Tror toppen av KI-hypen er forbi: − Vi har vært på vei ned i to-tre måneder

Majorstua, Oslo: − Vi har vært på vei ned i to-tre måneder allerede, sier Ed Thompson.

Visepresidenten i Salesforce og tidligere analytiker i Gartner er tydelig: Vi er over toppen av hype-kurven for generativ kunstig intelligens. Fremover vil vi se flere negative nyhetsoppslag, og høre mer om mislykkede forsøk på innføring av generativ KI.

Thompson har nettopp holdt åpnings-foredrag på Salesforces såkalte World Tour essentials i Oslo, for nær tusen IT-folk. Selskapet har fått sperret av Essendropsgate for anledningen, og forvandlet Oslos hundreårige storstue til leirplass.

Som på mange andre seminarer de siste månedene, er kunstig intelligens den store snakkisen. Men halleluja-ropene har stilnet, litt. Folk snakker litt mindre om alt som er mulig, og litt mer om alt som kan gå galt.

Likevel, oppsiden for de som lykkes, kan være stor. Nøkkelen til suksess? Å ikke gi seg på tørre møkka, tror Thompson.

Går galt annenhver gang

I fjor sommer feilet 80 prosent av prosjektene basert på generativ KI, forteller Thompson. Nå går omtrent annethvert forsøk i vasken.

− Det er ikke så enkelt at du bare kan slå det på, så skjer det mirakler, sier han og fortsetter:

− Jeg hater uttrykket «ut av boksen». Ingenting er mulig å ta i bruk rett ut av boksen.

Mange av selskapene han snakker med, opplever at noe som fungerte strålende for en avdeling eller en ansatt, overhodet ikke fungerer på nabopulten eller avdelingen ved siden av. Mange forsøk feiler selv etter en vellykket pilot.

− Ingen vet hva de driver med, sier Thompson og fortsetter:

− De som lærer seg dette, lærer gjennom å gjøre. Det er ingen å ansette, du er nødt til å utvikle dine egne folk.

Hva det er mulig å vinne på innføringen, er også umulig å vite, mener han.

− Folk svarer fra to prosent til 75 prosent. Mye er nok basert på beste mulige scenario, sier Thompson, som fraråder på det sterkeste å love kostnadskutt på tre av fire kroner ved å innføre KI.

− Om vi ser tilbake på der vi står nå om fem år. Hva kjennetegner de bedriftene som lyktes?

− De fortsetter. Nå er det mange selskaper som gir opp, svarer Thompson og fortsetter:

− Jeg tror mange håper de bare skal bli forklart svaret, kanskje spesielt i den vanskelige balansen mellom kontroll og eksperimentering. De smarteste er de som oppmuntrer folk til å prøve og feile, og dele erfaringene med kolleger.

Han tror likevel det er lurt å kutte i antall forsøk.

− Velg en no-brainer, og en ting som er vanskelig

− Ikke prøv å gjøre 100 ulike forsøk, velg tre, sier Thompson.

En fremgangsmåte han tror kan fungere for mange, er å velge ett brukstilfelle som er en «no-brainer»: Noe som er enkelt og man er ganske sikker på at kan fungere. I tillegg velger man noe som er vanskeligere, men som går mer rett inn i kjerneoppgavene til bedriften.

Å få hjelp av KI til å oppsummere møtet, blir raskt en selvsagthet. Det å bruke KI som gjør at du klarer å skille deg fra konkurrentene blir neste steg. Det vil ofte handle om å klare å kombinere generativ kunstig intelligens med tradisjonell prediktiv maskinlæring, tror Thompson.

− For eksempel kan du bruke prediktiv KI til å finne mulige kunder å kjøre en kampanje mot, ut ifra mønstre i tidligere kjøp, økonomisk situasjon eller andre data, forklarer han.

Det kan gi selgeren en lead, men kombinert med generativ KI kan du gi selgeren en oppsummering av det den prediktive modellen har funnet, foreslå neste steg og lage utkast e-poster og skript til telefonsamtaler.

− Det du gjør er å sette selgeren i stand til å ikke se ut som en idiot, når alt frem til det punktet har vært automatisert, sier Thompson.

For å komme dit, må man håndtere et av temaene som oftest dukker opp når Thompson snakker med kunder: Gamle data.

− Merkelig hallusinering

− Det er mye merkelig hallusinering. Om du begynner å plukke det fra hverandre, handler det stort sett om råtne data, sier han og deler et eksempel:

Et selskap på kundelista ville bruke generativ KI til å lage tekniske beskrivelser av ulike produkter. Teknikere ute i felten skulle kunne ta et bilde av produktet, så skulle KI-en beskrive det på en teknisk måte, som var til hjelp ved reparasjoner og problemsøking.

Som grunnlagsmateriale hadde selskapet en masse tekniske spesifikasjoner, artikler og lærdom om hvordan ulike problemer kunne fikses.

− Det gikk fryktelig galt, og ingen skjønte hvorfor, sier Thompson.

Modellen kom ut med uforståelige diagrammer og tegninger, og merkelige beskrivelser.

Det tok tid før selskapet skjønte hva som hadde skjedd.

− For 30 år siden hadde de kjøpt opp et annet selskap. Det selskapet brukte like produkt-numre, men på helt andre produkter, sier Thompson.

Det KI-modellen gjorde, var å blande beskrivelsen av det gamle med det nye produktet. Løsningen ble å slette gamle data.

Risikoen for hallusinering, som chatboten som fant opp en refusjonsordning, har kjølnet iveren etter å kaste ut en chatbot basert på egne nettsider, litt instrukser og Chat GPT.

− Du må ha et lag på plass som sikrer tillit, sier Thompson og fortsetter:

− Vi har brukt ganske mye penger på vår egen Einstein Trust layer. Vi mener den er verdifull og vi kommer til å fortsette å forbedre den, sier Thompson.

Kommer til å le av oss selv

Utviklingen innen store språkmodeller og generative bildemodeller har gått raskt de siste par årene. Få analytikere tør spå lenger enn ett år, maks to.

− Alle store vyer og spådommer som går lenger, er stort sett bullshit, sier Thompson.

Men hvordan det vi gjør i dag, kommer til å se ut om fem år, tør han likevel mene noe om:

− Vi kommer til å le av oss selv. Det vi driver med nå, kommer til å se skikkelig klønete ut.

Særlig én ting tror han vil se komisk ut. At alle er så opptatt av å finne use-cases eller brukstilfeller.

− Det er som om vi skulle spurt, hva er use-casen for internett. Det kommer til å være tusenvis, sier Thompson.