Tidigare tog vi upp två företag som använts sig av Peltarions plattform. Men vad krävdes av dem och vilken typ av kompetens krävdes av företagen?
I vår analys kunde vi se att utformningen av plattformen och dess tillgänglighet hade stor potential att ha påverkan på hur organisationer bedriver sin verksamhet. En utmaning med AI har tidigare varit den tekniska kompetens som behövs för att tillämpa den. Utifrån vår undersökning kunde vi se att verktyget sänkte denna tröskel, och verksamheter behöver inte längre samma tekniska kompetens för att tillämpa AI. Detta i sin tur innebär att AI inte längre behöver vara något som verksamheter drar sig för att investera i.
Det första vi tycker är väsentligt att ta med från analysen är hur vår initiala bild av plattformen såg ut och hur den förändrades efter utförd analys. Vi båda gick in med inställningen att plattformen skulle vara relativt enkel att använda. Vi var dock skeptiska till huruvida vi faktiskt skulle förstå hur plattformen fungerade och ifall vi skulle kunna skapa en modell som fungerade. Efter utvärderingen av verktyget var vi dock ense om att plattformen och paketeringen av verktyget var över förväntan. Till att börja med har dem
skapat ett enkelt och användarvänligt gränssnitt som inte känns kladdigt och överflödigt. Sedan har de tagit i beaktning att användarna som vill testa på plattformen förmodligen besitter olika nivåer av teknisk kompetens. Både när det kommer till att arbeta med tekniska verktyg och hur AI fungerar generellt. Som vi nämnde under resultatet fick man till en början valmöjligheten att gå en kurs för hur plattformen fungerar samt en kurs för vad AI är och historian kring AI i allmänhet. Efter avslutad kurs kände vi oss än redo att börja använda verktyget och utforska vad man skulle kunna åstadkomma med det. Detta anser vi vara en viktig aspekt när företag ska börja med att arbeta med AI-verktyg. Det är dels en viktig aspekt då verktyget väcker en form av nyfikenhet, dels att tröskeln för att arbeta med verktyget inte är särskilt hög.
I vår studie kunde vi se att Peltarions verktyg erbjuder en lösning där man har möjlighet att utföra majoriteten av det uppgifter som är kopplat till data, oavsett om det gäller analys, visualisering eller taggning av data. Något vi även kunde se var hur pass anpassningsbar plattformen var. Beroende på vad företagen vill arbeta med finns det tränade avkodare som hjälper att bygga en tränad AI-modell. Eftersom Peltarion erbjuder allt detta på en och samma plattform, minskar också behovet av att ha många olika verktyg som är relaterade till dataarbete, och minskar också mängden resurser som krävs för att börja arbeta med AI.
Datakompetens – Inte längre en nödvändighet för att tillämpa AI
Datakompetens har tidigare varit en nyckelkomponent för att kunna utnyttja AI. Datakompetens innefattar bland annat programmeringsförmåga samt förmågan att bearbeta data. Peltarions verktyg förändrar dock detta. I exemplet med Ipsos hade man till exempel inte någon hög grad av teknisk kompetens, men man kunde med hjälp av Peltarion ändå implementera en AI-lösning vilken effektiviserade verksamheten. Detsamma gäller Svegro, men dom behövde dock få hjälp med de tekniska aspekterna och tog in ett konsultföretag som hjälpte dem med att komma i gång med plattformen och ta fram modellen. Den tekniska kompetensen som krävs för att komma i gång med plattformen är inte särskilt hög men om man som företag inte besitter någon teknisk kompetens kan det vara fördelaktigt att ta hjälp av ett annat företag för att komma igång. Med hjälp av Peltarion kunde Ipsos använda sig av AI för att träna en modell som grundade sig i Natural Language Processing och med hjälp av 90 000 tidigare marknadsundersökningar träna en modell som kunde föreslå liknande frågor som den användaren har framför sig. I samma linje kunde Svegro använda sig av “Image Regression” för att med hjälp av AI bedöma höjden på olika plantor. Det plattformen gör är att den erbjuder avancerad teknologi genom ett användarvänligt medium, där användaren inte behöver ha någon särskild kunskap om teknologin som används. Eftersom datakompetens blir mindre relevant när man integrerar Peltarion i verksamheten blir domänkunskap dock viktigare (Peltarion, 2021).
