En strategi bygger sjældent på alle tilgængelige fakta. Den bygger på et udvalgt antal antagelser, som var fornuftige på skrivetidspunktet, og som siden ikke er blevet genåbnet. En af dem er ofte: vores kundskabsforspring varer ved, fordi vi har været i faget længere, har set flere kunder, har løst flere edge cases end den, der starter nu. Den antagelse kom et sted fra. Årelang erfaring fra specialister, sager og præcedenser, der ikke kunne kopieres på et halvt år, en indlæringskurve, som nytilkomne simpelthen måtte igennem. Det var ikke overmod. Det var en rimelig læsning af, hvordan kundskab byggedes op: langsomt, i mennesker, over år.
Antagelsen holdt, fordi kundskaben og den person, der bar den, næsten ikke kunne skilles fra hinanden. Hvis en konkurrent ville matche Deres forspring, måtte vedkommende ansætte folk med samme antal års erfaring, eller selv investere de år. Begge veje var langsomme og synlige. De kunne se en konkurrent rekruttere eller opbygge, og havde tid til at reagere. Forspringet var altså ikke kun indholdsmæssigt, det var også en tempoforskel, De kunne følge.
AI overtager arbejde, og det sker ikke i samme grad i alle kategorier. For en del af kundskabsopgaverne kan en sprog- eller analysemodel selv stå for den første gennemgang: genkende mønstre i sager, udarbejde et råd baseret på præcedenser, sammenfatte en analyse, som tidligere kostede en senior en hel dag. For en anden del sker det med menneskeligt tilsyn: modellen laver forslaget, en specialist godkender eller afviser det og argumenterer for hvorfor. For endnu en del ændres der kun lidt, fordi vurderingen er for kontekstafhængig eller for risikabel at automatisere. Den fordeling er forskellig fra virksomhed til virksomhed og fra opgave til opgave, og det er netop pointen: det er ikke et generelt gennembrud, det er en forskydning, der sker opgave for opgave, og virksomheder, der kortlægger dette opgave for opgave, ligger i øjeblikket foran virksomheder, der stadig diskuterer spørgsmålet på strategisk niveau.
Hvor denne forskel kommer fra, er sjældent indholdsmæssigt. Den ligger i, hvem der allerede har stillet spørgsmålet på niveau med selve arbejdet, og hvem der stadig stiller det på branchens niveau. Den samme logik gælder for antagelsen om, at dette arbejde ikke kan standardiseres: hvad der engang gjaldt som for specifikt til automatisering, viser sig ved en nærmere prøvelse ofte delvist at kunne opløses i gentagelige trin.
Konsekvensen for kundskabsforspring specifikt: den tempoforskel, De tidligere kunne følge, er ikke længere garanteret synlig. En konkurrent behøver ikke ansætte ti seniormedarbejdere for at nå Deres niveau på en delopgave. Vedkommende skal blot genkende den rette opgave som egnet til overtagelse af AI, og organisere tilsynet med den korrekt. Det kan ske, uden at De ser det, indtil resultatet ligger på bordet.
Signalerne ligger sjældent i dette kvartals tal. De ligger i en adfærd, som De tilskriver noget andet. Et tilbud fra en mindre konkurrent, der indholdsmæssigt er lige så skarpt, som kun Deres seniormedarbejdere kunne levere før, og hurtigere. En kunde, der spørger, hvorfor en analyse, der tager en uge hos Dem, er klar på en dag et andet sted. Nye markedsdeltagere, der uden den mangeårige indlæringskurve alligevel taler med på niveau. Hvert af disse signaler kan forklares for sig selv, og det er netop derfor, antagelsen forbliver ubemærket så længe: der er ikke et enkelt øjeblik, hvor den synligt brister, kun en række enkeltstående tilfælde, der først i bagklogskabens lys danner et mønster.
Spørgsmålet, der ligger under dette, er det samme som ved antagelsen om, at skala giver beskyttelse: en fordel, der engang var langsom at matche, bliver først upålidelig, når en anden springer det langsomme trin over. Ved kundskabsforspring er det langsomme trin indlæringskurven, og netop dét trin springes over, hvor en opgave lader sig overtage af en model.
For at vide, om antagelsen stadig holder, er det ikke nok at spørge, om Deres folk stadig er gode. De er det sandsynligvis stadig. Spørgsmålet er, om deres forspring stadig er den flaskehals for den, der vil matche Dem. Det kræver tre ting at følge: for hver kundskabsopgave, om den falder i kategorien fuldt overtagelig, overtagelig med tilsyn, eller menneskearbejde, og om den kategorisering er blevet kontrolleret for nylig; hvor længe siden det senest er fastslået, at en konkurrent endnu ikke havde taget det skridt, og på baggrund af hvilket signal; og om den margin, De tilskriver dette kundskabsforspring, er nedskrevet som en separat antagelse med en dato, så det er klart, hvornår den senest er blevet efterprøvet i stedet for blot gentaget. Hvor emnet berører personalebeslutninger, gælder der egne lovkrav; disse behandles ikke her.
Det underliggende spørgsmål — hvilket arbejde i denne virksomhed reelt kan overtages af AI — besvares med arbejdsscanningen fra FTE TO AI opgave for opgave, ikke på hele branchens niveau.
Den, der vil vide, om denne antagelse stadig holder i egen virksomhed, kan begynde med den gratis antagelsescheck: en kort runde, hvor De navngiver Deres vigtigste antagelser og for hver antagelse ser, hvornår den senest er bekræftet. Den fulde strategiske trykprøve er under udarbejdelse.
Stel uw vraag. Vaak zit de echte vraag een laag dieper — daar mag ik naar vragen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.