Artikel af Nathan Sanders, Harvard University, og Bruce Schneier, Harvard Kennedy School

 

Hvis du har frygtet, at kunstig intelligens (AI) kunne overtage dit job og fratage dig din indkomst, eller måske endda erstatte din rolle i samfundet, føles det sikkert betryggende at se de seneste AI-værktøjer fejle spektakulært. Hvis AI anbefaler lim som pizzatopping, er du sandsynligvis sikker i dit job et stykke tid endnu.

Men faktum er, at AI allerede har klare fordele i forhold til selv de dygtigste mennesker, og det bliver afgørende at forstå, hvor disse fordele opstår – og hvor de ikke gør – for at kunne tilpasse sig en arbejdsstyrke gennemsyret af AI.

AI vil ofte ikke være så effektiv som et menneske i samme rolle. Den ved ikke altid mere eller er mere nøjagtigt. Og den er bestemt ikke altid mere retfærdig eller pålidelig. Men AI vil stadig kunne anvendes, når den har en fordel frem for mennesker inden for et af fire områder: hastighed, skala, omfang og kompleksitet. At forstå disse dimensioner er nøglen til at forstå AI-menneskelig erstatning.

 

Hastighed

For det første hastighed. Der findes opgaver, som mennesker er gode til, men som de er alt for langsomme til at udføre. Et eksempel er at genoprette eller opskalere billeder: gøre pixelagtige, støjede eller slørede billeder skarpere og med højere opløsning. Mennesker kan det, men de er for langsomme til at håndtere store billeder eller videoer effektivt. AI-modeller kan klare det lynhurtigt – en evne, der har vigtige industrielle anvendelser. AI-baseret software bruges til at forbedre satellit- og fjernmåledata, komprimere videofiler, få computerspil til at køre bedre på billigere hardware og med mindre energi, hjælpe robotter med at træffe de rigtige bevægelser og modellere turbulens for at udvikle bedre forbrændingsmotorer. I disse tilfælde er realtids‑ydelse afgørende, og AI’s hastighed er nødvendig for at muliggøre den.

 

Skala

Den anden dimension er skala. AI bruges i stigende grad til opgaver, som mennesker kan klare ét sted ad gangen, men som AI kan udføre millioner af steder samtidig. Et kendt eksempel er målrettet annoncering og personalisering. Menneskelige marketingsfolk kan indsamle data og forudsige, hvilke mennesker der reagerer på bestemte annoncer – en værdifuld evne i et annoncemarked til en billion dollars globalt. AI-modeller kan gøre dette for enhver enkelt produkt, tv‑show, hjemmeside og internetbruger. Det er sådan den moderne annonce‑tech‑industri fungerer: Real‑tid budmarkeder prissætter reklameplads tusindvis af gange i sekundet, og annoncører bruger AI‑modeller til at beslutte, hvornår de vil betale denne pris.

 

Omfang

Dernæst omfang. AI kan være fordelagtig, når den kan lave flere ting, end et enkelt menneske kan – selvom mennesker kan være bedre til nogle af opgaverne. Generative AI-systemer som ChatGPT kan føre samtaler om ethvert emne, skrive essays fra alle perspektiver, skabe poesi i enhver stil og sprog, skrive computerkode i alle programmeringssprog og meget mere. Disse modeller er måske ikke bedre end dygtige mennesker i én enkelt disciplin, men ingen enkeltperson kan matche de top-ti generative modeller på alle områder. Det er kombinationen af disse kompetencer, der skaber værdi. Arbejdsgivere har ofte svært ved at finde personer med både software- og datavidenskabelige færdigheder samt med stærk domæneviden om en virksomheds område. Organisationer vil fortsat bruge specialister til at skrive den bedste kode eller den mest overbevisende tekst, men vil i stigende grad acceptere AI, når man blot har brug for en ‘god nok’ version.

 

Kompleksitet

Endelig kompleksitet. AI kan træffe beslutninger med flere indgangsfaktorer end mennesker kan, hvilket giver dem supermenneskelig ydeevne på specialopgaver. Computere har længe fulgt komplekse interaktioner mellem faktorer, som er for sammensatte for mennesker at gennemskue. Skakcomputersystemer fra 1990’erne, som Deep Blue, vandt ved at tænke mange træk frem. Moderne AI bruger en radikalt anderledes fremgangsmåde: dybdelæringssystemer med flerlags neurale netværk, der tager højde for komplekse interaktioner – ofte milliarder – mellem talrige faktorer. Neurale netværk driver verdens bedste skakmodeller og de fleste andre AI-systemer.

