Brug af AI vs. Bygning omkring det: Hvor går grænsen?

Vi bruger ordet AI til at beskrive alle mulige forskellige ting, fra at tale med ChatGPT i en browser til at drive hele virksomheder, hvor driften simpelthen ville ophøre i sin nuværende form uden sprogmodeller. Hvor går grænsen mellem at bruge AI‑automatisering og AI som kernen i en virksomhed? Hvornår indtræffer et grundlæggende skift? Og vigtigst af alt, bør virksomheder overhovedet stræbe efter at sætte AI i centrum?

Hvornår er en virksomhed AI‑native?

I dag, selvom ledelsen aldrig har annonceret en AI‑transformation, bruger medarbejderne stadig Gemini til at søge efter information, ChatGPT til at skrive en e‑mail, Grok til at udarbejde en rapport, Claude til at skrive deres kode osv. Adgang til LLM‑værktøjer er blevet så udbredt, at blot at bruge dem ikke længere fortæller meget om selve virksomheden.

For mig er der en meget enklere test: hvad sker der, hvis du slukker for AI?

Tag et regnskabssoftwarefirma. Dets udviklere kan bruge AI til at skrive funktioner eller vedligeholde produktet. Slukker du for de værktøjer i morgen, vil ingeniørerne sandsynligvis arbejde langsommere. Men softwaren vil stadig eksistere, revisorer vil stadig bruge den, og kunder vil fortsat betale for den. AI forbedrer, hvordan virksomheden fungerer, men selve forretningen er ikke afhængig af det.

Forestil dig nu et bank‑callcenter, der engang kan have haft ti tusinde medarbejdere. Den første generation af AI i dette miljø fungerede næsten som en promptør, der sad ved siden af operatøren: den lyttede til samtalen, forstod problemet og foreslog et svar. I mange tilfælde er denne promptør nu blevet selve agenten. En kunde siger, at de er blevet opkrævet et forkert beløb; systemet tjekker registrene, gennemgår de relevante data, identificerer problemet og løser det nogle gange uden at inddrage en person. Et menneske træder kun ind, når sagen kræver eskalering.

Det er et meget anderledes forhold til teknologien. Regnskabsvirksomheden bliver mindre effektiv uden AI. Callcenteret kan være nødt til at genopbygge en stor del af sin driftsmodel. Denne forskel ligger meget tættere på, hvad jeg mener med AI‑native, end hvor mange AI‑abonnementer en virksomhed har, eller om “AI” står på dens hjemmeside.

Hvor er dette mest synligt?

Nogle virksomheder har bygget deres forretning omkring at hjælpe andre med at foretage den overgang. Cohere er et godt eksempel: det canadiske firma voksede til en stor virksomhed ved at hjælpe virksomheder med at bevæge sig fra traditionel software og arbejdsgange mod AI. I andre brancher er AI dog allerede så dybt indlejret i produktet, at det næsten er umuligt at adskille de to.

Selvkørende er sandsynligvis det klareste eksempel. Hvis en bil forventes at se vejen, genkende objekter, forstå hvad der foregår omkring den og træffe beslutninger på egen hånd, så kan du ikke fjerne AI uden at fjerne produktets grundlæggende idé.

Medicinsk og farmaceutisk industri gør det samme på en anden måde, især inden for lægemiddelforskning. Et af de bedste eksempler på, hvad dette kan betyde i stor skala, er DeepMinds arbejde med proteinstrukturer.

Protein Data Bank blev oprettet i 1971, og det tog årtier af arbejde af forskere verden over at opbygge en stor samling af eksperimentelt bestemte strukturer. database nåede 1,000 strukturer i 1993, 10,000 omkring år 2000 og 100,000 i 2014. I januar 2023 havde den passeret 200,000 eksperimentelt bestemte biomolekylære strukturer. Med andre ord, efter cirka seks årtier med strukturel biologi havde forskerne samlet omkring to hundrede tusinde eksperimentelt bestemte strukturer.

Derefter kom AlphaFold, DeepMinds system til at forudsige den tredimensionelle struktur af et protein ud fra dets aminosyresekvens. I 2022 gjorde AlphaFold mere end 200 million forudsagte proteinstrukturer tilgængelige, hvilket dækker næsten alle katalogiserede proteiner, der på det tidspunkt var kendt for videnskaben. Det betyder ikke, at AI “opdagede hvert eneste eksisterende protein.” Disse er forudsagte strukturer baseret på allerede kendte aminosyresekvenser. Men forskellen i skala er stadig enorm.

