Bruke AI vs. Bygge rundt det: Hvor går grensen?

Vi bruker ordet AI for å beskrive alle slags forskjellige ting, fra å snakke med ChatGPT i en nettleser til å drive hele virksomheter der operasjonene ganske enkelt ville opphøre i sin nåværende form uten språkmodeller. Hvor går grensen mellom å bruke AI‑automatisering og AI som er kjernen i en virksomhet? Når skjer et grunnleggende skifte? Og viktigst av alt, bør selskaper i det hele tatt strebe etter å sette AI i sentrum?

Når er en virksomhet AI‑native?

I dag, selv om ledelsen aldri har kunngjort en AI‑transformasjon, bruker ansatte fortsatt Gemini for å søke etter informasjon, ChatGPT for å skrive en e‑post, Grok for å lage en rapport, Claude for å skrive koden sin, og så videre. Tilgangen til LLM‑verktøy har blitt så utbredt at det bare å bruke dem ikke lenger forteller deg mye om selskapet selv.

For meg er det en mye enklere test: hva skjer hvis du slår av AI?

Ta et regnskapsprogramvare‑selskap. Utviklerne deres kan bruke AI til å skrive funksjoner eller vedlikeholde produktet. Slår du av disse verktøyene i morgen, vil ingeniørene sannsynligvis jobbe langsommere. Men programvaren vil fortsatt eksistere, regnskapsførere vil fortsatt bruke den, og kunder vil fortsatt betale for den. AI forbedrer hvordan selskapet opererer, men virksomheten i seg selv er ikke avhengig av det.

Forestill deg nå et bank‑call‑center som en gang kan ha hatt ti tusen ansatte. Den første generasjonen AI i dette miljøet fungerte nesten som en prompter som satt ved siden av operatøren: den lyttet til samtalen, forsto problemet og foreslo et svar. I mange tilfeller har den prompteren nå blitt selve agenten. En kunde sier at de ble belastet feil beløp; systemet sjekker registrene, gjennomgår relevant data, identifiserer problemet og løser det noen ganger uten å involvere en person. Et menneske trer inn bare når saken krever eskalering.

Det er et svært forskjellig forhold til teknologien. Regnskapsfirmaet blir mindre effektiv uten AI. Call‑centret kan måtte bygge om en stor del av sin driftsmodell. Denne forskjellen ligger mye nærmere det jeg mener med AI‑native enn hvor mange AI‑abonnementer et selskap har eller om «AI» vises på hjemmesiden deres.

Hvor er dette mest synlig?

Noen selskaper har bygget sin virksomhet rundt å hjelpe andre med å gjennomføre den overgangen. Cohere er et godt eksempel: det kanadiske selskapet vokste til en stor virksomhet ved å hjelpe foretak med å gå fra tradisjonell programvare og arbeidsflyt til AI. I andre bransjer er AI imidlertid allerede så dypt integrert i produktet at det blir nesten umulig å skille de to.

Selvkjørende er sannsynligvis det klareste eksemplet. Hvis en bil forventes å se veien, gjenkjenne objekter, forstå hva som skjer rundt den, og ta beslutninger på egen hånd, kan du ikke fjerne AI uten å fjerne produktets grunnidé.

Medisin og legemidler gjør det samme poenget på en annen måte, spesielt innen legemiddelforskning. Et av de beste eksemplene på hva dette kan bety i stor skala er DeepMinds arbeid med proteinstrukturer.

Protein Data Bank ble opprettet i 1971, og det tok tiår med arbeid fra forskere over hele verden for å bygge opp en stor samling av eksperimentelt bestemte strukturer. database passerte 1,000 strukturer i 1993, 10,000 rundt 2000, og 100,000 i 2014. Innen januar 2023 hadde den passert 200,000 eksperimentelt bestemte biomolekylære strukturer. Med andre ord, etter omtrent seks tiår med strukturell biologi, hadde forskerne samlet på rundt to hundre tusen eksperimentelt bestemte strukturer.

Så kom AlphaFold, DeepMind’s system for å forutsi den tredimensjonale strukturen til et protein fra dets aminosyresekvens. I 2022 laget AlphaFold mer enn 200 millioner predikerte proteinstrukturer tilgjengelig, som dekker nesten hvert katalogisert protein kjent for vitenskapen på den tiden. Det betyr ikke at AI «oppdaget hvert protein som finnes». Dette er predikerte strukturer basert på allerede kjente aminosyresekvenser. Men forskjellen i skala er fortsatt enorm.

