Mine takeaways fra MIT-programmet Deploying AI for Strategic Impact

Der mangler ikke begejstring for AI lige nu. Nye modeller bliver lanceret næsten ugentligt. Kapabiliteterne forbedres i et forrygende tempo. Demoerne er dragende. Og alligevel er det, set fra en forretningsorienteret CTO’s perspektiv, ikke det mest interessante spørgsmål, om AI er imponerende. Det er den helt åbenlyst. Det interessante spørgsmål er, hvor den skaber reel forretningsværdi, under hvilke betingelser, og med hvilke afvejninger. Det var her, kurset hjalp mig mest. Det gav mig et langt skarpere blik for at skelne mellem signal og støj.

Det første, kurset bekræftede for mig, er, at AI ikke bare er endnu en teknologibølge, som kan føjes ind i den eksisterende portefølje. Det ligner langt mere en generel teknologi, som på én gang vil påvirke produkter, processer, operating models og forventninger. Men det betyder også, at den rigtige reaktion ikke er at gøre AI overalt. Den rigtige reaktion er at blive langt mere disciplineret omkring, hvor AI reelt kan forbedre hastighed, kvalitet eller økonomi, og hvor den i stedet blot tilfører kompleksitet, omkostninger og risiko.

En af de mest nyttige pointer på kurset var også en af de mest enkle: økonomi betyder mere end eksponering. En opgave kan være teknisk eksponeret for AI uden af den grund at være værd at automatisere. Det var en vigtig korrektion. I mange samtaler om AI springer man direkte fra kapabilitet til uundgåelighed. Kurset gjorde det klart, at det er doven tænkning. Skala betyder noget. Krav til præcision betyder noget. Omkostninger ved deployment betyder noget. Menneskeligt arbejde bliver ikke erstattet, bare fordi en model kan udføre en del af en opgave. Det bliver først erstattet, når det er økonomisk rationelt og operationelt forsvarligt. Det er en langt højere bar.

Det leder til en anden indsigt, som jeg finder meget praktisk: I mange tilfælde er delvis automatisering et bedre svar end fuld automatisering. Eksemplet med forsikring i kurset illustrerede det godt. Fuld automatisering fejlede, fordi det sidste stykke præcision blev for dyrt og for risikabelt. Delvis automatisering, hvor AI udfyldte på forhånd, og mennesker verificerede, skabte et langt bedre resultat. Det reducerede sagsbehandlingstiden markant og beskyttede samtidig kvaliteten. For en forretningsorienteret CTO er det guld. Det er en påmindelse om, at den bedste AI-løsning ofte ikke er den mest ambitiøse. Det er den, der redesigner workflowet på en intelligent måde.

Det peger direkte på noget andet, jeg tog med mig fra kurset: AI er i lige så høj grad en organisatorisk designopgave som en teknisk opgave. De største gevinster kommer ikke af at placere en model i forretningen og håbe på magi. De kommer af at gentænke samspillet mellem teknologi, mennesker, data, governance og workflow. Human in the loop er ikke et kompromis. I mange sammenhænge er det selve designet. Vi så det i eksempler fra skadeshåndtering, oversættelse, condition monitoring og medicinsk støtte. Mønstret var slående ens. AI skabte værdi, når den accelererede analyse, udkast, opsummering eller mønstergenkendelse, mens mennesker beholdt ansvaret for dømmekraft, håndtering af undtagelser og tillid.

En fjerde læring er, at agilitet betyder endnu mere i AI, end den gør i almindelig softwareudvikling. Ikke fordi planlægning er uvigtig, men fordi lange, lineære og vandfaldsprægede programmer er for skrøbelige til en teknologi, der udvikler sig så hurtigt. Det, der især blev hængende hos mig fra kurset, var idéen om en minimum viable plan. Ikke kaos. Ikke tilfældig eksperimenteren. Men tilstrækkelig struktur til at identificere de mest lovende use cases og derefter hurtige cyklusser af test, monitorering, læring og justering. Det føles helt rigtigt for mig. I en AI-kontekst bliver strategi uden eksperimenter til teater, og eksperimenter uden strategi bliver til spild. Håndværket ligger i at kombinere de to.

