Att använda AI kontra att bygga kring det: var går gränsen?

Vi använder ordet AI för att beskriva alla möjliga olika saker, från att prata med ChatGPT i en webbläsare till att driva hela företag där verksamheten helt enkelt skulle upphöra att existera i sin nuvarande form utan språkmodeller. Var går gränsen mellan att använda AI‑automation och att AI är kärnan i ett företag? När sker en grundläggande förändring? Och viktigast av allt, bör företag ens sträva efter att sätta AI i centrum?

När är ett företag AI‑inbyggt?

Idag, även om ledningen aldrig har tillkännagett en AI‑transformation, använder medarbetarna fortfarande Gemini för att söka information, ChatGPT för att skriva ett e‑mail, Grok för att förbereda en rapport, Claude för att skriva sin kod, och så vidare. Tillgången till LLM‑verktyg har blivit så utbredd att bara använda dem inte längre säger mycket om själva företaget.

För mig finns ett mycket enklare test: vad händer om du stänger av AI?

Ta ett företag som utvecklar bokföringsprogram. Dess utvecklare kan använda AI för att skriva funktioner eller underhålla produkten. Stäng av de verktygen i morgon, så kommer ingenjörerna troligen att arbeta långsammare. Men mjukvaran kommer fortfarande att finnas, revisorer kommer fortfarande att använda den, och kunderna kommer fortfarande att betala för den. AI förbättrar hur företaget fungerar, men verksamheten i sig är inte beroende av det.

Föreställ dig nu ett bankcallcenter som tidigare kan ha haft tiotusen anställda. Den första generationen av AI i den miljön fungerade nästan som en prompter som satt bredvid operatören: den lyssnade på samtalet, förstod problemet och föreslog ett svar. I många fall har den promptern nu blivit själva agenten. En kund säger att de har debiterats fel belopp; systemet kontrollerar registeren, granskar relevant data, identifierar problemet och löser det ibland utan att involvera en person. En människa kliver in endast när ärendet kräver eskalering.

Det är en mycket annorlunda relation till tekniken. Bokföringsföretaget blir mindre effektivt utan AI. Callcentret kan behöva bygga om en stor del av sin verksamhetsmodell. Den skillnaden ligger mycket närmare vad jag menar med AI‑inbyggt än hur många AI‑prenumerationer ett företag har eller om ”AI” syns på dess hemsida.

Var är detta mest synligt?

Vissa företag har byggt sin verksamhet kring att hjälpa andra att göra den övergången. Cohere är ett bra exempel: det kanadensiska företaget växte till ett stort företag genom att hjälpa företag att gå från traditionell programvara och arbetsflöden till AI. I andra branscher är AI dock redan så djupt integrerat i produkten att det blir nästan omöjligt att separera de två.

Självkörning är förmodligen det tydligaste exemplet. Om en bil förväntas se vägen, känna igen objekt, förstå vad som händer omkring den och fatta beslut på egen hand, så kan du inte ta bort AI utan att ta bort produktens grundläggande idé.

Medicin och läkemedel gör samma poäng på ett annat sätt, särskilt inom läkemedelsupptäckt. Ett av de bästa exemplen på vad detta kan innebära i stor skala är DeepMinds arbete med proteinstrukturer.

Protein Data Bank skapades 1971, och det tog årtionden av arbete av forskare runt om i världen för att bygga upp en stor samling experimentellt bestämda strukturer. databas passerade 1,000 strukturer 1993, 10,000 omkring 2000, och 100,000 år 2014. I januari 2023 hade den passerat 200,000 experimentellt bestämda biomolekylära strukturer. Med andra ord, efter ungefär sex decennier av strukturell biologi hade forskarna samlat in i storleksordningen tvåhundratusen experimentellt bestämda strukturer.

Sedan kom AlphaFold, DeepMinds system för att förutsäga den tredimensionella strukturen av ett protein utifrån dess aminosyrasekvens. År 2022 gjorde AlphaFold mer än 200 miljoner förutsagda proteinstrukturer tillgängliga, vilket täcker nästan varje katalogiserat protein som kända för vetenskapen vid den tidpunkten. Det betyder inte att AI ”upptäckte varje existerande protein.” Detta är förutsagda strukturer baserade på redan kända aminosyrasekvenser. Men skillnaden i skala är fortfarande enorm.

