Den siste milen av AI: Hvorfor fremtiden er skreddersydd, ikke en størrelse som passer alle

I de fleste av de siste femti årene har programvare blitt bygget for mennesker som sitter på kontoret. Tradisjonelle plattformer er i realiteten statiske databaser med et grensesnitt rundt dem. De sitter der, urørlige, og de krever at mennesker arbeider rundt dem: for å mate dem med informasjon, for å angi data i dem, for å navigere deres stive, forhåndsdefinerte logikk. I denne ordningen har mennesket stilket bli det manuelle limet, og tilbringer arbeidsdagen med å brygge gapene mellom fragmenterte verktøy.

Denne operative skatten er mest smertefull i våre mobile liv. Forestill deg å booke et enkelt møte mens du er ute og om. Du åpner en kalender-app, trykker, skriver, trykker. Så hopper du til e-post for å gjenopprette den vagte minnet om noen nøkkelord, søker etter den riktige adressen, kopierer den og hopper tilbake til kalenderen. Det er en merkelig dehumaniserende opplevelse. Brukeren blir tvunget til å følge programvarens logikk i stedet for at programvaren følger brukerens intensjoner, holder sammenhengen i hodet og syrer den sammen for hånd.

Mennesket som manuelt lim

Vi så dette tydelig mens vi bygde for mobile enheter på Google. Verden har bare gjort problemet skarpere siden. Mer og mer høyverdig arbeid skjer nå i den virkelige verden, ikke i en statisk kontoroppsettning. Det skjer i kaffekjerringer, i eksterne introduksjoner, i partnerskap. Og enheten for bedrift er stadig mindre, fra bedrift til lag til enkeltindivid.

Dataene støtter dette opp. Ifølge U.S. Census Bureau økte antallet enmannsbedrifter i USA med i gjennomsnitt 2,7 prosent per år mellom 2012 og 2023, mer enn dobbelt så mye som 1,1 prosent for bedrifter med ansatte, og de utgjør nå den største delen av alle amerikanske bedrifter. Vi går inn i en tid hvor jeg tror på det jeg kaller super-individet: en enkelt operatør som kan drive en global operasjon med en liten flåte av agenter som gjør arbeidet. Når arbeidsenheten krymper til enkeltindividet, må designet av våre verktøy snus. I stedet for at mennesker følger programvaren, må programvaren følge mennesker.

Den siste milen av AI

Generelle assistenter som ChatGPT og Gemini er et ekte sprang. De lar mennesker oppnå mer, raskere, over en ekstraordinær rekke oppgaver. Men det er et gap mellom en modell som er generelt kapabel og et verktøy som faktisk passer livet ditt, og i AI er dette gapet den siste milen. Det er der mesteparten av den virkelige verdien sitter, og det er den delen som nesten ingen har løst.

En generell modell ankommer som en briljant ny ansatt på første dag. Den er flytende, rask og vidt lest, men den kjenner ikke dine kunder, dine preferanser, forkortelsene du bruker eller måten du liker ting gjort på. Kraftig er ikke det samme som ditt. En generell modell er, ved design, den samme for alle som åpner den. Hva mennesker faktisk trenger er det motsatte: noe som er skapt for en person, som vokser mer deres jo lenger de bruker den.

Historisk sett har denne siste milen vært dyrt. Å være tilpasset en person betydde å ansette en eksekutiv assistent eller en sjef, eller bestille skreddersydd programvare, alternativer som er forbeholdt store bedrifter og de rike. Så resten av oss bosatte oss med generelle, masseproduserte verktøy og trente oss stille til å passe inn i dem. Kostnaden av skreddersying er grunnen til at de fleste mennesker aldri har hatt det. Hva som endrer seg nå er kostnaden. Etterhvert som den synker, blir det mennesker har ønsket seg lenge mulig i skalaen én. Mennesker begjærer ikke mer generisk evne. De begjærer noe som er deres.

Dette er ikke bare en smaksak, og bevisene er skarpere enn det ser ut til. Verdien av AI er ikke fordelt jevnt over oppgaver. I et stort felt-eksperiment utført av Harvard Business School med Boston Consulting Group fullførte 758 konsulenter som brukte GPT-4 omtrent 12 prosent flere oppgaver, omtrent 25 prosent raskere, med høyere kvalitet, men bare for arbeid som lå innenfor det forskerne kalte den ujevne teknologiske grensen. På en oppgave som var valgt for å ligge utenfor denne grensen, var menneskene som brukte AI omtrent 19 prosent mindre sannsynlig å nå riktig svar. Gevinster viser seg når verktøyet er tilpasset nær konturene av arbeidet, og de forsvinner, eller til og med snur, når det ikke er. Tilpasning er ikke en ferdig berøring. Det er der verdien bor.

Det er også to typer empowerment som er verdt å skille. En hjelper deg å gjøre noe du ikke kunne gjøre før. Den andre frigjør deg fra tingene din tid bare har blitt for dyrebåret å bruke på. Generelle modeller er svært gode på det første. Det andre er et spørsmål om tilpasning, og tilpasning må være skreddersydd. Dette er forskjellen mellom et verktøy som gjør deg mer kapabel og et verktøy som blir en utvidelse av deg.

