AI i vardagen: Teknik vi slutat kalla AI
Regnsensorer, Spotify-rekommendationer, autocomplete. Vi omges av AI men kallar det inte så. Varför det spelar roll för hur vi tänker om AI i företag.
Det finns faktiskt ett tydligt mönster som upprepas genom teknikhistorien. Så fort en teknik börjar fungera riktigt bra slutar vi helt enkelt att kalla den för AI. Istället blir det bara en vanlig funktion som vi tar för given.
Tänk på regnsensorn i din bil som automatiskt drar igång vindrutetorkarna. Samma sak gäller ju när Spotify föreslår musik eller när telefonen fyller i ord åt dig. Ansiktsigenkänningen som låser upp skärmen och filtret som håller inkorgen ren bygger på precis samma principer.
Idag är det ju ingen som kallar det för AI längre. Det bara fungerar i bakgrunden.
Varför vi slutar kalla det AI
Inom datavetenskapen brukar man skämta om att AI är allt som datorer inte klarar av ännu. När maskinerna väl har lärt sig uppgiften förvandlas det snabbt till en helt vanlig algoritm i våra ögon.
Det här skapar nog ett problem. Eftersom vi bara sätter AI-etiketten på saker som är nya och osäkra får många intrycket att tekniken alltid är experimentell. I själva verket omges vi alltså av system som har rullat på stabilt i flera år.
Exempel från vardagen
När du använder tjänster som Netflix eller YouTube förlitar du dig ju på rekommendationssystem. De använder maskininlärning för att förutsäga vad du vill se härnäst och det fungerar så bra att vi sällan tänker på tekniken.
Navigeringstjänster som Google Maps förutsäger trafikflöden genom att kombinera historisk data med information i realtid. Appen lär sig faktiskt vilka vägar som brukar korka igen vid specifika klockslag.
Moderna bilar är ju fulla av sensorer för adaptiv farthållare och automatisk nödbromsning som tolkar omgivningen i realtid. Regnsensorn är det enklaste exemplet på ett system som har tränats för att skilja regndroppar från smuts.
Google har använt maskininlärning i sin sökalgoritm sedan flera år tillbaka. Varje gång du googlar interagerar du alltså direkt med AI.
Ett annat osynligt system är skräppostfiltret. Tjänster som Gmail lyckas faktiskt fånga upp 99,9 % av all skräppost eftersom de kontinuerligt tränas på att känna igen nya mönster.
Vad det betyder för företag
Tanken är förstås inte att påstå att allt redan är AI. Det viktiga är att inse att tekniken inte behöver vara dramatisk för att vara värdefull. De mest framgångsrika implementationerna är ofta ganska vardagliga saker som automatisk kategorisering eller smart fördelning av ärenden.
Om du väntar på att tekniken ska bli redo missar du att den redan är det. Den har faktiskt varit mogen för många uppgifter i flera år. Det som är nytt med generativa modeller lägger bara till nya möjligheter ovanpå en grund som redan fungerar.
Var börjar man?
Ett bra första steg är nog att titta på era processer. Var gör medarbetare repetitiva bedömningar baserat på data? Var sorterar eller prioriterar ni saker manuellt? Det är också värt att undersöka var ni ofta gissar istället för att mäta.
Det är ju precis där tekniken redan kan hjälpa. Det handlar inte om någon stor och dramatisk transformation. Ofta är det små och konkreta förbättringar som tillsammans gör stor skillnad över tid.
Vi brinner verkligen för de möjligheter som tekniken skapar, men vi vet ju att varje verksamhet är unik och att det som fungerar för ett företag kanske inte passar ett annat. Det bästa sättet att komma igång är att börja smått och tänka stort. Berätta var ni står idag och vart ni vill nå så ger vi en ärlig bedömning av vad som faktiskt är realistiskt. Starta samtalet.