Den sidste mil af AI: Hvorfor fremtiden er skræddersyet, ikke én-størrelse-passer-alle

I de fleste af de sidste 50 år er software blevet bygget til mennesker, der sidder på kontoret. Traditionelle platforme er i virkeligheden statiske databaser med en interface omkring dem. De sidder der, ubevægelige, og de kræver, at mennesker arbejder omkring dem: for at føre information ind, for at indtaste data i dem, for at navigere deres stive, foruddefinerede logik. I denne ordning er mennesket blevet det manuelle lim, der bruger arbejdsdagen på at brokke sammen de fragmenterede værktøjer.

Denne operationelle skat er mest smertefuldt i vores mobile liv. Forestil dig, at du booker et enkelt møde, mens du er ude og omkring. Du åbner en kalender-app, trykker, skriver, trykker. Så springer du til email for at genskabe en vag erindring om nogle nøgleord, søger efter den rigtige adresse, kopierer den og springer tilbage til kalenderen. Det er en underligt afmenneskeliggørende oplevelse. Brugeren er tvunget til at følge softwarens logik i stedet for, at softwaren følger brugerens intention, holder den knækkede kontekst i hovedet og syr den sammen igen for hånden.

Mennesket som manuelt lim

Vi så dette tydeligt, mens vi byggede til mobile enheder hos Google. Verden har kun gjort problemet skarpere siden. Mere og mere højværdiarbejde sker nu i den virkelige verden i stedet for i en statisk kontoropsætning. Det sker i kaffemøder, i eksterne introduktioner, i partnerskaber. Og enheden for virksomhed er stadig mindre, fra virksomheden til holdet til den enkelte.

Dataene bakker dette op. Ifølge U.S. Census Bureau er antallet af virksomheder med én ansat i USA vokset med i gennemsnit 2,7 procent om året mellem 2012 og 2023, mere end dobbelt så meget som de 1,1 procent for virksomheder med ansatte, og de udgør nu den største del af alle amerikanske virksomheder. Vi er på vej ind i æraen for, hvad jeg kalder super-individet: en enkelt operatør, der kan køre en global virksomhed med en lille flåde af agenter, der udfører arbejdet. Når arbejdets enhed mindskes til den enkelte, må designet af vores værktøjer vendes om. I stedet for, at mennesker følger softwaren, skal softwaren følge mennesker.

Den sidste mil af AI

Generelle assistenter som ChatGPT og Gemini er et ægte spring. De låter mennesker opnå mere, hurtigere, på en ekstraordinær række af opgaver. Men der er et hul mellem en model, der er generelt kapabel, og et værktøj, der faktisk passer til dit liv, og i AI er dette hul den sidste mil. Det er, hvor det virkelige værdi ligger, og det er den del, som næsten ingen har løst.

En generel model ankommer som en brillant nyansat på første dag. Den er flydende, hurtig og vidt læst, men den kender ikke dine kunder, dine præferencer, den forkortede form, du bruger, eller måden, du gerne vil have tingene gjort på. Kraftfuld er ikke det samme som din. En generel model er, ved design, den samme for alle, der åbner den. Det, mennesker virkelig har brug for, er det modsatte: noget, der er skræddersyet til én person, der vokser mere til én, jo længere man bruger den.

Historisk set har den sidste mil været dyr. At være skræddersyet til én person betød at hyre en eksekutiv assistent eller en chef for personalet, eller bestille brugt software, muligheder, der kun er forbeholdt store virksomheder og de rige. Så det, vi andre har gjort, er at nøjes med generelle, masseproducerede værktøjer og stille og roligt træne os selv til at tilpasse os dem. Omkostningerne ved skræddersyning er årsagen til, at de fleste mennesker aldrig har haft det. Det, der ændrer sig nu, er omkostningerne. Da de falder, bliver det, mennesker altid stille og roligt har ønsket, muligt i skalaen én. Mennesker begærer ikke mere generisk kapacitet. De begærer noget, der er deres.

Dette er ikke kun en sag om smag, og beviserne er skarpere, end de ser ud til. Værdien af AI er ikke fordelt jævnt over opgaver. I et stort feltexperiment, der blev kørt af Harvard Business School med Boston Consulting Group, fik 758 konsulenter, der brugte GPT-4, lavet omkring 12 procent flere opgaver, omtrent 25 procent hurtigere, med højere kvalitet, men kun for arbejde, der lå inden for, hvad forskerne kaldte den ujævne teknologiske grænse. På en opgave, der var valgt til at ligge uden for denne grænse, var mennesker, der brugte AI, omkring 19 procent mindre sandsynlige for at nå det rigtige svar. Gevinster viser sig, når værktøjet er tilpasset tæt til den virkelige kontur af arbejdet, og de forsvinder, eller endda omvender, når det ikke er tilfældet. Tilpasning er ikke en færdig berøring. Det er, hvor værdien bor.

Der er også to typer af empowerment, der skal adskilles. Den ene hjælper dig med at gøre noget, du ikke kunne gøre før. Den anden frigør dig fra de ting, din tid blot er blevet for dyre at bruge på. Generelle modeller er meget gode til det første. Det andet er et spørgsmål om tilpasning, og tilpasning skal være skræddersyet. Dette er forskellen mellem et værktøj, der gør dig mere kapabel, og et værktøj, der bliver en udvidelse af dig.

