Der er efterhånden mange bøger om generativ kunstig intelligens (GenAI), der enten beskriver teknologien som en ny industriel revolution eller som en katastrofe, der bare venter på at indtræffe. De er blevet kaldt henholdsvis ´boosters´ eller ´doomers´, og er enige om, at teknologien vil få stor indflydelse på den eksisterende kultur.

Men det er sjældent, de forholder sig til, hvad teknologien betyder i praksis her og nu. Det er det hul, AI på arbejde – En guide til fremtidens intelligente arbejdsliv forsøger at fylde.

Bogens fokus er på den måde, man konkret kan bruge teknologien på i sit arbejdsliv. De sætter brugen af GenAI – ofte omtalt som ChatGPT – i forhold til det danske arbejdsmarked, hvor Den danske model er afgørende for de særlige betingelser, der for indførelsen af GenAI på danske arbejdspladser.

I indledningen beskriver forfatterne bogens tre nøgleperspektiver som “hvordan man bedst anvender generativ AI i sit arbejde, hvilket politiske rammer der eksisterer omkring brugen af generativ AI, og slutteligt hvordan teknologien kan integreres på organisatorisk plan” (s. 10). Men det er ikke umiddelbart disse perspektiver, der har givet anledning til bogens struktur, hvilket kan virke lidt underligt når man læser den. Bogen er i stedet delt op i to dele, som handler om henholdsvis forståelse af og brug af ChatGPT.

Forfatterne skelner mellem tre måder at anvende chatbots på: som aflastning, til sparring og som samarbejdspartner.

Den første handler om at få chatbotten til at gøre nemme, men tidskrævende opgaver. Det kan være at foreslå standardsvar på e-mails eller lave udkast til nyhedsbreve ved at trække på en række tilgængelige ressourcer. Det kan også være noter til eller referater af møder, hvor man hurtigt kan få lavet et udkast, som man så skal kvalitetssikre, inden det bliver delt med andre.

  Men især dette skridt med at huske, at være en kritisk læser af genererede udkast indeholder en potentiel fare. Hvis hele processen outsources til botten, så vil kvaliteten falde. Men når man er i gang med outsourcing, så kan det være fristende at sige, at det nok er godt nok. Konsekvensen af dette kan på sigt være et værditab.

“Når du bruger Chat GPT til sparring, så beder du den om at give tilbagemelding eller feedback på noget originalt arbejde, som du selv har udarbejdet” (s. 46). Også her er the human in the loop vigtig. Den sparring, man får genereret, skal anvendes til at uddybe brugerens egen tænkning. Der er således ikke nødvendigvis tale om, at der kan spares tid, når man bruger chatbots på denne måde. Men forhåbentligt bliver resultatet af sparringen, at produktet i sidste ende bliver bedre.

Når man bruger chatbotten som en egentlig samarbejdspartner, så udviskes rollerne lidt mellem menneske og maskine. I modsætning til sparring, hvor der er en klar arbejdsdeling, så bliver det mere mudret, når man arbejder tættere sammen.

Der kan her være tale om det, Ethan Mollick har kaldt co-intelligence. “Her bruger du den, lidt ligesom du ville bruge en god kollega, og samarbejder med robotten om at lave noget, der er mere kompliceret” (s. 47). Chatbotten bliver her brugt som en udvidelse af hjernen, så det øger den samlede kapacitet for opgaveløsning. "Du bliver hjulpet på vej, så du kan fokusere på det, du er god til, og maskinen kan bruge dine anvisninger til at hjælpe dig med at komme frem til pointerne hurtigere eller til at levere produktet hurtigt og præcist” (s. 47).

Som man kan fornemme på det sidste citat, så har forfatterne meget positive forventninger til, hvad GenAI kan, og lidt længere fremme nævner de også eksempler, som typer på en overdreven optimisme. Det gælder, når de skriver “hvorfor bruge tid eller penge på manuel oversættelse, hvis en computer kan gøre det hurtigere og bedre” (s. 49). og de hævder også, at noget tyder på, at man kan automatisere analyser af store mængder interviewdata.

