Du behøver ikke vælge mellem kvalitet og kontrol

Tre ting at tage med dig

• Følelsen af at skulle vælge mellem kvalitet og kontrol er ofte et tegn på, at opgaven endnu ikke er færdigforstået.
• Frontier-modeller gør størst nytte i test og udvikling, hvor I hurtigt kan teste, justere og lære.
• Når processen er kortlagt, og opgaven er afgrænset, er en mindre, gerne åben, model ofte nok. Det giver både større kontrol og lavere omkostninger. 

Det falske valg

De mest avancerede AI-modeller kører ofte i skyinfrastruktur under andre landes regelsæt, hvor lovgivning som den amerikanske CLOUD Act kan give myndigheder adgang til data, uanset hvor de fysisk opbevares. Samtidig skal følsomme data i mange virksomheder håndteres med høj grad af kontrol. 

Stiller du disse to behov op mod hinanden, kan det føles som et valg mellem kvalitet og kontrol. Det er netop den oplevelse, der kan drive medarbejdere til egne løsninger. Men valget bygger på en antagelse om, at modellen er konstant: at den kapacitet, opgaven kræver på dag ét, er den samme kapacitet, den kræver i drift. Det passer næsten aldrig. Det, opgaven kræver af modellen, afhænger af, hvor meget organisationen har lært om problemet. Og den forståelse vokser over tid. 

Forståelse flytter intelligensen fra modellen til løsningen

I begyndelsen af et AI-initiativ er meget stadig uklart. Hvad er opgaven egentlig? Hvilke spørgsmål opstår undervejs? Hvilke data er der brug for, og i hvilken stand er de? Hvor går grænserne? 

I den situation er en stærk model det rette værktøj. Ikke fordi opgaven i sig selv kræver det, men fordi modellens generelle evner kompenserer for alt det, organisationen endnu ikke ved. Derfor hører de mest avancerede AI-modeller, ofte kaldet frontier-modeller, hjemme i test og udvikling. De gør det muligt hurtigt at afprøve idéer, udforske muligheder og finde frem til, hvad opgaven reelt består af, uden først at skulle bygge en færdig løsning. 

Men for hver afprøvning sker der noget vigtigt. Datakilderne ryddes op. Prompterne bliver skarpere. Reglerne for forskellige situationer bliver tydeligere. Grænsefladerne til andre systemer defineres. 

Trin for trin flytter intelligensen fra modellen til løsningen. Det, organisationen lærer undervejs, bygges ind i processen i stedet for at blive overladt til modellen at finde ud af hver gang. 

Jo tættere løsningen kommer på drift, desto mere af forståelsen ligger i selve løsningen, og desto mindre skal modellen selv regne ud. Derfor kan en mindre model ofte levere samme resultat. Ikke fordi kravene er blevet lavere, men fordi opgaven er blevet bedre forstået og beskrevet. 

Kvaliteten ligger dermed i stadig mindre grad i modellen og i stadig højere grad i løsningen omkring den.

Kortlæg processen – og find de tilbagevendende dele

Samme logik gælder på virksomhedsniveau. Virksomheder, der virkelig forstår deres processer, kan udpege, hvor AI skaber mest værdi. Og det er påfaldende ofte i de mest tilbagevendende opgaver: den samme type sag, den samme type opsummering og den samme type kontrol igen og igen. 

Det er gode nyheder af to grunde. For det første kan repetitive opgaver afgrænses til smalle og veldefinerede anvendelser, og netop den type opgaver løses ofte godt af mindre modeller. For det andet er en velafgrænset opgave lettere at kontrollere, evaluere og spore. Samtidig kan den ofte køres på en åben model i en infrastruktur, I selv styrer. 

Det, der begyndte som et valg mellem kvalitet og kontrol, ender derfor ofte som en løsning, hvor I får begge dele. Og typisk til en brøkdel af omkostningen. 

Konklusion

Vejen ud af det falske valg staves forståelse. Brug de stærkeste modeller til at lære hurtigt. Byg derefter det, I lærer, ind i løsningen: bedre datakilder, skarpere regler og tydeligere grænser. 

Kortlæg processen, og find de tilbagevendende opgaver. Når opgaven er forstået og afgrænset, kan den ofte løses af en mindre, gerne åben, model på infrastruktur, I selv kontrollerer. 

Så holder kvalitet, kontrol og økonomi op med at være et valg mellem tre hensyn. I kan få alle tre.