Skak er ikke det eneste område, hvor avancerede og systemer har givet fremskridt. Det bemærkelsesværdige gennembrud af AlphaFold2 – modellen fra Demis Hassabis og John Jumper, belønnet med Nobelprisen i kemi i 2024 – er et andet eksempel. Denne løsning erstattede traditionelle fysikbaserede systemer til at forudsige proteinfoldning med en model med 93 millioner parametre – selvom den ikke bruger fysiske love. Manglen på reel forbindelse til virkeligheden skaber dog bekymring, og forskere ønsker bedre forståelse af, hvordan systemet fungerer. Men AI’s kompleksitet leverer værdi til videnskaben, og brugen af AI på tværs af fagområder er vokset eksponentielt de seneste år.

 

Kontekst betyder noget

Det er disse fire dimensioner, hvor AI kan overgå mennesker. Nøjagtighed betyder dog stadig noget. Man ønsker ikke at bruge AI, der laver fejlbehæftede grafik‑ eller reklameleverancer – men nøjagtighed er ikke det afgørende. AI behøver ikke være super­nøjagtig. Det er nok, at den er hurtig og god, eller tilstrækkelig og skalerbar. Øget omfang kan betyde lavere præcision, fordi AI har svært ved at overføre viden til hidtil ukendte opgaver. De fire områder kan konflikte, da man normalt med en fast mængde regnekraft må vælge mellem skala og kompleksitet. Endnu mere interessant er det, at når AI overtager en menneskelig opgave, kan opgaven ændre karakter. Nogle gange udfører AI bare opgaver anderledes. Andre gange ændrer AI opgaven. Det skaber nye muligheder – og nye risici.

F.eks. er højfrekvent handel ikke bare hurtigere aktiehandel; det er en helt ny form for handel, der muliggør nye strategier, taktikker og risici. Ligeledes har AI udviklet mere sofistikerede strategier i skak og Go. Og skalaen af chatbots har ændret propagandaens natur ved at lade kunstige stemmer overmande menneskelig tale.

Kunstig intelligens vil få stor betydning for arbejdsstyrken, men der vil stadig være mange job, som robotter ikke kan overtage. Det er netop i dette “fase‑skifte” – hvor gradvis ændring bliver til kvalitativ transformation – at AI’s samfundsmæssige indflydelse mærkes tydeligst. Alt dette peger på de områder, hvor AI kan have en positiv effekt. Når et system er begrænset af hastighed, skala, omfang eller komleksitet – eller et af disse faktorer hindrer et mål – er det oplagt at overveje, hvordan AI kan hjælpe.

Omvendt, når hastighed, skala, omfang og kompleksitet ikke er de primære barrierer, giver det mindre mening at anvende AI. Derfor kan auto‑suggest-funktioner ved sms-beskeder virke irriterende – de giver ingen hastighedsfordel, og kompleksitet bringer ikke forbedring, samtidig med at den kompromitterer det oprigtige i den menneskelig kommunikation. Mange implementeringer af kundeservice-chatbots dumper også i denne test, hvilket kan forklare deres hviorfor de er upopulære. Virksomheder investerer i dem på grund af deres skalerbarhed, og alligevel bliver bots ofte en barriere for support snarere end en hurtig eller sofistikeret problemløser.

 

Hvor ligger fordelene?

Husk dette, når du ser en ny AI-applikation, eller overvejer AI som erstatning eller supplement til menneskelig arbejdskraft. Ved at identificere flaskehalse inden for hastighed, skala, omfang og kompleksitet får man en model til at vurdere, hvor AI skaber værdi – og hvor menneskets unikke evner stadig giver os en varig fordel.

 

Denne artikel er oprindeligt publiceret på The Conversation: Will AI take your job? The answer could hinge on the 4 S’s of the technology’s advantages over humans.

Skrevet af Bruce Schneier, Adjunct Lecturer in Public Policy, Harvard Kennedy School
og
Nathan Sanders, Affiliate, Berkman Klein Center for Internet & Society, Harvard University.

Artiklen er udgivet på nyhedscentrum.dk efter aftale.