AI synes at være svaret på alt fra klimakrisen til økonomisk og sundhedsmæssig ulighed i vores samfund og der er ingen tvivl om, at AI-drevne teknologier kan hjælpe med til at finde løsninger på rigtigt mange udfordringer. I denne serie ser jeg nærmere på, hvordan AI ændrer vores verden og denne gang er vi nået til erhvervslivet og industrien.
Vi ser allerede i dag en lang række områder, hvor AI-systemer er med til at ændre erhvervslivet og industrien. Automatisering, beslutningstagning, øget produktivitet, rekruttering og bedre kundeservice er bare nogle af områderne.
Den fjerde industrielle revolution
Flere har fremsat den hypotese, at vi befinder os i den fjerede industrielle revolution. Mest kendt er nok bestyrelsesformanden for World Economic Forum, Klaus Schwabs bog fra 2016 af samme navn. Men hvad er den fjerde industrielle revolution og hvordan kan man sige, at AI er drivkraften indenfor denne fjerde revolution?
- Den første industrielle revolution (1760-1820/40) var overgangen fra manuel produktion til maskiner drevet af damp og vand – altså automatisering af manuelle opgaver.
- Den anden industrielle revolution, kaldet den teknologiske revolution (1871-1914) var et resultat af udbyggelsen af jernbanen og telegraf-netværket. Det betød, at det nu var muligt at overføre mennesker, varer og ideer meget hurtigere over store afstande. Hertil kom elektriciteten, der gjorde det muligt for fabrikker at udvikle en moderne produktionsform. Det betød endnu engang en automatisering af opgaver, der tidligere var udført af mennesker.
- Den tredje industrielle revolution eller den digitale revolution (slutningen af det 20. århundrede og starten af det 21.). Efter to verdenskrige og deraf følgende fald i industrialisering og teknologiske fremskridt blev grundlaget for den digitale revolution lagt med opfindelsen af supercomputeren i 1950’erne. Kommunikationsteknologier i forening med supercomputeren betød at vi fik mindre og praktiske produkter og behovet for menneskelig arbejdskraft mindskedes yderligere.
- Den fjerde industrielle revolution bygger på de teknologiske fremskridt fra de tre tidligere revolutioner og forener den fysiske, digitale og biologiske verden blandt i det der kaldes cyper-physical systems (CPS) – IoT (Internet of Things), Industrial internet of things, cloud computing og kunstig intelligens.
AI har i høj grad indtaget førersædet, når vi taler om at drive den fjerde industrielle revolution. AI skaber nye industrier og forretningsmodeller, det transformerer eksisterende industrier og åbner for nye niveauer af innovation og produktivitet. Det betyder også at vi må forvente og allerede i nogle sektorer ser betydelig disruption som en konsekvens af AI og robotteknologi.
AI og IoT er to komplimentere koncepter. IoT leverer data til AI-systemer til analyse, læring og automatisering. Når de to forenes betyder det, at køleskabet, printeren og lamperne selv kan analysere dat og selv træffe beslutninger om fx indkøb af fødevarer, printerpatroner eller el-pærer. Med AI tilføjet i en automatiseringsproces, kan maskinerne pludseligt selv skabe sine egne succeskriterier ud fra ret brede regler givet af mennesker og ikke længere behøve meget specifikke instruktioner.
Personalisering i detailhandlen
Behovet og efterspørgsel hos forbrugerne og en af de centrale nye muligheder som et resultat af AI er personalisering og et af de områder, hvor vi allerede har set denne tendens slå igennem, er indenfor detailhandelen. Ved hjælp af kunstig intelligens og maskinlæring, kan detailhandelen få en hidtil uset indsigt i kundernes præferencer og behov og på den baggrund skræddersy deres oplevelse. Kundeservice, besvarelse af de mest almindelige spørgsmål, salg og support kan alt sammen klares af chatbots i dag og samtidigt indsamler virksomhederne data om forbrugerne, der bruges til flere produktforslag og anbefalinger. Vi har kendt til anbefalingssystemerne gennem flere år nu. Amazons netboghandel og Netflix er i flere år kommet med forslag til om os om nye køb, der kunne interessere os og hvilken film vi skal se, når vi er færdige med den, vi er i gang med.
Optimering af forsyningskæden
Maskinlæringssystemer er ekstremt gode til af finde mønstre og komme med forudsigelser eller beregninger på baggrund af de mønstre. Det vil sige, at et er helt naturligt at sætte AI-systemer til at forudsige efterspørgsel og det gør det muligt for virksomheder at optivere deres lagerniveauer, strømline fosyningskædeprcesser og dermed reducere risikoen for udsolgte eller overskud af varer.
Et eksempel på, hvordan virksomheder bruger AI for at optimere deres forretning, er Nike. Her har Covid-19 pandemien betydet et øget fokus på, at imødekomme forbrugernes efterspørgsel gennem øget automatisering og brug af AI-systemer. I dag bruger man maskinlærings systemer til med stor nøjagtighed at forudsige efterspørgslen og kan dermed levere varerne hurtigere og mere præcist.