I ingen af disse tilfælde, er der noget, der tyder på, at dette er tilfældet.

Kvalitetsoversættelser kræver stadig en ekspert med kulturel indsigt inden for to sprog. Problemet med maskinoversættelser er netop fraværet af forståelse for de sammenhænge, som oversættelser indgår i – både i forhold til, hvad der oversættes fra og til.

Analyser af kvalitative data foretaget med chatbots lider af, at chatbots ikke forstår sammenhænge, som en menneske researcher gør. Chatbots kan derfor heller ikke forstå betydning og mening, men behandler ord ud fra sandsynligheder ift. sammenhænge mellem dem. Så en chatbots “analyse” er faktisk ikke en analyse, selvom man har prøvet at begrænse dens autonomi ved at fodre den med udvalgte data og prompting med metoder.

Beskrivelsen af de tre måder, at arbejde med chatbots giver rigtig god mening, ligesom påpegningen af, at kvaliteten af det endelige produkt er brugeren. Man kan ikke henvise til en lav kvalitet ved at pege på botten. Det er brugeren, der står som afsenderen og den, der må tage det fulde ansvar for produktet.

“ChatGPT - governance, ledelse og etik” er titlen på et kapitel i bogen. Dette er viet til en beskrivelse af organisationers modenhed i forhold til medarbejdernes brug af chatbots. Her deler forfatterne graden af modenhed i tre:

1. Afprøvende og pragmatisk
2. Bevidst og reguleret
3. Strategisk og refleksiv (s. 61)

Kapitlet har gode beskrivelser af forskellene mellem disse niveauer, hvor der lægges vægt på governance og dermed den ledelsesopgave, der er tale om.

I den første fase er der ingen strukturerede regler og retningslinjer. Her er der tale om, at medarbejdere prøver sig frem på eget initiativ. Det vigtige på dette niveau er, at man begynder at tale om den brug, man gør af chatbots, hvilket kan bidrage til modning af organisationen.

Niveau 2 indtræder, når organisationen indser, “at GenAI ikke længere blot er et spændende eksperiment, men noget, der kræver bevidste valg og retningslinjer. I denne fase begynder GenAI at blive reguleret og integreret på en mere systematisk måde” (s. 67). Her bliver det også vigtigt at stille spørgsmål som, hvordan man sikrer kvaliteten af arbejde, der foretages med chatbots. Hvordan undgår man mulige ulemper, som jo eksempelvis kunne være kvaliteten af oversættelser af tekniske manualer, så at vise tilbage til en tidligere pointe.

På niveau 3 bliver GenAI et strategisk anliggende. “Det betyder, at den vigtigste kompetence på dette niveau ikke nødvendigvis er at kunne bruge GenAI, men at kunne forstå, hvordan teknologien påvirker de bredere strukturer, organisationen er en del af” (s. 72)

Bogens anden del er en praktisk guide, hvor det beskrives, og især hvordan man kommer i gang, og hvordan man bliver bedre til at prompte. Der er kun lidt om det, forfatterne kalder “ChatGPTs skyggesider”, der helt tydeligt ikke er det, forfatterne går mest op i. Men de peger på fire af sådanne skyggesider: klimabelastning, risiko for at miste den kritiske sans, bias i sprogmodeller og sikkerhedsrisici ved deling af data.

Bogens styrke er, at den placerer brugen af chatbots i en meget konkret sammenhæng i forhold til forskellige arbejdsfunktioner. Beskrivelserne af forskellige arbejdsformer med chatbots og opdelingen af organisationers modenhed i forhold til medarbejderes brug er nemme at tage og anvende direkte for forskellige virksomheder, der vil forholde sig aktivt til, hvordan GenAI vil påvirke deres organisation.

Bogens svaghed er, at de kritiske perspektiver ikke får selvstændig opmærksomhed, men mere nævnes lidt en passant.