Betydningen av dette skiftet ble enda tydeligere i 2024, da Demis Hassabis og John Jumper fra Google DeepMind mottok halve Nobelprisen i kjemi «for prediksjon av proteinstruktur». Den andre halvdelen gikk til David Baker for beregningsbasert protein‑design. Noe som for bare noen år siden så ut som et imponerende AI‑gjennombrudd, ble svært raskt anerkjent som et grunnleggende fremskritt i moderne biologi.

DeepMind er det globale, overskriftsvekkende eksempelet, men AI‑første medisinske oppstartsbedrifter er ikke lenger uvanlige. I løpet av mine år i Keymakr, teamet vårt jobbet med prosjekter som spenner fra tannpleie og ultralydbildediagnostikk til intervensjonskardiologi, der modeller ble trent til å oppdage hjerteventiler, aorta og andre strukturer under prosedyrer. Vi jobbet også med nevrokirurgiprojekter hvor modeller lærte å skille hjernevev, blodårer, kirurgiske instrumenter og operasjonsområdet. I alle disse tilfellene var AI ikke en ekstra funksjon lagt til produktet; det var selve produktet.

Fra proteinstrukturer til en kald e‑post

Det samme skjer i mye mer vanlige deler av virksomheten. Salg og markedsføring er sannsynligvis blant de raskest utviklende eksemplene: arbeid som tidligere tok timer, kan nå gjentas hundrevis eller tusenvis av ganger med svært lite ekstra innsats.

CRM, kampanjer, prospektering og lead‑forskning er bygget rundt språkmodeller. Vi er allerede langt forbi punktet der vi ber ChatGPT om å skrive en kald e‑post. Et system kan gå gjennom en persons LinkedIn‑profil, se hva de gjør, hva de bryr seg om, og hva de legger ut om, og deretter bruke den informasjonen til å skrive noe som føles svært personlig.

Jeg fikk en gang en melding som lød slik: «Michael, det må være utrolig å fly i 4 000 fot og se ut gjennom glasset …» Den refererte til mine luftfartshistorier på sosiale medier. Min første reaksjon var at noen faktisk hadde gått gjennom LinkedIn‑profilen min og lest den nøye. Selvfølgelig hadde ingen gjort det. Systemet hadde funnet informasjonen og automatisk generert henvendelsen.

Det er her økonomien rundt personalisering begynner å endre seg. Forskning som en gang tok en person lang tid, kan nå assisteres av verktøy som skanner offentlig informasjon og identifiserer relevante detaljer. Et menneske kan deretter avgjøre hva som faktisk er nyttig, passende og verdt å inkludere.

Jeg så den samme endringen hos Keymakr, men for oss var målet aldri å automatisere menneskelig dømmekraft eller relasjoner. Jeg fortsatte å oppmuntre folk til å se på de repeterende delene av deres daglige arbeid og spørre hvor agenter kunne spare tid, gi mer konsistens, eller hjelpe dem med å jobbe i større skala. 

Hos Scryon startet vi med den logikken allerede integrert i selskapet. En stor del av markedsføringsarbeidet håndteres av flere agenter på tvers av artikler, bloggen, LinkedIn og nettsiden.

Den interessante delen er at deres største fordel ofte ikke er skriving. Si at du legger til tjue nye sider på en nettside. En person som skriver en ny artikkel vil sannsynligvis legge til noen interne lenker. Nesten ingen vil gå tilbake gjennom 80 eller 800 eldre artikler og sjekke hvor de nye sidene nå bør lenkes. En agent kan det. I den typen arbeid trenger ikke agenten å være smartere enn en person. Den blir bare ikke lei, og forskjellen mellom 80 sider og 800 sider er mye mindre viktig for den enn for oss.

Men dette er hvor automatisering når sine grenser for meg. God PR kan ikke bare overleveres til en agent og glemmes. Det samme gjelder for en meningsartikkel, hvor posisjonering, forståelse av publikum og evnen til å bestemme hva som skal sies er avgjørende.

Så selv når du bygger et ganske komplekst system av agenter, trenger du fortsatt en person som styrer det. Noen må vurdere resultatet, bestemme hva som er viktig, og sette retningen.