Fra destinasjon til sidecar

Hvis skreddersying er egenskapen, hva er formen? Her hjelper det å låne en betegnelse fra programvarearkitektur. I distribuerte systemer kobler sidecar-mønsteret en hjelpeprosess til en primær tjeneste for å håndtere tverrgående arbeid: logging, konfigurasjon, nettverk, overvåkbarhet. Kjerne-tjenesten får fokusere på sin egentlige jobb mens sidecaren stille absorberer den operative kompleksiteten ved siden av.

Jeg tror det samme mønsteret kommer for mennesker. I stedet for et verktøy du besøker, vil den neste generasjonen av personlige programvare oppføre seg som en sidecar bundet til deg, som arbeider proaktivt innenfor appene du allerede bor i. Ikke en destinasjon. En ledsager som kjører ved siden av, og en som er skreddersydd av sin natur, fordi den er koblet til en enkelt person og lærer bare dem. En nyttig sidecar, i motsetning til en chatbot du prompter fra scratch hver morgen, ville hvile på tre søyler.

Tre søyler for en personlig sidecar

Lærbarhet og varig minne. En sidecar er ikke et verktøy du forklarer hver dag. Det er noe du lærer én gang. Når du beskriver en preferanse eller en arbeidsflyt, husker den, bygger en privat butikk med individuelt minne som reiser med deg og fanger nyansene av hvordan du spesifikt arbeider. Dette er den siste milen, akkumulerende.

Observasjon og handleevne. En sidecar observerer, tenker og handler. Den flytter fra å vite fakta til å gjøre oppgaver: filtrerer støyen, kobler punktene, utkaster svaret, holder tråden i et prosjekt så du ikke må.

Utforskning og transaksjon. Over tid bærer denne ledsageren din kontekst og dine relasjoner over forskjellige deler av programvaren. Den hjelper deg å finne riktig introduksjon, overflate riktig mulighet og til slutt sogar transaksjoner på vegne av deg.

Fra å vite til å gjøre

Den dypere tekniske skiftet under alt dette er et skift fra å hente til å handle. Henting-forsterket generering, teknikken for å grunnlegge en modells utgang i relevante dokumenter den ser opp på vegne av deg, gjorde dagens assistenter gode på å vite ting. Neste skritt er varighet og handleevne: ledsagere designet ikke bare til å svare, men til å utføre.

Bransjen snur allerede i denne retningen. Gartner forventer at innen utgangen av 2026 vil 40 prosent av bedriftsapplikasjonene inkludere oppgave-spesifikke AI-agenter, opp fra mindre enn 5 prosent i 2025, et skift det beskriver som å gå fra assistenter som svarer til agenter som handler.

Det er også en stille fordel her, en som organisasjoner tenderer å undervurdere: institusjonelt minne. I en verden med høy omgang og flytende partnerskap, går en enorm mengde kontekst ut av døren hver gang noen forlater en rolle. En ledsager bundet til enkeltindividet fanger ekspertisen og relasjonene som ellers ville bli tapt, og holder den sammenhengen intakt og brukbar.

Men denne overfloden skaper en felle. Etterhvert som agenter lar mennesker ta på seg mer, tar mennesker stille på seg mer: mer å huske, mer å handle på, mer å bytte mellom, mer å holde i hodet på én gang. Det er en biologisk tak for hvor mye av det en person kan bære. Poenget med en sidecar er å sitte under denne taket og absorbere belastningen, ikke å legge mer på toppen av den.

Å gjøre arbeidet mer menneskelig

Det virkelige målet er ikke å automatisere mennesker bort. Det er å få dem ut av programvaren og tilbake i rommet. McKinseys forskning på kunnskapsarbeid fant at den gjennomsnittlige interaksjonsarbeideren tilbringer omtrent 28 prosent av uken på e-post og nesten en annen 20 prosent på å jakte på intern informasjon eller spore opp riktig kollega, før du til og med legger til interne møter og koordinering. Det er mesteparten av en uke som tilbringes på operativ skatt i stedet for på arbeidet selv.

Hvis en ledsager kan absorbere denne statiske admin-lag, trenger tiden det returnerer ikke å flyte tilbake inn i maskinen. Den kan gå tilbake i kaffekjerringer, partnerskap og dømmekraft hvor den virkelige verdien skapes. Dette handler ikke om å erstatte mennesket i løkken. Det handler om å ta mennesket ut av delene av løkken som aldri var en god bruk av et menneske fra første sted.

Fremtiden for AI er kanskje ikke en boks du snakker med, og det er ikke en modell som tjener alle på samme måte. Det er mer sannsynlig en ledsager som er ufeilbarlig din: en som går ved siden av deg, lærer hvordan du arbeider og stille håndterer delene du ikke burde måtte.

Så spørsmålet som er verdt å sitte med er ikke hvor klypt din AI kan høres. Det er enklere enn det: hvor mye av din uke tilbringes med å være limet, og hva ville du gjøre med den tiden hvis du fikk den tilbake?