Når kunstig intelligens gør idéer billige, bliver kontrolarbejdet dyrt

Når kunstig intelligens kan foreslå ti løsninger på få sekunder, føles det fristende at tro, at produktiviteten nu bare går én vej. Matematikeren Terence Tao peger på noget mere nyttigt: prisen på idéfasen falder voldsomt, men flaskehalsen flytter til verifikation. Det er en vigtig lektie for både virksomheder og offentlig sektor, fordi den samme skævhed dukker op i alt fra analysearbejde til kode, indkøb og sagsforberedelse.

💡 Tao i praksis Han beskriver, at kunstig intelligens nu kan spare mere tid, end den koster i matematik og teoretisk fysik. Han bruger den blandt andet til litteratursøgning, kode, figurer, beregninger og til at teste, om en idé er værd at gå videre med.

I omtalen af Taos arbejde beskrives det, hvordan han kan få et brugbart overblik over relevant litteratur på få minutter i stedet for at bruge timer eller uger på databasesøgning. Han bruger også kunstig intelligens til det, han kalder sekundære opgaver, som plots og rutineberegninger. Det frigør tid. Men det ændrer ikke ved, at resultatet stadig skal granskes. I hans verden er problemet ikke længere, om maskinen kan levere et bud. Problemet er, om nogen kan afgøre hurtigt nok, om buddet holder.

Det er tæt på hverdagen i danske organisationer. Et sprogmodelsystem kan skrive et notat, foreslå en SQL-forespørgsel eller opsummere et udbudsmateriale på få minutter. Hvis ingen bagefter tjekker kilder, antagelser, beregninger og manglende undtagelser, får man bare hurtigere fejl. Tao peger selv på formel verifikation som et svar i matematik, blandt andet med værktøjer som Lean, der kan kontrollere en beviskæde linje for linje. I en dansk virksomheds- eller myndighedskontekst svarer det til test, logning, versionsstyring, dobbeltkontrol og klare godkendelsesled.

Det interessante er derfor ikke kun, at kunstig intelligens gør mere arbejde billigere. Det interessante er, at ledelsen skal flytte investeringerne. Mindre fokus på at få flere prompts ud i organisationen. Mere fokus på evalueringsrutiner, fagligt ejerskab og systemer, der gør efterkontrol billig. Hvis man overser den del, drukner gevinsten hurtigt i genarbejde og tvivl.

Det mest praktiske råd er enkelt: mål ikke kunstig intelligens på, hvor hurtigt den producerer et første svar. Mål den på, hvor mange svar der kan godkendes uden ekstra oprydning. Først dér bliver produktiviteten reel.