Betydelsen av den förändringen blev ännu tydligare 2024, när Demis Hassabis och John Jumper från Google DeepMind fick hälften av Nobelpriset i kemi “för proteinstrukturförutsägelse”. Den andra hälften gick till David Baker för beräkningsbaserad protein design. Något som bara några år tidigare verkade vara ett imponerande AI-genombrott hade mycket snabbt erkänts som ett grundläggande framsteg inom modern biologi.

DeepMind är det globala, rubrikfångande exemplet, men AI‑först medicinska startups är inte längre ovanliga. Under mina år på Keymakr, vårt team arbetade med projekt som sträckte sig från tandvård och ultraljudsavbildning till interventionell kardiologi, där modeller tränades för att upptäcka hjärtklaffar, aortan och andra strukturer under ingrepp. Vi arbetade också med neurokirurgiprojekt där modeller lärde sig att skilja på hjärnvävnad, blodkärl, kirurgiska instrument och operationsområdet. I samtliga dessa fall var AI inte en extra funktion som lagts till produkten; det var själva produkten.

Från proteinstrukturer till ett kallt e‑mail

Samma sak händer i mycket mer vanliga delar av affärslivet. Försäljning och marknadsföring är förmodligen bland de snabbast rörliga exemplen: arbete som tidigare tog timmar kan nu upprepas hundratals eller tusentals gånger med mycket lite extra ansträngning.

CRM, kampanjer, prospektering och lead‑forskning byggs kring språkmodeller. Vi är redan långt förbi att be ChatGPT skriva ett kallt e‑mail. Ett system kan gå igenom någons LinkedIn‑profil, se vad de gör, vad de bryr sig om och vad de postar om, och sedan använda den informationen för att skriva något som känns mycket personligt.

Jag fick en gång ett meddelande i stil med: “Michael, det måste vara otroligt att flyga på 4 000 fot och titta ut genom glaset…” Det refererade till mina flygberättelser på sociala medier. Min första reaktion var att någon faktiskt hade gått igenom min LinkedIn‑profil och läst den noggrant. Naturligtvis hade ingen gjort det. Systemet hade hittat informationen och automatiskt genererat kontakten.

Det är där personaliseringens ekonomi börjar förändras. Forskning som en gång tog en person lång tid kan nu assisteras av verktyg som skannar offentlig information och identifierar relevanta detaljer. En människa kan sedan avgöra vad som faktiskt är användbart, lämpligt och värt att inkludera.

Jag såg samma förändring hos Keymakr, men för oss var målet aldrig att automatisera mänskligt omdöme eller relationer. Jag fortsatte att uppmuntra folk att titta på de repetitiva delarna av deras dagliga arbete och fråga var agenter kunde spara tid, ge mer konsekvens eller hjälpa dem att arbeta i större skala. 

Hos Scryon, började vi med den logiken redan inbyggd i företaget. En stor del av marknadsföringsarbetet hanteras av flera agenter över artiklar, bloggen, LinkedIn och webbplatsen.

Det intressanta är att deras största fördel ofta inte är skrivandet. Anta att du lägger till tjugo nya sidor på en webbplats. En person som skriver en ny artikel kommer sannolikt att lägga till några interna länkar. Nästan ingen kommer att gå tillbaka genom 80 eller 800 äldre artiklar och kontrollera var de nya sidorna nu bör länkas. En agent kan. I den typen av arbete behöver agenten inte vara smartare än en människa. Den blir bara inte uttråkad, och skillnaden mellan 80 sidor och 800 sidor är mycket mindre viktig för den än för oss.

Men det är här automatiseringen når sina gränser för mig. Bra PR kan inte bara överlämnas till en agent och glömmas bort. Detsamma gäller för en opinionsartikel, där positionering, publikförståelse och förmågan att bestämma vad man ska säga är avgörande.

Så även när du bygger ett ganska komplext system av agenter, behöver du fortfarande en person som driver det. Någon måste bedöma resultatet, avgöra vad som är viktigt och sätta riktningen.