Økonomistyring og beslutningstagning
Netop det faktum, at maskinlæringssystemer er så gode til at komme med forudsigelser på baggrund af store mængder data gør dem også meget anvendelige inden for risikostyring og hurtigere og mere kredit-, investerings og forretningsrelateret beslutningstagning. Det betyder også, at AI-systemer hurtigt kan identificere mønstre og udtrække værdifulde indsigter i forhold til opstilling af investeringsstrategier. Med AI-drevne værktøjer kan investorer vurdere markedstendenser, overvåge virksomhedens præstationer og evaluere risikofaktorer mere effektivt end før. Det sætter samtidigt virksomheder i stand til at bruge AI-systemer som et vigtigt beslutningstagende værktøj på tværs af sektorer. Systemerne gør virksomhederne bedre i stand til at forudsige og bekæmpe kriser. Dermed kan AI være med til at forbedre beslutninger gennem indsigt i store datamængder og give virksomheder vigtige forretninsfordele bla. igennem procesutomatisering, forbedring af hastighed og konsistens af virksomhedens produkter.
HR og talentudvælgelse
– Brugen af AI i rekruttering, herunder CV-analyse og forudsigende analyse for medarbejderens egnethed.
– De etiske overvejelser ved at bruge AI til at vurdere potentielle kandidater.
AI er også allerede i brug til rekruttering i flere virksomheder. AI kan gennemgå cv’er og matche dem med jobbeskrivelser. Det betyder en væsentlig strømlining af rekrutteringsprocessen. Et AI-system kan automatisk scanne detaljerede kandidatprofiler, matche dem med ledige stillinger og tildele forudsigende scores på jobtilpasning, fremtidig præstation og hvordan personen vil passe ind i virksomheden personlighedsmæssigt.
Det er dog ikke uden problemer at bruge AI i rekrutteringsprocessen. Formand for Dataetisk Råd, Johan Busse, mener at AI-systemer kan identificere sammenhænge, der i realiteten er tilfældige. Nogen systemer har fravalgt kandidater med briller. Johan Busse mener heller ikke, at egenskaber som empati, kreativitet og lignende kvalitative egenskaber ikke kan måles. Endeligt er det et problem i rekrutteringsprocessen, når ma ikke kan gennemskue, hvorfor systemerne svarer som de gør – såkaldte black box-systemer.
Udfordringer og etiske overvejelser
Udover de store muligheder såsom øget effektivitet, bedre og mere effektiv beslutningstagning, personalisering og besparelser, så er der også en række udfordringer, man skal tage stilling til og løse. Fra udvikling af systemerne og til implementering mangler der standardisering og det skaber teknisk gæld. Det vil sige, de omkostninger, der er forbundet med, at man ikke har indført den mest effektive løsning og derfor løbende må ændre i processerne. Det kan være svært at skaffe den specialiserede arbejdskraft, man har brug for – også selvom virksomheden har arbejdet med AI i mange år.
Der er også en række etiske overvejelser, man som virksomhed skal gøre sig i forbindelse med indførelsen af AI-systemer. Et stort problem i mange AI-modeller er bias – det vil sige skæve eller mangelfulde data i de data, som systemerne trænes på – og det kan betyde, at systemerne kan komme til at forstærke og videreføre samfundsmæssige fordomme. Et andet etisk dilemma er hvordan virksomheden sikrer, at modellen ikke på en eller anden måde giver uretmæssig adgang til perosndata. Endelig er bagsiden af besparelser som følge af effektivisering og automatisering en risko for, at kvalificeret arbejdskraft mister deres job. Tidligere revolutioner har i høj grad skabt arbejdsløshed og behov for omskoling indenfor manuelle og ufaglærte jobtyper. AI vil i langt højere grad betyde, at mere kreative og højtuddannede jobs overflødiggøres.
Muligheder og udfordringer
Fra sundhedsvæsenet til produktion og detailhandel er stort set alle industrier berørt af kunstig intelligens. AI hjælper virksomhederne med personalisering af kundeservice, optimering af forsyningskæden gennem dataanalyse og dermed bedre match med efterspørgsel, økonomistyring, beslutningstagning, HR og rekruttering. Og det er bare den transformation vi ser i dag. Mulighederne er næsten ubegrænsede i fremtiden.
Men teknologien er ikke uden sine udfordringer og etiske dilemmaer. De største er nok beskyttelsen af personoplysninger, når vi som forbrugere overgiver så mange data til industrien og så den disruption, som automatisering skaber på arbejdsmarkedet. Vi vil se at en række opgaver indenfor felter, der tidligere ikke var automatiserede, blive overtaget af AI. Det kan betyde arbejdsløshed og en kortere eller længere omstillingsperiode.
Det danske samfund er ret godt indrettet i forhold til at håndtere omstillinger af arbejdsmarkedet, men spørgsmålet er, hvad vi så skal lave, hvis vores jobs overtages af AI. Det almindelige svar er, at vi vil se en opblomstring af de erhverv, der indeholder menneskelige relationer, men vi kan jo ikke alle sammen lave kaffe og sandwich til hinanden. Vi skal formodentligt til at se på arbejde på en anden måde og måske også se på løsninger som fx borgerløn.
Share