Komparativa fördelar

Vi har under några år nu lagt ganska mycket tid och kraft på att förstå ”vår nya kollega” – LLM:erna. Allt ifrån hur man ska prompta till hur man gör en deep research är färdigheter som man nu förväntas ha för att kunna utföra sitt arbete. Att förstå sig på maskinen och hur den fungerar, blir centralt i att använda den.

Men arbetet har ju två delar, där den ena är maskinen och den andra är människan. För att kunna fördela arbete klokt mellan människa och maskin måste vi förstå båda. När vi går från att använda maskinerna som stöd för vårt arbete till att använda dem mer strategiskt uppstår en ny fråga. Vad är människor egentligen bra på? Hur bra är du på att förstå människor?

Inte i någon allmän, filosofisk mening, utan väldigt praktiskt och konkret. Vilka uppgifter är människor faktiskt bättre på? När skapar mänskligt omdöme ett värde som maskinen inte kan skapa? När är relation, ansvar, social förståelse, erfarenhet eller förmågan att formulera själva målet viktigare än snabb informationsbearbetning? Vilka är människans komparativa fördelar och styrkor?

Förvisso kommer människans komparativa fördelar att kunna förändras när maskinerna blir bättre. Men saker vi tidigare betraktade som typiskt mänskliga — skriva, analysera, och sammanfatta — är inte längre mänskliga fördelar. Därmed borde de vara maskinernas arbetsuppgift. Så vad blir då kvar åt människorna att vara bäst på?

Det finns också en risk att vi, i vår iver att förstå maskinerna, börjar förstå människan på maskinens villkor. Vi har tidigare kallat det machinamorfisering: att vi beskriver människor som om de vore lite sämre maskiner – med bristande minne, bias, begränsad kapacitet och ojämn output.

Denna lista innehåller topp-sju av komparativa fördelar för människor respektive maskiner. Ser du några mönster?

På The Stockholm Project jobbar vi så kallat AI First. Det betyder att vi i varje modell eller process ställer oss frågan: vilka av dessa uppgifter lämpar sig för maskiner och vilka lämpar sig för människor. Vi fördelar arbetet utifrån vem (maskinen inkluderad) som gör uppgiften bäst. I sak inget nytt, det har vi alltid gjort – men mellan olika människor.

Det uppstår ibland nya frågor med det arbetssättet. En fråga jag fick häromdagen var: vilket ansvar har maskinerna? Mitt svar är tydligt: inget alls. En annan sak som människan måste ansvara för är ledning, arbetsfördelning och orkestrering. Även om man så klart kan ta AI:ns input på det.

Vad ska man använda listan till förutom arbetsplanering då? Jag tänker själv på den som en mall på vilka förmågor jag ska utveckla för att bidra med så mycket värde som jag kan i arbetet. En utvecklingsplan. Omvänt ger den mig också hintar om vad ska inte ska försöka utveckla. Jag kommer aldrig ha en chans mot maskinen i dens komparativa fördelar. Precis som att min telefon länge slagit mig i huvudräkning.

Även om tabellen kanske ser lite annorlunda ut om tre år tror jag dess huvuddrag håller. Arbetsmarknaden kräver inte bara människor som är bra på att förstå maskiner. Den kräver människor som är bra på att förstå människor.

Lästips

Människor i organisationer, och deras beslutsfattande, är ett fascinerande ämne med en rik mängd psykologi, beslutsteori och etik. I Herbert Simons monografi Administrative Behaviour finns en av de finaste redovisningarna för hur vi beter oss administrativt, i organisationer.

Det är inte utan skäl boken röstades fram till den femte viktigaste boken om management under 1900-talet. Simon fokuserar på beslutsfattandet och dess olika nyanser, och hans studier fungerar lika bra på företag som på myndigheter. Människor i grupp fattar beslut på ett sätt som har djupa, kanske till och med biologiska, rötter. Visst: mycket har förändrats sedan den skrev, men överraskande mycket är precis likadant.