Fra destination til sidecar

Hvis skræddersyning er ejendommen, hvad er formen? Her hjælper det at låne en term fra softwarearkitektur. I distribuerede systemer sidecar-mønsteret tilknytter en hjælpeproces til en primær service for at håndtere det tværgående arbejde: logging, konfiguration, netværk, overvågning. Den primære service kan fokusere på sit virkelige job, mens sidecaren stille og roligt absorberer den operationelle kompleksitet ved siden af.

Jeg tror, at samme mønster er på vej for mennesker. I stedet for et værktøj, du besøger, vil den næste generation af personlige software opføre sig som en sidecar, der er bundet til dig, og arbejder proaktivt inde i de apps, du allerede bor i. Ikke en destination. En ledsager, der kører ved siden af, og en, der er skræddersyet af sin natur, fordi den er knyttet til én person og lærer kun dem. En nyttig sidecar, i modsætning til en chatbot, du prompter fra scratch hver morgen, ville hvile på tre piller.

De tre piller af en personlig sidecar

Lærbarhed og varig hukommelse. En sidecar er ikke et værktøj, du forklarer hver dag. Det er noget, du lærer én gang. Når du beskriver en præference eller en arbejdsgang, husker den, bygger en privat butik med individuel hukommelse, der rejser med dig og fanger nuancen af, hvordan du specifikt arbejder. Dette er den sidste mil, der akkumulerer.

Observation og agentur. En sidecar observerer, tænker og handler. Den bevæger sig fra at kende fakta til at udføre opgaver: filtrerer støjen, forbinder punkterne, udarbejder svaret, holder tråden i et projekt, så du ikke behøver at.

Udforskning og transaktion. Over tid bærer denne ledsager din kontekst og dine relationer over forskellige stykker software. Den hjælper dig med at finde den rigtige introduktion, overflade den rigtige mulighed og til sidst endda handle på din vegne.

Fra at vide til at gøre

Den dybere tekniske skift under alt dette er et skift fra at hente til at handle. Hentningsforbedret generering, teknikken til at grundlægge en models output i relevante dokumenter, der søgeres på farten, gjorde i dagens assistenter gode til at vide ting. Næste skridt er persistence og agentur: ledsagere designet ikke kun til at svare, men til at udføre.

Branchen er allerede på vej i denne retning. Gartner forventer, at inden udgangen af 2026 vil 40 procent af virksomhedsapplikationer inkludere opgave-specifikke AI-agenter, op fra mindre end 5 procent i 2025, et skift, det beskriver som et skift fra assistenter, der reagerer, til agenter, der handler.

Der er også en stille fordel her, en, som organisationer har tilbøjelighed til at undervurdere: institutionel hukommelse. I en verden med høj omsætning og flydende partnerskaber forlader en enorm mængde kontekst døren hver gang, nogen forlader en rolle. En ledsager, der er knyttet til den enkelte, fanger ekspertisen og relationerne, der ellers ville være tabt, og holder denne kontekst intakt og brugbar.

Men denne overflod skaber en fælde. Når agenter lader mennesker påtage sig mere, tager mennesker stille og roligt mere på sig: mere at huske, mere at handle på, mere at skifte mellem, mere at holde i hovedet på én gang. Der er en biologisk loft til, hvor meget af det, et menneske kan bære. Formålet med en sidecar er at sidde under dette loft og absorbere belastningen, ikke at stable mere på toppen af det.

At gøre arbejdet mere menneskeligt

Det virkelige mål er ikke at automatisere mennesker væk. Det er at få dem ud af softwaren og tilbage i rummet. McKinseys forskning i videnarbejde fandt, at den gennemsnitlige interaktionsarbejder bruger omkring 28 procent af ugen på email og næsten endnu 20 procent på at lede efter interne oplysninger eller spore den rigtige kollega, før man blot tilføjer interne møder og koordination. Det er det meste af en uge, der bruges på operationel skat i stedet for på arbejdet selv.

Hvis en ledsager kan absorbere denne statiske admin-lag, behøver tiden, der returneres, ikke at flyde tilbage i maskinen. Den kan gå tilbage i kaffemøderne, partnerskaberne og domsbeslutningerne, hvor den virkelige værdi bliver skabt. Dette handler ikke om at erstatte mennesket i løkken. Det handler om at tage mennesket ud af de dele af løkken, der aldrig var en god brug af et menneske.

Fremtiden for AI er sandsynligvis ikke en boks, du taler til, og det er ikke én model, der serverer alle på samme måde. Det er mere sandsynligt en ledsager, der er ufejlbarligt din: en, der går ved siden af dig, lærer, hvordan du arbejder, og stille og roligt håndterer de dele, du ikke behøver at.

Så spørgsmålet, der er værd at sidde med, er ikke, hvor klog din AI kan lyde. Det er enklere end det: hvor meget af din uge bruges på at være limet, og hvad ville du gøre med den tid, hvis du fik den tilbage?