Det lange spil om ekspertise og hvordan AI kan ændre tingene

Et af de kendetegn, vi forbinder med ekspertise, er en person med en stor mængde viden, som vedkommende kan genkalde sig, sammenfatte og anvende i nye situationer. Med henvisning til Warren Buffet som eksempel beskriver forfatteren Shane Parrish det som “arkivskabet med viden, der er gemt i Warren Buffetts hjerne”.

I Buffetts tilfælde brugte han meget tid på at læse grundigt om ideer og virksomheder, som han var interesseret i, og han besøgte en lang række virksomheder i timevis for at forstå alt fra produktion til ledelse. Den dag i dag læser han hundredvis af årsrapporter for virksomheder i en lang række brancher, som han ikke ejer. Alt sammen for at sige, at han er en glubende forbruger af information.

Parrish hævder, at Buffet gør noget andet end mange af os andre: De fleste af os bruger “udløbende information”, mens Buffet bruger information med en “lang halveringstid”. Hvorfor er det vigtigt? Fordi han fokuserede på information, der ændrede sig langsomt over tid, gjorde det ham i stand til at sammensætte sin viden.

Udløbende information vs. sammensat viden

Som Parrish beskriver det, har udløbende information en meget kort livscyklus. Den er markedsført til dig. Den mangler nuancer. Den er letfordøjelig.

Den leveres også i store mængder og på et utal af måder, der understøtter vores vane med at lede efter hurtig og pakket information. Det er det , James Gleick i 2011 kaldte “en oversvømmelse, hvor information er billig og rigelig og allestedsnærværende”. Om noget er det endnu mere sandt i dag.

Det er ikke, fordi folk er ude på at være trivielle i deres bestræbelser på at lære. Der er tidspres, som begrænser, hvor længe eller hvor ofte vi kan undersøge vores interesser. Mængden af information, der frigives hver dag, er overvældende, og det samme er et lige så overvældende udvalg af medier. Det er blevet nemmere. Frem for alt har vi vænnet os til at stole på, at computere holder vores viden for os.

Sammensat viden er forbundet med ekspertise, som nogen opbygger gennem konsekvent læring og udvikling over tid. En ekspert kan sammensætte sin viden i et færdighedssæt (f.eks. en analytiker, der har fremragende færdigheder med regneark og formler), et erhverv (f.eks. en ingeniør, der er bevandret i flere sprog og teknologistakke) eller en kompetence (f.eks. en konsulent, der coacher ledere i beslutningstagning og innovation).

Denne form for viden kommer gennem vedholdenhed, livslang læring og en konsekvent indsats over en lang periode. I stedet for at stole på, at andre pakker hurtig information sammen for os, graver vi måske selv ned i detaljerne og tænker selv. I enhver ny situation har denne form for adaptiv ekspert fordelen af kognitiv fleksibilitet og mønstergenkendelse til at lede dem til informerede beslutninger.

Så kommer AI

Mens GPT står for Generative Pre-Trained Transformer, kan det være nyttigt at bevare en tidligere og lige så gyldig betydning: General Purpose Technology, som Ethan Mollick er fortaler for. Vi kan opstille GPT som en analog til den industrielle revolution eller internettet. Han advarer om, at mange ledere tror, at hovedformålet med teknologi er effektivitet, hvor AI bliver en måde at reducere omkostningerne på.

I stedet vil enhver reel fordel ved AI “komme fra medarbejdernes ekspertise, som er nødvendig for at frigøre den ekspertise, der ligger latent i AI.” Vi har brug for eksperter med den dybe, sammensatte viden til både at opbygge og udvide de muligheder, der bliver tilgængelige via AI.

AI er stadig så nyt, at vi kun spekulerer på, hvordan AI-teknologier vil påvirke læring og ekspertise. Som vidensarbejdere kan vi stå over for udfordringer som f.eks:

• Forældede kompetencer. Nogle færdigheder vil primært være AI-ledede, og AI vil være dygtigere til dem. Det er stort set garanteret, at det vil ske.
• Afhængighed af AI. Hvis vi allerede har outsourcet videnskapacitet til computere, bliver det kun værre. Outsourcing af beslutningstagning til AI er et varmt diskussionsemne som et af de mest skræmmende potentielle fremtidsscenarier.
• Fordomme, skæve data, falsk information og ondsindede hensigter. Alle oplysninger, vi bruger til at supplere vores viden, kan blive mere og mere upålidelige. Når vi bliver bedt om at indarbejde kunstig intelligens i praksis, vil der også være etiske overvejelser i forbindelse med databeskyttelse/brug, som vi bliver nødt til at navigere i.
• Konkurrence om menneskelig ekspertise. I det omfang AI får mulighed for at løse komplekse problemer, vurdere muligheder og træffe strategiske beslutninger.