Kurset skærpede også mit syn på produktivitet. AI forbedrer ikke alt arbejde lige meget. Den er stærkest på nogle typer opgaver og svagere på andre. Den kan augmentere mennesker på kraftfulde måder, men ikke universelt. Den kan hjælpe mindre erfarne medarbejdere med at blive bedre hurtigere. Den kan forkorte tiden brugt på udkast, analyse, opsummering og idéudvikling. Men uden for det område, hvor den faktisk fungerer godt, kan den vildlede lige så effektivt, som den kan hjælpe. Det betyder noget for, hvordan vi designer teams, kontroller og træning. En CTO bør ikke bare spørge: “Kan denne model løse opgaven?” Det bedre spørgsmål er: “For hvem, under hvilke betingelser, med hvilken supervision og med hvilken målbar effekt?”

Jeg satte også pris på, at kurset aldrig lod teknologien drive for langt væk fra ansvarligheden. Hallucinationer, bias, privatlivsproblemer, sikkerhedsudfordringer og overtrust er ikke sidebemærkninger. De er deploymentsrealiteter. En af de mere tankevækkende læringer var faktisk, at forklaringer i sig selv ikke nødvendigvis gør systemer mere sikre. Nogle gange kan de tværtimod få mennesker til lettere at stole på dårlige råd. Det er en stærk påmindelse om, at ansvarlig AI ikke handler om at lægge en beroligende brugerflade oven på en model. Det kræver governance, evaluering, træning, guardrails og en operating culture, der behandler AI som noget med reelle konsekvenser.

Endelig hjalp kurset mig med at tænke klarere om CTO’ens rolle i alt dette. Ikke som den person, der “ejer AI”. Og heller ikke som den person, der blot godkender værktøjer.

Men som en person, der hjælper organisationen med at opbygge de betingelser, hvor AI kan skabe værdi på en ansvarlig måde. Det betyder investering i datafundamentet. Det betyder AI-literacy bredere end engineering-funktionen. Det betyder rum til prototyper. Det betyder kobling mellem forretningsprioriteter og tekniske eksperimenter. Det betyder valg af, hvad der skal bygges in-house, og hvor partnerskaber giver bedre mening. Det betyder ærlighed om ROI. Og det betyder en erkendelse af, at de organisationer, der lærer hurtigst, sandsynligvis vil overgå dem, der blot bruger flest penge.

Så hvad har jeg personligt taget med mig fra kurset?

Måske er en mere jordnær optimisme den bedste måde at sige det på.

Jeg er overbevist om, at AI vil ændre, hvordan produkter bliver bygget, hvordan arbejde bliver udført, og hvad ledelse kommer til at kræve. Men jeg er også blevet endnu mere overbevist om, at værdien ikke kommer fra hype, fra isolerede pilotprojekter eller fra at sætte en chatbot oven på det, der allerede findes.

Den kommer fra bedre valg. Den kommer fra ledere, der stiller spørgsmål som:

• Hvor AI skal anvendes
• Hvor det ikke skal anvendes
• Hvor man skal automatisere fuldt ud
• Hvor man skal understøtte menneskers arbejde
• Hvor mennesker fortsat skal være tydeligt inde over
• Hvor økonomien hænger sammen
• Hvor risikoen ikke gør
• Og hvor organisationen er klar til at lære

Det er dér, det virkelige arbejde begynder.

Anbefaling

Hvis du arbejder i krydsfeltet mellem teknologi, produkt og forretning, kan jeg oprigtigt anbefale kurset. Det er betænksomt, praktisk og langt stærkere på økonomi, operating models, eksperimenter og ansvarlig deployment end det meste AI-indhold, jeg er stødt på.

Du kan finde kurset her: MIT xPRO – Deploying AI for Strategic Impact