Den sista milen av AI: Varför framtiden är skräddarsydd, inte en storlek som passar alla

Under större delen av de senaste femtio åren har programvara byggts för människor som sitter på kontor. Traditionella plattformar är i princip statiska databaser med ett gränssnitt runt omkring dem. De sitter där, orörliga, och kräver att människor arbetar runt dem: för att mata in information, för att ange data, för att navigera i deras rigida, fördefinierade logik. I denna ordning har den mänskliga varelsen tyst blivit den manuella limen, som tillbringar arbetsdagen med att överbrygga gapet mellan fragmenterade verktyg.

Denna operativa skatt är mest smärtsam i våra mobila liv. Tänk att boka ett enkelt möte medan du är ute och går. Du öppnar en kalenderapp, trycker, skriver, trycker. Sedan hoppar du till e-post för att återuppleva minnet av några nyckelord, söka efter rätt adress, kopiera den och hoppa tillbaka till kalendern. Det är en underligt avmänskligande upplevelse. Användaren tvingas följa programvarans logik istället för att programvaran följer användarens avsikt, håller den trasiga kontexten i huvudet och syr ihop den för hand.

Människan som manuell lim

Vi såg detta tydligt medan vi byggde för mobila enheter på Google. Världen har bara gjort problemet skarpare sedan. Alltmer högvärdigt arbete sker nu i den riktiga världen snarare än i en statisk kontorsmiljö. Det sker i kaffesamtal, i externa presentationer, i partnerskap. Och affärsenheten minskar stadigt, från företaget till teamet till individen.

Data stöder detta. Enligt U.S. Census Bureau ökade antalet enmansföretag i USA med i genomsnitt 2,7 procent per år mellan 2012 och 2023, mer än dubbelt så mycket som de 1,1 procent som företag med anställda hade, och de utgör nu den stora majoriteten av alla amerikanska företag. Vi går in i eran av vad jag kallar superindividen: en ensam operatör som kan driva en global verksamhet med en liten flotta av agenter som utför arbetet. När arbetsenheten minskar till individen måste verktygens design vändas. Istället för att människor följer programvara måste programvara följa människor.

Den sista milen av AI

Allmänna assistenter som ChatGPT och Gemini är ett äkta språng. De låter människor uppnå mer, snabbare, över en extraordinär uppsättning av uppgifter. Men det finns ett gap mellan en modell som är allmänt kapabel och ett verktyg som faktiskt passar ditt liv, och i AI är detta gap den sista milen. Det är där den verkliga värdet ligger, och det är den del som nästan ingen har löst.

En allmän modell anländer som en briljant ny medarbetare på första dagen. Den är flytande, snabb och brett läst, men den känner inte till dina kunder, dina preferenser, den förkortning du använder eller hur du vill att saker och ting ska göras. Kraftfull är inte detsamma som din. En allmän modell är, av design, densamma för alla som öppnar den. Vad människor verkligen behöver är motsatsen: något som formas för en person, som växer mer till deras egna ju längre de använder den.

Historiskt sett har denna sista mil varit dyr. Att vara skräddarsydd för en person innebar att anställa en verkställande assistent eller en chef för personal, eller beställa anpassad programvara, alternativ som förbehålls stora företag och de rika. Så resten av oss bosatte sig för allmänna, massproducerade verktyg och tyst tränade oss för att passa dem. Kostnaden för skräddarsydd är anledningen till att de flesta människor aldrig har haft det. Vad som förändras nu är kostnaden. När den minskar blir det som människor alltid tyst har velat möjligt i skalan ett. Människor längtar inte efter mer generisk förmåga. De längtar efter något som är deras.

Detta är inte bara en fråga om smak, och bevisen är skarpare än de ser ut. Värdet av AI är inte jämnt fördelat över uppgifter. I en stor fältexperiment som utfördes av Harvard Business School med Boston Consulting Group slutförde 758 konsulter som använde GPT-4 ungefär 12 procent fler uppgifter, ungefär 25 procent snabbare, med högre kvalitet, men bara för arbete som låg inom det som forskarna kallade den ojämna teknologiska gränsen. På en uppgift som medvetet valdes för att ligga utanför denna gräns var de människor som använde AI ungefär 19 procent mindre benägna att nå rätt svar. Vinsterna syns när verktyget är anpassat nära till arbetets verkliga konturer, och de bleknar, eller till och med vänder, när det inte är det. Passformen är inte en färdig touch. Det är där värdet bor.

Det finns också två typer av egenmakt som är värda att skilja på. En hjälper dig att göra något du inte kunde göra tidigare. Den andra frigör dig från de saker din tid har blivit för dyr för att spendera på. Allmänna modeller är mycket bra på det första. Det andra är en fråga om passform, och passformen måste vara skräddarsydd. Detta är skillnaden mellan ett verktyg som gör dig mer kapabel och ett verktyg som blir en förlängning av dig.