Vigtigheden af dette skift blev endnu tydeligere i 2024, da Demis Hassabis og John Jumper fra Google DeepMind modtog halvdelen af Nobelprisen i kemi “for forudsigelse af proteinstruktur”. Den anden halvdel gik til David Baker for beregningsmæssig protein‑design. Noget, der for kun få år siden så ud som et imponerende AI‑gennembrud, blev meget hurtigt anerkendt som et grundlæggende fremskridt inden for moderne biologi.

DeepMind er det globale, overskrifts‑fængende eksempel, men AI‑første medicinske startups er ikke længere usædvanlige. I løbet af mine år hos Keymakr, vores team arbejdede på projekter der spænder fra tandpleje og ultralydsbilleddannelse til interventionel kardiologi, hvor modeller blev trænet til at opdage hjerteklapper, aorta og andre strukturer under procedurer. Vi arbejdede også på neurokirurgiprojekter, hvor modeller lærte at skelne mellem hjernevæv, blodkar, kirurgiske instrumenter og operationsområdet. I alle disse tilfælde var AI ikke en ekstra funktion tilføjet produktet; det var selve produktet.

Fra proteinstrukturer til en kold e‑mail

Det samme sker i langt mere almindelige dele af forretningen. Salg og marketing er sandsynligvis blandt de hurtigst bevægende eksempler: arbejde, der før tog timer, kan nu gentages hundredvis eller tusindvis af gange med meget lidt ekstra indsats.

CRM, kampagner, prospektering og lead‑research er bygget omkring sprogmodeller. Vi er allerede langt forbi punktet, hvor man beder ChatGPT om at skrive en kold e‑mail. Et system kan gennemgå en persons LinkedIn‑profil, se hvad de laver, hvad de interesserer sig for, og hvad de skriver om, og derefter bruge disse oplysninger til at skrive noget, der føles meget personligt.

Jeg modtog engang en besked i stil med: “Michael, det må være fantastisk at flyve i 4.000 fod og kigge ud gennem glasset …” Den refererede til mine luftfarts‑historier på sociale medier. Min første reaktion var, at nogen faktisk havde gennemgået min LinkedIn‑profil og læst den grundigt. Selvfølgelig havde ingen gjort det. Systemet havde fundet oplysningerne og automatisk genereret henvendelsen.

Det er her, økonomien omkring personalisering begynder at ændre sig. Research, der engang tog en person lang tid, kan nu assisteres af værktøjer, der scanner offentlige oplysninger og identificerer relevante detaljer. Et menneske kan derefter beslutte, hvad der faktisk er nyttigt, passende og værd at inkludere.

Jeg så den samme ændring hos Keymakr, selvom målet for os aldrig var at automatisere menneskelig dømmekraft eller relationer. Jeg fortsatte med at opfordre folk til at se på de gentagne dele af deres daglige arbejde og spørge, hvor agenter kunne spare tid, skabe mere konsistens eller hjælpe dem med at arbejde i større skala. 

Hos Scryon startede vi med den logik allerede indbygget i virksomheden. En stor del af marketingarbejdet håndteres af flere agenter på tværs af artikler, bloggen, LinkedIn og hjemmesiden.

Det interessante er, at deres største fordel ofte ikke er at skrive. Forestil dig, at du tilføjer tyve nye sider til en hjemmeside. En person, der skriver en ny artikel, vil sandsynligvis tilføje et par interne links. Næsten ingen vil gå tilbage gennem 80 eller 800 ældre stykker og tjekke, hvor de nye sider nu skal linkes. En agent kan det. I den slags arbejde behøver agenten ikke at være klogere end en person. Den bliver bare ikke træt, og forskellen mellem 80 sider og 800 sider er meget mindre vigtig for den, end den er for os.

Men det er her, automatisering når sine grænser for mig. God PR kan ikke blot overlades til en agent og glemmes. Det samme gælder for en meningsartikel, hvor positionering, forståelse af publikum og evnen til at beslutte, hvad der skal siges, er afgørende.

Så selv når du bygger et temmelig komplekst system af agenter, har du stadig brug for en person, der styrer det. Nogen skal vurdere output, beslutte, hvad der betyder noget, og sætte retningen.

