Hvad tænker du om rutinearbejde?

Spørgsmålet er måske nok banalt, for hvem i alverden kan tænke andet om rutinearbejde end, at det er spild af god tid, der kunne være brugt til noget bedre?

Rutinearbejde er alt det, vi foretager os professionelt, men som hverken udfordrer os eller giver os oplevelsen af værdi. Men mange rutineopgaver giver samtidig indsigt i detaljer om noget, som man kun kan få, hvis man laver det møjsommelige, men kedelige og lidet udfordrende arbejde. Det er noget, man ofte glemmer, når man taler om at få robotter til at overtage rutinearbejde. Der kan være skjulte gevinster ved det, som man mister med automatisering.

Det er i hvert fald ikke det, Jonathan Løw har på sin dagsorden i bogen Agentbogen. Fra hype til handling, som kan ses som et indlæg for at outsource rutineopgaver til AI-agenter.

Formålet med bogen er at give en fremstilling af teknologien og de muligheder, det kan give at udvikle og implementere AI-agenter i arbejdsflowet for offentlige eller private organisationer. Bogen vil også give et kritisk blik på teknologien, men det er bestemt ikke her, bogen har sit fokus. Endelig vil bogen også lade en række “gæster” komme til orde. De ca. 45 gæsteskribenter er alle en del af det store netværk, Løw har fået som iværksætter, konsulent og rådgiver for virksomheder, der vil udnytte de fordele, som AI og AI-agenter kan give.

Løw skelner mellem AI-agenter og de relativt simple AI-assistenter (tilpassede GPT’ere), man let selv kan sætte op i eksempelvis Copilot eller ChatGPT, hvor man bestemmer, hvordan man gerne vil have genereret output og som man også kan knytte egne vidensressourcer til. Det er kun de førstnævnte, han beskæftiger sig med i bogen.

“En kunstig intelligens (AI)-agent refererer til et system eller program, der autonomt kan udføre opgaver på vegne af en bruger eller et andet system ved at designe sin egen arbejdsgang og udnytte tilgængelige værktøjer” (s. 11). AI-agenter har altså en relativ selvstændighed, når de først er aktiveret. Man kan få dem til at udføre handlinger, der har effekter på andre systemer som eksempelvis at klikke rundt på din computer, handle på dine vegne, autogenerere rapporter ved at søge bestemte nyheder på nettet eller andet. Men den store gevinst ved AI-agenter er, at de kan automatisere mere rutineprægede opgaver og opgaver, man kan sætte klare regler op for.

En AI-agent er bygget op med tre lag. For det første skal brugeren instruere den om, hvordan den skal agere. Der er her tale om en systemprompt, der angiver regler og betingelser for, hvordan agenten skal udføre af opgaver. Det næste lag kaldes “orkestreringslag” og angiver agentens workflow. Det sidste lag anviser de værktøjer, agenten kan anvende eller aktivere. Det kan også være adgang til data og informationer, som kan indgå i workflowet.

Løw præsenterer også en guide i 7 trin til virksomheder, der gerne vil bygge og implementere AI-agenter. Først og fremmest skal man vide, hvorfor man har brug for at anvende agenter, og hvad man vil anvende dem til. Så skal man finde ud af, hvilke typer af agenter, der kan indløse formålet. Er det agenter, der skal automatisere processer, støtte beslutningsprocesser eller skal det være mere autonome agenter, som at optimere energiforbrug? Man skal også vælge de værktøjer, agenten skal benytte sig af.

Inden man går all in på agenter, anbefaler Løw, at man laver et pilotprojekt og tester resultatet. De to næste trin består af at integrere agenterne med de systemer, der allerede bruges, og at overvåge og optimere agenterne. Endelig som det sidste trin skal man skabe en såkaldt “AI-venlig kultur i organisationen”.