Kan du automatisere en gründer?

I en oppstartsbedrift i tidlig fase er gründeren ofte teknisk, operativ og administrativ på én gang. Så tanken oppstår naturlig: hvis agenter kan ta mye av arbeidet av teamet, hvorfor ikke gi dem en del av gründerens oppgaver også?

Jeg har en egen agent koblet til Scryon Business som vet mye om selskapet. Jeg kan spørre den noe sånt som: “Vi vil ha 5 000 brukere neste måned.” Er det realistisk, eller er det bare et fint tall jeg kom på?

Den kan hente data, se på markedet, sjekke konkurrenter og tilknyttede systemer, og komme tilbake med at 5 000 sannsynligvis er for mye, og selv 2 000 ville vært aggressivt på dette stadiet. Det hjelper meg med å teste mine egne tanker. Men agenten gir fortsatt råd.

Beslutningen er fortsatt min. Etter all data og beregningene, må jeg noen ganger fortsatt gå ut, spasere i en park, og bestemme hvor jeg vil ta selskapet.

For meg starter ekte avlasting når jeg kan gi noen eierskap, si: «Dette er ditt», og komme tilbake en måned senere for å se at det har fortsatt fungert uten meg. Jeg ser ikke det i gründerrollen i dag.

Det samme gjelder for C‑nivåroller. Deres jobb er å sette retning: om seks måneder vil vi gå inn i bilmarkedet, eller vi vil at folk i bransjen skal kjenne merkevaren. VP‑er, ledere og teamledere omformer deretter dette til konkrete mål og arbeid.

AI-verktøykasse: Personlige og bedriftskostnader

Jeg tror egentlig ikke på én «beste» modell. Jeg bryr meg mye mer om hvilken som fungerer best for en bestemt oppgave og hva det koster meg å bruke den i stor skala. Jeg bruker ofte Codex til koding og roterer modeller innenfor den, avhengig av mine behov på det tidspunktet. Jeg kan prøve Claude for design en dag, og bytte til ChatGPT for mer språkrelaterte oppgaver, men disse valgene endres fra måned til måned, og noen ganger midt i en oppgave.

Til slutt bygger alle sin egen stack over tid, og vurderer hvilken modell som er optimal for et spesifikt mål. Hvis du er en teknisk gründer som koder mye selv, vil jeg forvente at du bruker rundt $1 000 i måneden på din egen stack. Men jeg kjenner folk som bruker $10 000–15 000 i måneden fordi de automatiserer mye mer aggressivt.

Når AI blir en del av kjernen i virksomheten, endres tallene igjen. Med Scryon er jeg komfortabel med tanken om at 30–40 % av inntektene kan gå direkte til infrastrukturen og tjenestene produktet kjører på, før du i det hele tatt teller menneskene som bygger det.

Først forretningsmålet, så teknologien

I kappløpet om automatisering og merkelappen «AI‑selskaper» tror jeg selve spørsmålet «hvilken type AI skal vi implementere?» er farlig. Det starter fra feil ende.

Vi satte nylig et ganske standard forretningsmål – å redusere kostnader. For å gjøre dette laget vi en agent, ga den tilgang til informasjon om hvor selskapet brukte penger, inkludert Amazon, Google og andre tjenester, og ba den jevnlig lete etter avvik og heve røde flagg hvis noe så mistenkelig ut.

Bare i den første uken reduserte vi kostnadene med omtrent 30 % fordi systemet raskt viste hvor penger ble brukt på ting vi praktisk talt hadde glemt. Agenten i seg selv kan koste så lite som $50 per måned, men besparelsene kan være i titusenvis.

Hos Keymakr styrket AI primært mennesker og individuelle prosesser. Hos Scryon er det allerede integrert i selskapets arkitektur. I selvkjørende, uten det, forsvinner produktet, og i legemiddelforskning endrer det utforskningsomfanget.

For meg er spørsmålet om underliggende mål et mye sunnere utgangspunkt enn ønsket om å bli et AI‑native selskap. Først må et forretningsmål fremkomme: å tjene mer, skalere raskere, redusere kostnader, muliggjøre et nytt produkt eller radikalt endre en eksisterende prosess. Først da gir det mening å spørre hvilken teknologi som vil bringe deg dit.