DeepSeek’s R1: een nuttige herinnering

Als docent aan een universiteit en voormalig IT-industrie-veteraan, vind ik dat de hype rondom China’s DeepSeek R1-model een nuttige herinnering is aan drie dingen.

Het eerste is dat generatieve AI niet langer alleen gaat over het verwerken van grote hoeveelheden inhoud om relevante antwoorden te genereren op prompts; het gaat ook over cognitieve redenering (de “R” in R1).

De belofte van redenerende grote taalmodellen (LLM’s) is dat massive kennisopname en cognitieve verwerking – vroeger het exclusieve domein van genieën met supercomputers – nu in handen is van bijna iedereen. Dankzij een nieuwe generatie efficiëntie-verhogende technieken, zijn er modellen klein genoeg om te draaien op een conventionele laptop die meerdere intelligente agenten kunnen ondersteunen die complexe, interactieve taken autonoom kunnen uitvoeren.

Ten tweede is de generatieve AI-revolutie vooral een kwestie van innovatie en creativiteit – het is niet alleen een wedloop om de meest krachtige hardware, de grootste trainingsdatasets of het grootste aantal modelparameters. Succesvolle adoptie van deze technologieën zal niet worden bepaald door de grote technologiebedrijven met massive, energieverslindende supercomputers die multi-miljarden dollar-modellen trainen – maar door landen en organisaties die investeren in menselijk kapitaal om hen voor te bereiden op deze nieuwe golf.

Ten derde, en voortbouwend op dat laatste punt, lijkt Amerika niet zo goed gepositioneerd voor de dramatische veranderingen die onze economie en samenleving gaan treffen. Ik noem twee voorbeelden: hoger onderwijs en corporate America.

Hoger onderwijs

In de meeste instellingen voor hoger onderwijs, is de eerste grote beslissing die een student moet nemen, of hij een Bachelor of Arts (BA) diploma wil behalen, wat een bredere, meer interdisciplinaire opleiding inhoudt, of een Bachelor of Science (BS) diploma, wat meer gericht is op het ontwikkelen van vaardigheden en hands-on ervaring in specifieke vakgebieden.

In de tijd van AI, is deze dichotomie hopeloos verouderd, aangezien beide sets van disciplines essentieel worden in de werkplek.

Feit is, de meeste eerstejaars studenten hebben niet genoeg kennis of inzicht in wat het is om te werken in verschillende soorten banen, of zelfs de relatieve sterke en zwakke punten van hun eigen vaardigheden, talenten, vaardigheden en aanleg. En toch, moeten de meeste eerstejaars een major kiezen, wat een gemakkelijke beslissing zal zijn voor alleen dat kleine percentage dat (voor beter of voor erger) weet (of denkt te weten) welk vakgebied ze willen volgen: techniek, wetenschap, geneeskunde, recht, enz.

We hebben een heel andere, carrière-gerichte, bredere, interdisciplinaire aanpak van hoger onderwijs nodig die erkent dat de eerste fulltime baan van een afgestudeerde mogelijk niets te maken heeft met het diploma dat ze behaalden of hun major; dat hun universitaire ervaring slechts het eerste stadium zal zijn in een levenslange reis van continue leren – bijscholing, certificering, heruitvinding, carrièreswitchen – voor rollen die we nu nog niet kunnen voorstellen.

Ook moeten we als docenten nieuwe strategieën ontwikkelen om om te gaan met AI-plagiaat en de gevaren van chatbots die intellectuele shortcuts worden, of “cognitieve offloading” – de neiging om te vertrouwen op externe tools in plaats van interne capaciteiten te ontwikkelen.

In een tijdperk waarin kennis gescheiden is van begrip, is er te veel verleiding om simpelweg een AI te vragen om een direct antwoord of oplossing in plaats van te worstelen om een concept te begrijpen of een probleem op te lossen.

Corporate IT

De meeste bedrijven lijken ook niet te beseffen wat de organisatorische implicaties van deze nieuwe technologieën zijn.

De huidige IT-rollen en -structuren weerspiegelen de organisatorische eisen van de vorige, digitale revolutie. Deze functies ontstonden uit de gespecialiseerde expertise die nodig was voor mensen om met computers te werken en te interacteren – programmeren, data-engineering, computerarchitectuur, netwerkbeheer, informatiebeveiliging, enz.

Daarentegen gaat generatieve AI (en het hele veld van Natural Language Processing dat eraan voorafging) over het ontwerpen en trainen van computers om met mensen te interacteren.

Als gevolg daarvan, verzinnen gewone medewerkers briljante (en soms gevaarlijke) manieren om deze technologieën te gebruiken. Organisaties worstelen om werkbare beleid, procedures en controles te ontwikkelen om de potentiële productiviteitsvoordelen te maximaliseren en de risico’s te minimaliseren.

Een belangrijk probleem is dat in de meeste bedrijven, datawetenschappelijke expertise geconcentreerd is in IT-afdelingen, die meestal nog steeds opereren als geheime gilden met hun eigen mysterieuze taal en praktijken die organisationeel en functioneel geïsoleerd zijn van de core businessunits. Ik geloof dat de komende Productiviteitsrevolutie nieuwe soorten organisatorische rollen en structuren vereist, waarin data-expertise niet geïsoleerd is in een gespecialiseerde functie, maar verbonden is met bijna elk aspect van de operatie.

En er is ook de data-uitdaging. In de meeste organisaties, gaat het adopteren van AI over het aanpassen van LLM’s om gespecialiseerde use cases uit te voeren met propriëtaire data. Terwijl gebruikers van de data in de businessunits volledig accurate, schone en goed beheerde data willen, hebben de individuele eigenaren van de data in IT niet de budget, financiële stimulans of organisatorische autoriteit om deze niveau van kwaliteit en transparantie te garanderen.

Als gevolg daarvan, worden interne datasets niet goed beheerd en ontdekt over de hele onderneming. Typisch worden verschillende soorten data opgeslagen in verschillende plaatsen. Als reactie op verzoeken van businessgebruikers, biedt IT verschillende weergaven van de data, maakt verschillende kopieën (en kopieën van kopieën) van de data, en creëert blootstellingen en abstracties van de data voor verschillende redenen… Op dit punt, weet niemand welke versies verouderd, onvolledig, dubbel, onnauwkeurig of in welke context zijn.

Conclusie

​Generatieve AI heeft het potentieel om alle vormen van kenniswerk te transformeren. In zijn kern, gaat deze technologie over de democratisering van expertise (zowel goed als slecht) – het elimineren van specialisten zoals programmeurs, videografen, illustratoren, schrijvers, redacteuren, en bijna elk type kenniswerker of “expert”. Nog nooit hebben mensen te maken gehad met een technologie die hun eigen cognitieve verwerking en redenering vermogens evenaarde – alleen hun fysieke kracht, uithoudingsvermogen, precisie van behendigheid, en vermogen om grote hoeveelheden data te verwerken.

Deze spannende nieuwe productiviteitsrevolutie vereist nieuwe vaardigheden, capaciteiten en organisatorische structuren, waarin data-expertise integraal is aan bijna elk type bedrijfsproces.

De ironie is dat, naarmate machines grotere analytische vermogens bereiken, de status en waarde van een werknemer in een organisatorische hiërarchie minder een functie kan worden van gespecialiseerde expertise, ervaring en referenties, en meer van hun creatieve, multidisciplinaire en interpersoonlijke vaardigheden.

De tijd om deze capaciteiten te ontwikkelen en te investeren is nu.