Asger Risom
En brist på ledningsinfrastruktur förvandlade företagens brådska efter artificiell intelligens till en dyr katastrof som helt enkelt skalade upp mänsklig inkompetens.
Under det senaste året beordrade företagsstyrelser en omedelbar integrering av artificiell intelligens i vardagliga arbetsflöden.
Det initiala löftet antydde att digitala agenter skulle automatisera rutinuppgifter och skapa en oöverträffad operativ effektivitet. Verkligheten av denna tekniska utrullning har dock avslöjat en kritisk brist som tvingar företag att ompröva hela sin strategi.
Kollapsen av tokenmaxxing
Teknikindustrin refererade kort till denna period av obegränsade digitala budgetar som ”tokenmaxxing”-eran. Enligt en analys från Fortune speglade den kaotiska expansionen den amerikanska järnvägsboomen på 1830-talet. Precis som den dödliga tågkraschen 1841 som tvingade fram uppfinningen av modernt företagsstyre, kräver nu en massiv våg av digitala misslyckanden mänsklig tillsyn.
Företagsledare skyndade sig att distribuera autonom mjukvara över sina organisationer utan att bygga den nödvändiga administrativa infrastrukturen. Chefer beviljade dessa digitala verktyg öppen tillgång till företagsbudgetar och antog att tekniken kunde fungera självständigt.
Det var först när Amazon absorberade en svindlande förlust på 500 miljoner dollar under en enda månad som branschen insåg den sanna kostnaden för okontrollerad utrullning.
Denna kris har helt kastat om det centrala ekonomiska argumentet för teknisk automatisering. Mjukvaruexperter noterar att mänskliga arbetare för första gången i historien faktiskt är billigare än sina digitala ersättare. Företagens brådska att automatisera allt gav helt enkelt underpresterande personal beräkningsverktygen för att multiplicera sina misstag.
Att skala upp dålig prestation
Grundorsaken till dessa dyra misslyckanden ligger hos de mänskliga operatörerna snarare än den underliggande mjukvaruarkitekturen. Genom att ta bort traditionella begränsningar gav chefer i praktiken obegränsat antal anställda till personal som redan kämpade med grundläggande uppgifter. George Sivulka, vd för företagsstartupen Hebbia, varnade bryskt chefer för att denna dynamik innebar att de precis anställt en miljon dåliga medarbetare.
Sivulka uppskattar att endast en procent av den moderna arbetskraften vet hur man ger en algoritm rätt kontext. När genomsnittliga arbetare ger vaga instruktioner går mjukvaran in i en destruktiv cykel av kontinuerlig självkorrigering som kallas looping. Denna beteendeloop får språkmodeller att spendera stora mängder datorkraft på att försöka fixa sina egna logiska fel.
Arbetare delegerar effektivt komplexa uppgifter till mjukvara som saknar den specifika operativa kunskap som krävs för att utföra jobbet korrekt. Maskinerna bränner igenom dyra bearbetningstokens samtidigt som de producerar helt oanvändbara resultat. Att ge underpresterande anställda tillgång till obegränsade digitala agenter multiplicerar helt enkelt deras ineffektivitet över hela företagsstrukturen.
Det mänskliga rampljuset
Företag kämpar nu för att bygga interna ledningsskikt för att kontrollera sina massiva datorkostnader. Mjukvaruföretag implementerar strikta routingstrategier för att tilldela rutinuppgifter till billigare algoritmer samtidigt som de begränsar åtkomsten till dyra modeller. Tillverkningsjättar som Ford har redan börjat byta kurs genom att återanställa erfarna mänskliga ingenjörer för att övervaka dessa kämpande digitala system.
Att implementera dessa kontrollsystem kräver att institutionell kunskap utvinns direkt från den befintliga mänskliga arbetskraften. Ett nytt fenomen som kallas kontextlagring växer fram som en primär försvarstaktik bland erfaren personal. Anställda vägrar aktivt att lära system för artificiell intelligens de intrikata detaljerna i sina dagliga arbetsflöden av rädsla för sin anställningstrygghet.
Denna interna friktion utgör ett strukturellt hinder för företag som försöker rädda sina digitala investeringar. Arbetarna inser att de har ett betydande inflytande eftersom företagsledningen saknar den tekniska förmågan att driva algoritmerna effektivt. Det kommande årtiondets avgörande färdighet kommer att innebära att hantera den mänskliga kontext som krävs för att göra automatisering faktiskt lönsam.