Kan man automatisere en grundlægger?

I en tidlig fase startup er grundlæggeren ofte teknisk, operationel og administrativ på én gang. Så tanken kommer naturligt: hvis agenter kan tage en masse arbejde af teamet, hvorfor så ikke give dem en del af grundlæggerens job også?

Jeg har en separat agent tilknyttet Scryon Business, som ved meget om virksomheden. Jeg kan spørge den noget som: “Vi vil have 5.000 brugere næste måned.” Er det realistisk, eller er det bare et pænt tal, jeg selv er kommet op med?

Den kan hente data, se på markedet, tjekke konkurrenter og tilknyttede systemer, og komme tilbage med at 5.000 sandsynligvis er for meget, og selv 2.000 ville være aggressivt på dette stadium. Det hjælper mig med at teste min egen tænkning. Men agenten giver stadig rådgivning.

Beslutningen er stadig min. Efter alle data og beregninger skal jeg nogle gange stadig gå udenfor, gå en tur i en park, og beslutte, hvor jeg vil føre virksomheden.

For mig begynder den reelle aflæsning, når jeg kan give nogen ejerskab, sige “Dette er dit,” og komme tilbage en måned senere og se, at det har fortsat med at fungere uden mig. Det ser jeg ikke i grundlæggerrollen i dag.

Det samme gælder for C‑level‑roller. Deres job er at sætte retning: seks måneder frem vil vi ind på bilmarkedet, eller vi vil have folk i branchen til at kende mærket. VPs, ledere og teamledere omsætter så dette til konkrete mål og arbejde.

AI‑værktøjskasse: Personlige og virksomhedsudgifter

Jeg tror egentlig ikke på én “bedste” model. Jeg bekymrer mig meget mere om, hvilken der fungerer bedst for en bestemt opgave, og hvad det koster mig at bruge den i skala. Jeg bruger ofte Codex til kodning og roterer modeller inden i den, afhængigt af mine behov på det tidspunkt. Jeg kan prøve Claude til design en dag, og skifte til ChatGPT for at lave flere sprogrelaterede opgaver, men disse valg ændrer sig fra måned til måned, og nogle gange midt i en opgave.

I sidste ende bygger alle deres egen stack over tid, idet de vurderer, hvilken model der er optimal for et specifikt mål. Hvis du er en teknisk grundlægger, der selv koder meget, vil jeg forvente, at du bruger omkring $1.000 om måneden på din egen stack. Men jeg kender folk, der bruger $10.000–15.000 om måneden, fordi de automatiserer meget mere aggressivt.

Når AI bliver en del af kerneforretningen, ændrer tallene sig igen. Med Scryon er jeg tryg ved idéen om, at 30–40 % af omsætningen kan gå direkte til infrastrukturen og de tjenester, produktet kører på, før du overhovedet tæller de mennesker, der bygger det.

Først forretningsmålet, så teknologien

I kapløbet om automatisering og betegnelsen “AI companies” mener jeg, at selve spørgsmålet “hvilken slags AI skal vi implementere?” er farligt. Det starter fra den forkerte ende.

Vi satte for nylig et ret standard forretningsmål – at reducere omkostningerne. For at gøre det oprettede vi en agent, gav den adgang til information om, hvor virksomheden brugte penge, herunder Amazon, Google og andre tjenester, og bad den regelmæssigt lede efter anomalier og give røde flag, hvis noget så mistænkeligt ud.

I kun den første uge reducerede vi omkostningerne med cirka 30 % fordi systemet hurtigt viste, hvor pengene blev brugt på ting, vi næsten havde glemt. Agenten kan koste så lidt som $50 pr. måned, men besparelserne kan løbe op i titusinder.

Hos Keymakr styrkede AI primært mennesker og individuelle processer. Hos Scryon er det allerede indbygget i virksomhedens arkitektur. I selvkørende biler forsvinder produktet uden det, og i lægemiddelforskning ændrer det udforskningsomfanget.

For mig er spørgsmålet om underliggende mål et meget sundere udgangspunkt end ønsket om at blive en AI-native virksomhed. Først skal et forretningsmål fremkomme: at tjene mere, skalere hurtigere, reducere omkostninger, muliggøre et nyt produkt eller radikalt ændre en eksisterende proces. Først derefter giver det mening at spørge, hvilken teknologi der kan bringe dig dertil.