar och påverka arbetsuppgifter och arbetsflöden.

2. Identifiera relevanta färdigheter: Utvärdera vilka färdigheter och kunskaper som kan vara värdefulla inom det generativa AI-området. Till exempel kan kunskap om datahantering, modellträning eller användning av generativa AI-verktyg vara eftertraktade kompetenser på arbetsmarknaden.

3. Fortsätt att lära och anpassa dig: Generativ AI är en snabbt utvecklande domän, så se till att hålla dig uppdaterad med de senaste trenderna och nyheterna. Fortsätt att lära dig och utveckla dina färdigheter inom generativ AI genom att delta i kurser, workshops eller onlineutbildningar.

4. Visa på flexibilitet och anpassningsförmåga: Var beredd på att arbetsuppgifter och krav kan förändras i takt med införandet av generativ AI i organisationer. Visa att du är flexibel och kan anpassa dig till förändringar samt vara öppen för att arbeta med och lära dig nya verktyg och teknologier.

5. Betona etiska aspekter: Eftersom generativ AI även har etiska utmaningar, är det viktigt att visa att du har medvetenhet och förståelse för dessa frågor. Var beredd att diskutera hur du kan bidra till att implementera generativ AI på ett etiskt ansvarsfullt sätt och att hantera eventuella risker och utmaningar som kan uppstå.

Genom att ha kunskap om generativ AI och vara beredd på dess påverkan på arbetsmarknaden kan du positionera dig själv som en attraktiv kandidat för framtida arbetsmöjligheter. Tänk på att det är viktigt att hålla dig informerad och anpassa din kompetenssatsning i takt med utvecklingen av generativ AI och dess tillämpningar inom olika branscher och organisationer.