En vej frem

Selv om værktøjerne ændrer sig, og der kræves mere omhu, vil eksperter fortsat have en vigtig rolle i arbejdet og samfundet. Der er nogle aspekter af, hvordan deres forhold til vidensopbygning vil blive forbedret med AI:

1. Automatisering af opgaver. Inden for ethvert område er der opgaver, som AI vil være bedre til. Der er to overvejelser her. Det er en god ting, fordi der bliver mere tid til at fokusere på opgaver på højere niveau og kreative opgaver samt innovation (og jeg er sikker på, at AI kan give noget inspiration), men vi har stadig brug for mennesker, der forstår de underliggende principper og processer i disse opgaver.
2. Indsigt i data. Selv med domæneeksperter er der så mange data til rådighed, at det nogle gange er sådan, at “vi ved ikke, hvad vi ikke ved”. AI kan behandle store mængder data hurtigt og give indsigt, som det ville tage mennesker meget længere tid at afdække.
3. Flere måder at eksperimentere på. Eksperter med dyb domæneviden er virkelig gode til at se mønstre og anvende indsigter fra et problem til et andet. Det, AI sandsynligvis kan hjælpe med, er at styrke deres evne til at prøve “hvad nu hvis”-scenarier, til at kontrollere/verificere mønstre eller til at ekstrapolere en “mavefornemmelse” for at se, hvor den fører hen.
4. Hurtigere problemløsning og analyse. En af fordelene ved AI-værktøjssæt er, at de kan lære af eksempler. Brug af ekspert-“skabeloner” eller -output vil hjælpe eksperten med at anvende det, de ved, hurtigere, men også give andre mulighed for at få gavn af det. Eksperter fra hele virksomheden bør involveres i at lære om modeller og træne dem.
5. Personlig læring. AI-platforme kan skræddersy indhold og forbedre de ressourcer, der er til rådighed for livslang læring. Men ligesom Buffet bør du altid opsøge det kildemateriale, du opdager på denne måde. Deep learning kommer ikke til at ske, hvis du bruger generativ AI som en snydemetode til at blive “ekspert” – det er den ikke optimeret til.
6. Personlig idé-tjekker. Eksperter søger oppositionelle synspunkter som en måde at kontrollere deres egne synspunkter på og styrke deres viden. Nogle gange er der ingen i nærheden, der kan spille den rolle. AI er klar til dette – du kan tildele den en rolle eller et synspunkt, og den vil tale for det, og du kan bruge interaktionerne til bedre at teste dit synspunkt.
7. Etik og udformning af AI. Det er vigtigt at implementere AI på en ansvarlig og etisk måde. Vi ved, at der allerede er fordomme og vildledende træk, der udvikler sig i LLM’er. Eksperter er nødt til at være der for at forme AI-udviklingen.

Bliv ved med at søge ny information, gå i dybden med emner, der interesserer dig, og opbyg en solid vidensbase, som du kan trække på gennem hele din karriere. Hvordan du gør det, ændrer sig måske, men livslang læring vil fortsat være en værdig forpligtelse.

Efterhånden som AI fortsætter med at udvikle sig, vil det være uundgåeligt, at eksperter bliver nødt til at omfavne disse ændringer og udnytte AI-værktøjer til at forbedre deres læring og professionelle vækst:

• Bliv ved med at være nysgerrig. Hav et åbent sind, og vær villig til at udforske nye AI-teknologier og ikke-AI-teknologier på din læringsrejse. At sammensætte viden vil være et livsværk af konsekvent og dyb læring, der sker på mange måder – læsning, interaktion, observation, handling.
• Invester i læring. Udnyt AI-drevne uddannelsesplatforme til at holde dig på forkant inden for dit felt og til at udsætte dig for nye originale ressourcer og data, der kan forme din viden og udvide de sammenhænge og anvendelser, du overvejer.
• Forbliv tilpasningsdygtig. Vær fleksibel og klar til at tilpasse dig nye måder at arbejde på, når AI fortsætter med at ændre de måder, vi lærer og arbejder på.

Den næste generation af eksperter vil se AI som en medintelligens i det lange spil om at sammensætte viden.