Från destination till sidovagn

Om skräddarsydd är egenskapen, vad är formen? Här hjälper det att låna en term från programvaruarkitektur. I distribuerade system sidovagnsmönstret fäster en hjälpprocess till en primär tjänst för att hantera tvärgående arbete: loggning, konfiguration, nätverk, observerbarhet. Kärntjänsten kan fokusera på sitt faktiska jobb medan sidovagnen tyst absorberar den operativa komplexiteten bredvid den.

Jag tror att samma mönster är på väg för människor. Istället för ett verktyg du besöker kommer nästa generation av personlig programvara att bete sig som en sidovagn bunden till dig, som arbetar proaktivt inom de appar du redan bor i. Inte en destination. En följeslagare som rider bredvid och en som är skräddarsydd av sin natur, eftersom den är bunden till en enskild person och lär sig bara dem. En användbar sidovagn, till skillnad från en chatbot som du promptar från scratch varje morgon, skulle vila på tre pelare.

Tre pelare för en personlig sidovagn

Lärbarhet och bestående minne. En sidovagn är inte ett verktyg du förklarar om varje dag. Det är något du lär en gång. När du beskriver en preferens eller en arbetsflöde, kommer den ihåg, bygger en privat butik med individuellt minne som reser med dig och fångar nyansen i hur du specifikt arbetar. Detta är den sista milen, ackumulerande.

Observation och agentur. En sidovagn observerar, tänker och agerar. Den flyttar från att känna till fakta till att utföra uppgifter: filtrerar bruset, kopplar ihop prickarna, utkastar svaret, håller tråden i ett projekt så att du inte behöver.

Utforskning och transaktion. Över tiden bär denna följeslagare din kontext och dina relationer över olika delar av programvara. Den hjälper dig att hitta rätt introduktion, yta rätt möjlighet och till och med transaktions på din vägnar.

Från att veta till att göra

Den djupare tekniska förändringen under allt detta är en rörelse från att hämta till att agera. Hämtning-förstärkt generering, tekniken att basera en modells utdata på relevanta dokument som den söker upp på flyget, gjorde dagens assistenter bra på att veta saker. Nästa steg är beständighet och agentur: följeslagare utformade inte bara för att svara, utan för att utföra.

Branschen är redan på väg i denna riktning. Gartner förväntar sig att 40 procent av företagsapplikationer kommer att innehålla uppgiftsspecifika AI-agenter vid slutet av 2026, upp från mindre än 5 procent 2025, en förändring som den beskriver som en rörelse från assistenter som svarar till agenter som agerar.

Det finns också en tyst fördel här, en som organisationer tenderar att underskatta: institutionellt minne. I en värld med hög personalomsättning och flytande partnerskap går en enorm mängd kontext ut genom dörren varje gång någon lämnar en roll. En följeslagare bunden till individen fångar den expertis och de relationer som annars skulle gå förlorade och håller den kontexten intakt och användbar.

Men denna rikedom skapar en fälla. När agenter låter människor ta på sig mer, tar människor tyst på sig mer: mer att komma ihåg, mer att agera på, mer att växla mellan, mer att hålla i huvudet på en gång. Det finns ett biologiskt tak för hur mycket av det en person kan bära. Syftet med en sidovagn är att sitta under det taket och absorbera belastningen, inte att lägga till mer på toppen av den.

Återmänskliggöra arbetet

Det verkliga målet är inte att automatisera bort människor. Det är att få dem ut ur programvaran och tillbaka in i rummet. McKinseys forskning om kunskapsarbete fann att den genomsnittliga interaktionsarbetaren tillbringar cirka 28 procent av veckan på e-post och nästan ytterligare 20 procent på att leta efter intern information eller spåra rätt kollega, innan du ens lägger till interna möten och samordning. Det är de flesta av en vecka som tillbringas på operativ skatt istället för på arbetet självt.

Om en följeslagare kan absorbera den statiska admin-lagret, behöver den tid som returneras inte flöda tillbaka in i maskinen. Den kan gå tillbaka in i kaffesamtalen, partnerskapen och bedömningarna där den verkliga värdet skapas. Detta handlar inte om att ersätta människan i loopen. Det handlar om att ta bort människan från de delar av loopen som aldrig var en bra användning av en människa från första början.

Framtiden för AI är förmodligen inte en låda du pratar med, och det är inte en modell som betjänar alla på samma sätt. Det är mer troligt en följeslagare som är obestridligt din: en som går bredvid dig, lär sig hur du arbetar och tyst hanterar de delar du inte borde behöva.

Så frågan som är värd att sitta med är inte hur smart din AI kan låta. Det är enklare än så: hur mycket av din vecka tillbringas med att vara limen, och vad skulle du göra med den tiden om du fick tillbaka den?