AI: Hvor er pengene?

Etter oversskriftene å dømme er AI big business. Dessuten - alle må ha det. Begge er feil.

Oppmerksomheten til tross, for leverandørsiden er AI 'småpoteter' som knapt noen tjener penger på å utvikle eller levere. For kundesiden ser det bedre ut: AI leverer gode resultater. Kan dette være  'bærekraftig'?

Sannheten er at hele AI-segmentet er en ullen sky av forvirring, myter og misforståelser – pluss enkelte lyspunkter og et tydelig potensiale som forklarer hypen fra leverandørsiden.  Mye hype skaper kunstige målestokker og gir AI (og ML) en ufortjent og uriktig posisjon på agendaen. Bølgen ruller og presset er stort for å kaste seg på toget. "Har dere ikke tatt i bruk AI enda?"

Indikatorene er overbevisende, om ikke alltid reelle: Høy aktivitet og et raskt voksende tilfang av produkter og tjenester med AI til fornavn – fra Microsoft, AWS, Google, IBM og mange andre. Høy prioritet og (tilsynelatende) viktig business. Ser vi på tallene fra de samme selskapene, finner vi imidlertid at AI knapt er synlig på inntektssiden. Likeledes vil en titt under overflaten på mange AI-produkter og -tjenester avsløre at aktiviteten handler mer om navneendringer enn nyutvikling. Gamle kjenninger med nye navn, kanskje justert funksjonalitet. 

Vi burde ikke bli overrasket. Dette er regelen snarere enn unntaket. 'Same sh.., new wrapping' har fungert i årtier. Likeledes - og enda viktigere: Det er ikke teknologi og tjenester som leverer store gevinster, men smart bruk av dem. Tilsvarende hva vi har sett på tallrike teknologiområder siden digital-alderen startet. For eksempel prosessorer - små og store - med enorm kompleksitet og ditto utviklingskostnader, selges i store kvanta med tynne marginer. En RaspberryPi-0W og hundrevis av andre dingser i IoT-sfæren er formidabel ingeniørkunst, koster minimalt og kan levere store gevinster i utallige settinger.

Som vi var inne på ovenfor – hovedutfordringen for AI er fortsatt - ved inngangen til 2020 – misforståelser, myter og feil forventninger. Den største forvirringsdriveren er navnet. Ingen produkter eller tjenester har til dags dato spor av ‘intelligens’ – slik ordet oppfattes av folk flest. Dagens AI – som i enkelte kretser nå betyr ‘Augmented Intelligence’ – er smarte programmer, avanserte algoritmer, mye data og ekstrem prosessorkraft  til overkommelig pris. ‘Maskinlæring’ passer på en del av dem, men også ML har lett for så skli ut av proporsjoner: Om aldri så nyttig, læringen er ekstremt smal. ML-definisjonen fra artikkelen 'Machine learning is Fun' på Medium.com for litt siden, er befriende:

Algoritmer er flotte og viktige verktøy, men ikke intelligens. Gartner torpederte effektivt en håndfull myter om AI tidligere i år, og påpekte blant annet:

• Kunstig intelligens har ingen ting med menneskelig intelligens å gjøre (AI: Mye hype, lav intelligens).
• ‘Intelligente maskiner’ lærer ikke på egen hånd (se AI på jakt etter sunn fornuft og Kjempende neuroner, strålende resultater).
• Maskinlærende systemer kan aldri være nøytrale eller balanserte (se ML: Når data lyver).

Det er når Gartner mener at alle virksomheter må ha en AI-strategi, vi stritter. Sett fra vårt ståsted er en egen AI-strategi bortkastet tid selv for store virksomheter. AI – om begrepet er aldri så misvisende – er en ny generasjon verktøy som serverer en ny generasjon muligheter. 

Nye verktøy og muligheter er business as usual, og trenger ikke ny strategi, men ledere og fag-profesjonelle som forstår endringene, er 'på' utviklingen og ser potensialet. I vår bok er enda en verktøy-spesifikk strategi bidragende til både forsinkelse og forvirring.

Når det er sagt – potensialet i siste generasjons 'smarte' digitale verktøy er i mange segmenter uimotståelig. Gartner overgår seg selv når de spår at Augmented Intelligence vil skape 2,9 billioner USD (2.900 milliarder for god ordens skyld) i ny business-verdi i 2021. Raus omgang med multiplikasjonstabellen, kanskje en komma-feil eller to, men like fullt en effektivt understreking av poenget: De nye verktøyene kan løfte mange sider av den digitale hverdagen til et nytt nivå gjennom ekstrem utnyttelse av data (egentlig ressursutnyttelse). Fra kundedata og regnskapstransaksjoner til geologi-data og medisinske forskningsresultater. Noen ganger datasettene i seg selv, enda oftere kombinasjoner av datasett.

Ulempen med Gartners ‘alle må ha det’-innstilling er at holdningen dyrker en kompetansebarriere. Det er et faktum at verden mangler kompetanse på AI/ML-området, og utvikling av en egen AI-strategi vil forsterke mangelen: Når "vi må bygge egen kompetanse" ikke er mulig, stopper 'prosjektet' av seg selv.

Den pragmatiske (og eneste mulige) innfallsvinkelen er å heve nivået fra teknologi til tjenester og søke partnere som påviselig har den riktige (praktiske) kompetansen. På dette nivået vil både de store leverandørene vi nevnte ovenfor og en flora av mindre, lokale aktører ha viktige roller å spille overfor et sultent marked.

Når denne delen av utfordringen er plassert, kan virksomheten rette fokus mot råvarene, dataene. AI uten (riktige) data er som oljeplattformer i opplag: Kostbar null-produksjon. Da dukker en ny kompetanseutfordring opp – Data Science i alle sine avskygninger – stor nok,  men lettere å håndtere enn den første (se IT: Fra drift til data science), og nærmere kjernevirksomheten.

Hvor det blir av pengene? De store aktørenes så langt lite lønnsomme AI-satsinger (tjenester, data, komponenter, …) er selvvalgt og velvalgt. Ingen har råd til å ikke være i segmentets tet-gruppe, og alle har råd til å tape lenge. I den andre enden av 'lenge' venter stor business. AI – forhåpentlig med et annet navn – blir en bærebjelke i den digitale hverdagen det neste tiåret.

For resten av markedet er det enkle rådet aktivt søk [etter tjenester og partnere] fremfor løp og kjøp [teknologi og grunnkompetanse]. Både i 2020 og 2022.