Kan du automatisera en grundare?

I ett tidigt startup är grundaren ofta teknisk, operativ och verkställande på en gång. Så tanken uppstår naturligt: om agenter kan avlasta teamet mycket, varför inte ge dem en del av grundarens arbete också?

Jag har en separat agent kopplad till Scryon Business som vet mycket om företaget. Jag kan fråga den något i stil med: “Vi vill få 5 000 användare nästa månad.” Är det realistiskt, eller är det bara ett trevligt tal jag kom på?

Den kan hämta data, titta på marknaden, kontrollera konkurrenter och anslutna system, och återkomma med att 5 000 sannolikt är för mycket och till och med 2 000 skulle vara aggressivt i detta skede. Det hjälper mig att testa mitt eget tänkande. Men agenten ger fortfarande råd.

Beslutet är fortfarande mitt. Efter all data och alla beräkningar måste jag ibland fortfarande gå ut, promenera i en park och bestämma var jag vill ta företaget.

För mig börjar verklig avlastning när jag kan ge någon ägandeskap, säg: “Det här är ditt,” och återkomma en månad senare för att se att det har fortsatt fungera utan mig. Det ser jag inte i grundarrollen idag.

Detsamma gäller för C‑nivåroller. Deras uppgift är att sätta riktning: om sex månader vill vi gå in på bilmarknaden, eller vi vill att folk i branschen ska känna till varumärket. VDar, chefer och teamledare omvandlar sedan det till specifika mål och arbete.

AI‑verktygssats: Personliga och företagskostnader

Jag tror egentligen inte på en enda ”bästa” modell. Jag bryr mig mycket mer om vilken som fungerar bäst för en viss uppgift och vad det kostar mig att använda den i skala. Jag använder ofta Codex för kodning och roterar modeller inom den, beroende på mina behov för tillfället. Jag kan prova Claude för design en dag, och byta till ChatGPT för mer språkliga uppgifter, men dessa val förändras månad för månad, och ibland mitt i en uppgift.

I slutändan bygger alla sin egen stack över tid, och bedömer vilken modell som är optimal för ett specifikt mål. Om du är en teknisk grundare som kodar mycket själv, skulle jag förvänta mig att du spenderar omkring 1 000 $ per månad på din egen stack. Men jag känner personer som spenderar 10 000–15 000 $ per månad eftersom de automatiserar mycket mer aggressivt.

När AI blir en del av kärnverksamheten förändras siffrorna igen. Med Scryon är jag bekväm med tanken att 30–40 % av intäkterna kan gå direkt till den infrastruktur och de tjänster som produkten körs på, innan du ens räknar med människorna som bygger den.

Först affärsmålet, sedan teknologin

I tävlingen om automatisering och etiketten “AI-företag” tror jag att själva frågan “vilken typ av AI ska vi implementera?” är farlig. Det startar från fel ände.

Vi satte nyligen upp ett ganska vanligt affärsmål – att minska kostnaderna. För att göra det skapade vi en agent, gav den tillgång till information om var företaget spenderade pengar, inklusive Amazon, Google och andra tjänster, och bad den regelbundet leta efter avvikelser och flagga om något verkade misstänkt.

Redan under den första veckan minskade vi kostnaderna med ungefär 30 % eftersom systemet snabbt visade var pengar spenderades på saker vi praktiskt taget hade glömt bort. Agenten i sig kan kosta så lite som $50 per månad, men besparingarna kan röra sig i tiotusentals.

På Keymakr stärkte AI främst människor och enskilda processer. På Scryon är den redan inbyggd i företagets arkitektur. Inom självkörning försvinner produkten utan den, och inom läkemedelsupptäckt förändrar den utforskningsomfånget.

För mig är frågan om underliggande mål en mycket sundare utgångspunkt än önskan att bli ett AI‑inbyggt företag. Först måste ett affärsmål framträda: att tjäna mer, skala snabbare, minska kostnader, möjliggöra en ny produkt eller radikalt förändra en befintlig process. Först då är det meningsfullt att fråga vilken teknik som tar dig dit.