Domänkunskap – En förutsättning för värdeskapande
Domänkunskap innefattar kunskap om verksamhetens processer, uppgifter och kultur. Domänkunskap är en central del i att utvinna värde ur AI. När Ipsos samarbetade med Peltarion bidrog Peltarion med dataexperter och programmeringskompetens, vilket kombinerades med personer som hade hög domänkunskap från Ipsos håll. Ipsos utnyttjade sin domänkunskap genom att identifiera en process som hade potential att bli automatiserad. I det fallet kunde Peltarion enkelt bidra med en AI-lösning vilken passade
verktyg som i praktiken ska fungera, men det är upp till företagen som vill använda plattformen att se till att det fungerar för den givna kontexten. Samma gäller Svegro som också använde sig av sin domänkunskap för att få ut ett värde av plattformen. Domänkunskapen var en central del då det inte bara är höjden på plantan som avgör ifall den är redo för försäljning. Vid odlingen av plantorna krävs det även att man har koll på vilken temperatur, ljus och hur koldioxidnivåerna ser ut inne på anläggningen. För att ta fram detta placerade dem även ut sensorer som mätte samtliga faktorer. Med hjälp av Peltarions plattform kunde de sedan få fram en instrumentbräda som presenterar all data på ett enkelt och smidigt sätt. Utan domänkunskapen hade denna information inte varit av någon vikt då gemene man inte skulle kunnat lista ut vad man ska göra utav den (Peltarion, 2021).
IT-infrastruktur – Peltarions underlättar, men vissa utmaningar kvarstår
IT-infrastruktur är och förblir en central del i att implementera nya verktyg i en organisation. Att implementera ett nytt verktyg är en stor utmaning, eftersom den behöver integreras väl med verksamhetens andra verktyg och program. Peltarion är inget undantag. Verktyget är designat på ett sätt så att det ska vara lätt att integrera med plattformar just av denna anledning. När man har tränat en modell i Peltarion skapas det till exempel en URL, vilket är en länk till modellen, som kan användas i andra verktyg som finns i organisationen. IT-infrastrukturen har också som uppgift att se till att organisationen har möjlighet att arbeta med stora mängder data och städa upp denna och även här bidrar Peltarion med en lösning. Peltarion är utvecklad för att kunna hantera just detta, och eliminerar många av de utmaningar företag tidigare har haft gällande datalagring och bearbetning. Med detta sagt kvarstår fortfarande en del utmaningar med hanteringen av data. En sådan är att använda sig av “neutral” data. Om man tränar en AI-modell på data som är fördomsfull kommer även modellen att bli det. Det gäller därför att företagen är selektiva till vilken typ av data dom lägger in i modellen. Speciellt om man är en myndighet eller liknande som har en skyldighet till att vara neutrala. Peltarion tar också bort behovet av att ha olika verktyg för till exempel datahantering. Med Peltarion kan man hantera, lagra och bearbeta data i samma miljö. Det innebär att verktyg och hårdvara som tidigare har behövts för att lagra data inte längre blir lika relevanta. Det är alltså inte endast det faktum att man integrerar ett nytt verktyg, utan det kan också minska behovet av att använda andra verktyg (Peltarion, 2021).
Företagsarkitektur – Relevant för att få utväxling av verktyget
Om företag vill få ut ett värde av plattformen gäller det inte bara att man lär sig arbeta med den. Mycket handlar även om att försöka förvalta värdet som plattformen kan erbjuda. Peltarions plattform kan vara hur enkel som helst att använda men svårigheterna ligger i att anpassa och förändra de befintliga processerna som finns inom den givna organisationen. Det krävs därför att företagen som arbetar med plattformen är öppna för förändringar och inte tror att plattformen kommer utföra allt arbeta för dem. Både Svegro och Ipsos verkar ha haft korrekt inställning när dem påbörjade implementationen av Peltarions verktyg. Svegro valde att inte ha anställda på plats under alla tider av dygnet då dem kunde förlita sig på att den tränade modellen kunde utföra en del av de arbetet som krävdes av de anställda på plats. Peltarions plattform har inte en guide för hur man ska få ut ett värde av modellen som man försöker få fram, utan det är upp till verksamheterna att finna det och försöka ändra de befintliga processerna till att fungera ihop med plattformen.
Digital nyfikenhet – Lika relevant som förut
Digital nyfikenhet är också en central faktor i att utvinna värde ur AI-satsningar såsom Peltarion. Ipsos är ett globalt företag med stark position på marknaden, men man såg ändå att det fanns potential att effektivisera verksamheten tack vare sin digitala nyfikenhet. Peltarion är en ny plattform, och genom sin digitala nyfikenhet kunde Ipsos snabbt inleda ett samarbete och lyckades generera stort värde ur plattformen. Peltarion sänker också tröskeln för att våga testa nya plattformar. Eftersom verktyget är så pass billigt och lätt att använda innebär det att företag har större benägenhet att vilja investera i och testa verktyget. Samma gäller såklart mindre företag med som har mindre kapital att röra sig med. Anledningen till att den digitala nyfikenheten var viktigt för Svegro beror på ett antal faktorer. I slutändan är det de anställda på Svegro som måste analysera data och om intresset för detta inte hade funnits skulle projektet lida. Sedan hade förmodligen aldrig projektet startat till en början om inte intresset fanns på plats. Svegro ville förbättra deras processer samtidigt som de ville försöka vara mer miljövänliga. Tack vara den digitala nyfikenheten blev detta projekt ett faktum och som de beskriver det själva är detta enbart en början på vad de vill åstadkomma med hjälp av AI (Peltarion,2021).