Der er betydelige effektiviseringsgevinster med den rette anvendelse af AI-agenter. Og det lægger op til, at der bliver frigjort ressourcer, der så kan tage sig af andre og mere komplekse opgaver. Man kan måske også erstatte en række eksterne konsulenter, hvis man får agenterne sat fornuftigt op. Men for Løw betyder det ikke, at der er medarbejdere, der skal fyres. “AI skal supplere, ikke erstatte, menneskelige medarbejdere” siger han blandt andet (s.60). Men samtidig kan agenterne betyde, at der ikke skal ansættes ekstra medarbejdere. Hvorfor det er vigtigt for Løw at sige, at det ikke kan eller bør betyde fyringer, hvis arbejdsopgaver automatiseres, forekommer en anelse besynderligt, når han så tydeligt viser, at det handler om effektiviseringer.

Han går også op i, at man kan vise, hvilken ROI (return of investment), der kan være tale om. Denne gevinst ved en investering kan komme mange steder fra. Men det er da helt oplagt at se på udgifter til personale. Det ser ud til, at Løw her bliver fanget i, at han gerne vil være medarbejdernes stemme, hvilket også ligger i hans konsulenttilgang. Men det undermineres af, at han gerne vil tale effektiviseringens sprog. Det virker ikke særlig troværdigt, når han både vil sige arbejdskraftsbesparende teknologi og ingen konsekvenser for antallet af medarbejdere.

Der er andre tilsyneladende selvmodsigelser på spil i bogen. Han skriver fint og kritisk om, hvordan kunstig intelligens virker: “Selvom AI-modeller generelt er dygtige til at generere svar, kan de stadig misforstå komplekse kontekster eller nuancer i sprog” (s. 71) og “En AI agent ligner således noget, der er intelligent, men den er på intet tidspunkt andet end uforstående algoritmer uden reel indsigt” (s. 35). Samtidig holder han fremskridtsoptimistisk fast i, at man roligt kan stole på disse, når han fremhæver, at der “er sket væsentligt gennembrud i de avancerede sprogmodeller, så de kan ræsonnere, opsummere og udføre komplekse arbejdsgange” (s. 83) Men agenter kan ikke ræsonnere, forstå, tænke eller tilsvarende. Selvom Løw selv siger, at den måde at tale på skal forstå metaforisk, ser det også ud til, at han glemmer det – som om hans reservationer eller kritiske bemærkninger mere er med for syns skyld.

Det ser man også i hans diskussion af AI-agenter til rekruttering. Han ved godt, at træningsdata kan være med til at skævvride rekruttering, men anbefaler dem alligevel. Han hævder endda, at rekrutteringsagenter kan eliminere bias og være mere objektive, selvom anden litteratur på området har vist, at rekrutteringsagenter har en tendens til at frasortere egnede kandidater ud fra kriterier, som kan være vanskelige eller umulige at få øje på som mennesker. Dette hænger sammen med, at store sprogmodeller og mønstergenkendelse ved hjælp af machine learning ikke er forståelige ud fra menneskelig kognition.

En virkelig skævert er det, når Løw skriver, at “AI-agenter bør følge GDPR-regler, især hvis de behandler personfølsomme oplysninger” (s. 60). Nej, det bør de ikke – det er ikke op til en etisk eller anden vurdering. Det er jura. Den, der sætter en agent op, som ikke følger GDPR og ikke behandler personfølsomme oplysninger forsvarligt, bryder loven. Så det er en underlig relativering af det ansvar, der følger med at lade agenter være delvist autonome. Og det er brugeren eller virksomheden, der må påtage sig det fulde juridiske og etiske ansvar for de handlinger, de har automatiseret med en agent.

Bogen om AI-agenter vil gerne være mere handling end hype, men det forhindrer ikke bogen i også at bidrage til hypen om automatiseringens velsignelser. Bogen er samtidig også tæt på virkelighedens virksomheder, som Løw som konsulent og rådgiver har været meget tæt på. Og det er dens styrke. Men den er også meget ujævn i prioriteringen af stoffet. Og teksten forekommer i lange stræk underlig generisk, hvor vi er tæt på detaljer, der alligevel ikke rigtig står tydeligt. Det er som om fremstillingen mangler materialitet.

Løw afslutter sin bog med at betegne AI-agenter som en licenseret problemløser, men han glemmer lidt for ofte, at denne licens er givet på et meget løst grundlag. Det er ikke en statsgaranteret licens – og man kan ikke regne med samme effektivitet som hos James Bond, som Løw har hentet betegnelsen fra.