6. Diskussion
I detta avsnitt kommer resultatet att diskuteras och analyseras med stöd av forskningen på området för att utforska lättillgängligheten i AI-verktyg såsom Peltarion och hur de kan påverka och förändra värdeskapande i organisationer. Syftet med denna studie är att kartlägga Peltarions plattform och dess egenskaper, för att sedan undersöka hur verktyget påverkar värdeskapande i organisationer och vilken betydelse lättillgänglig AI generellt har för organisationer. Vidare kommer vi utforska vilken effekt verktyget har på kompetensbehovet i organisationer.
Vår forskningsfråga är: “På vilket sätt lättillgängliga AI-verktyg kan bidra med eller förändra värdeskapande för organisationer?”. Diskussionen mynnar ut i bidrag till både relaterad forskning samt praktiken. Vi identifierar tre huvudsakliga bidrag till forskningsområdet som vi anser ökar förståelsen kring denna fråga. Den första handlar om att verktyget skapar en demokratisering av AI. Det andra handlar om hur de infrastrukturella kraven på organisationer kan komma att förändras. Det tredje bidraget handlar om Metahuman systems och dess påverkan på organisationer. Vi identifierar även tre olika bidrag till praktiken där vi presenterar utmaningar som finns i relation till lättillgängliga AI-verktyg, och hur man kan hantera dessa.
6.1 Demokratiseringen av AI
Som vi nämnt tidigare är lättillgängliga AI-verktyg ett begrepp vi använder för att beskriva ett verktyg som är enkelt att använda men inte heller kräver några större resurser. Vi har i vår analys av Peltarion kommit fram till att plattformen och liknande verktyg kommer innebära en förskjutning av konkurrenskraften AI för med sig. I nuläget har organisationer som har förmågan att utveckla och arbeta med AI en konkurrensfördel. Med verktyg som Peltarion sker det i stället en demokratisering av AI. Detta innebär att möjligheterna för att tillämpa avancerad AI jämnas ut, och fler företag kan börja arbeta med det. Det blir
mer ekonomiskt försvarbart att investera i AI när tjänster som Peltarion sänker kostnaderna, samt att tröskeln för att lära sig använda AI-verktyget minskar. Denna utveckling liknar Pc:ns intåg i verksamheter, där det i början av denna tekniska utveckling innebar en konkurrensfördel att ha datorer och kompetens inom området. När datorer blev en grundförutsättning i verksamheter försvann konkurrenskraften i att endast ha en dator, och det blev i stället andra saker som blev relevanta. När AI-verktyg blir tillgängliga för många fler kommer IT-management komma att få större betydelse (Boynton, 1994). IT- management och management i allmänhet involverar i hög grad beslutsfattande, delegering av arbete och en förståelse för hur anställda interagerar med uppgifter (Donald, 2019). Detta stämmer väl överens med vår analys. Att använda AI för att uppnå verksamhetens strategiska mål är svårare än att börja arbeta med AI när avancerad AI blir mer tillgänglig. När IT-management blir viktigare innebär det också att kompetenserna som är relevanta för att skapa värde med AI förändras. Det är inte längre den tekniska kompetensen som är den enskilt viktigaste. Nu är det är snarare förmågan att ställa rätt frågor, förstå vad AI kan bidra med och hur AI kan integreras med verksamhetens befintliga affärsprocesser som blir viktigt.
Infrastrukturella krav
Vår analys visar även att ett viktigt led i att arbeta med IT-management är implementering av nya system och hur man strategiskt jobbar med det. För att organisationer ska lyckas med implementeringen av lättillgängliga AI-verktyg krävs det att klimatet i organisationen är öppen för förändring. Detta är speciellt viktigt när man jobbar med AI, och Tarafdar et al (2019) menar att företag ofta underskattar hur stora organisatoriska förändringar integreringen av AI kräver. Till exempel kan AI ha en stor påverkan på verksamhetens befintliga processer, där vissa kan bli automatiserade medan andra processer då helt försvinner (Tarafdar et al, 2019). Det krävs därför att medarbetare och chefer i organisationen är med på förändringsprocessen. Som Boynton et al (1994) skriver är det inte den individuella kunskapen som kommer vara avgörande när en organisation ska implementera ett nytt IT-verktyg, utan det är samarbetet mellan de anställda och det externa parterna som har störst betydelse. Om kommunikationen med de externa parterna är bristfällig kan även implementering av AI-verktyget hämmas.
Det andra vi identifierar i vår analys som viktigt är att när AI blir lättillgängligt förändras också kompetensbehovet av att skapa värde med AI. Som vi redan nämnt framkommer av forskningen på området visat att det finns en föreställning om att AI kommer göra att organisationens behov av människor neutraliseras, att de blir utbytbara, då teknologin presterar bättre än människor inom flera olika områden (Jarrahi, 2018). Det stämmer att AI presterar bättre än människor när det kommer till exempelvis databearbetning och datainsamling, men det innebär inte att människor kommer bli irrelevanta i företag, utan snarare att rollerna och arbetsuppgifter för anställda kommer förändras. Detta leder i sin tur till ett förändrat kompetensbehov, vilket hänger samman med demokratiseringen. Som Jarrahi (2018) skriver har människor en bättre förmåga att lyfta information till en mer abstrakt nivå för att generalisera den data man har tillgång till, och utifrån det fatta beslut. Den förmågan härleds till det faktum att människor besitter tidigare erfarenheter som sammantaget har bidragit till en djupare förståelse för liknande fenomen som går bortom det data kan bidra med. Med lättillgängliga AI-verktyg som Peltarion blir
detta ännu viktigare, eftersom organisationer inte längre behöver samma kompetens inom dataanalys. Peltarion bidrar med så kallad analytiskt beslutsfattandestöd, vilket innebär att verktyget bearbetar data och drar slutsatser utifrån denna (Jarrahi, 2018). Värdet med det kommer ju egentligen från det faktum att data bearbetas och tränas och sedan presenteras för människor i organisationen, som sedan med hjälp av sin intuition lyfter denna data och förlitar sig på sunt förnuft för att ta beslut utifrån den. Här är förståelse för sin omvärld, sin organisation och hur dessa interagerar med varandra som blir viktiga kompetenser. Detta bekräftar vår analys där vi visar på vilket sätt domänkunskap är en central del i att skapa värde med hjälp av Peltarion. Vi anser att när man tillämpar AI-verktyg som är lättillgängliga ökar möjligheterna att uppnå en symbios mellan AI och människor, där man kompletterar varandra för att uppnå värde. Lättillgängliga AI-verktyg ersätter många av de kompetenser som tidigare var viktiga för att utvinna värde ur AI, men människor är fortfarande överlägsna när det kommer till andra saker, som ofta är av högre värde för organisationen. Detta stärks av Marr (2015) diskussion, som argumenterar för att huvudmålet med att arbeta med Big data är att transformera verksamhetsprocesser och hitta nya affärsmöjligheter, och det är områden där människor är överlägsna, medan AI bidrar med underlaget för att göra detta på ett effektivare sätt. Om man som organisation lyckas med att omfördela kompetenser på ett sätt som kompletterar AI-verktygen man använder, så har man enligt oss en mycket stark konkurrensfördel.
Metahuman Systems
När människor och AI uppnår en symbios kan organisationer uppnå vad Lyytinen, Nickerson och King (2020) beskriver som Metahuman-systems. Begreppet definieras som följer;
“Metahuman systems are a hybrid of humans
and machines that learn, complementing and amplifying capabilities that potentially make such systems better at learning than either humans
or machines separately.” (Lyytinen et al, 2020).
Utmärkande för begreppet är att det behandlar lärande hos både människor och maskiner. Lyytinen et al (2020) menar att maskiner och människor lär sig på olika sätt, vad gäller hastighet och tillvägagångssätt. Tidigare har en maskins förmåga och kunskap baserats på de begränsningar människan fastställt. Det är människan som har bestämt vad maskinen ska lära sig, genom att träna upp den i en fördefinierad miljö. Men i takt med att den digitala utvecklingen har maskinen utvecklats snabbare än vad vi människor hade kunnat förutspå, och lär sig nu snabbare än vad människor gör. Detta går i linje med det vi har tagit upp tidigare. Det vi ser som en möjlighet som går bortom människa-AI symbios är just metahuman-systems, där man förstärker och förbättrar varandras lärmöjligheter. Det är inte bara det faktum att maskiner och människor lever i samråd som är viktigt, utan att man drar nytta av varandras styrkor för att effektivisera organisatoriskt lärande som blir relevant. När AI blir tillgängligt för allmänheten med verktyg som Peltarion är det därför viktigt att i så stor mån som möjligt sträva efter att uppnå dessa metahuman- systems. Organisationer som lyckas med detta kommer få ett effektiviserat lärande och därför kunna dra maximal nytta av de verktyg man implementerar i verksamheten. Som resultat kommer lärande både för maskiner och människor utvecklas, och
informationsflöden inom organisationen kommer effektiviseras och amplifieras (Lyytinen et al, 2020)