Virksomhedens fremtid

Forfatternes bemærkning: Dette er det andet essay i vores serie om fremtidens økonomi, som er en del af en ny platform for uafhængige stemmer, der udforsker en fremtid med AGI. Det afspejler vores synspunkter, ikke OpenAI's eller vores kollegers.

Vi var begge 24 år, da vi begyndte at lede vores egne teams her hos OpenAI. Det er mindre imponerende, når man møder vores teams.

Vi burde være dem, der laver grovarbejdet. Som 24-årig står man nederst på karrierestigen. Man tager mødereferater og skriver et par notater. Efter flere års slidsomt rutinearbejde får man forhåbentlig et større ansvarsområde.

Vores vej – og mange andre unges vej i dag – ser anderledes ud. Vi træder ind på arbejdsmarkedet med »ansatte«, der allerede står til vores rådighed. Disse hjælpere arbejder dag og nat, i weekender og på helligdage. De er fremragende til grovarbejdet. Vi har endda guldvindere fra matematikolympiader på holdet til at rådgive os. Vores nye medarbejdere begår stadig en del fejl. Men de bliver bedre, lærer vores behov at kende, og vi lærer at lede dem.

Ingen af os har klatret op ad karrierestigen. Ledelsesansvaret er i stedet kommet ned på vores trin. Dette essay handler om vores forfremmelse og om andre måder, virksomheder kan omorganisere sig på, når vi træder ind i intelligensens tidsalder.

Hvor får AI sin plads, når den træder ind i virksomheden? Vi præsenterer tre illustrative scenarier:

Ingen af scenarierne vil udspille sig præcis som beskrevet, men vi tror, at dele af alle tre bliver til virkelighed. Alle tre er allerede i gang i det små.

Her fokuserer vi ikke på fuld automatisering, men på en økonomi i omstilling. Vi er optaget af, hvordan virksomheder med både mennesker og AI vil se ud, efterhånden som AI bliver bedre og væves ind i eksisterende organisationer.

Vi mener, at hybridvirksomheden er vigtig at forstå, fordi det tager tid at få produktivt udbytte af AI. Når modellerne kun kan udføre en del af opgaverne, er det måske lettest for medarbejdere på gulvet, som kender arbejdet, at tage dem i brug. Når modellerne kan varetage brede funktioner fra start til slut, kan ledelsen bruge dem direkte. Efter vores opfattelse er mere kapabel AI lettere at tage i brug: Virksomheder skal lære teknologier at kende, men arbejdskraft lærer virksomheden at kende og kan selv finde sig til rette.

Vi gennemgår de tre nye typer organisationsdiagrammer og undersøger derefter, hvad de betyder for bureaukrati, medarbejdernes handlefrihed, virksomhedsstørrelse og lønforskelle.

Vores første scenarie virker mindst omvæltende. Her bliver folk på deres pladser, refererer til de samme ledere og udfører tilsyneladende de samme job som før. Organisationsdiagrammet for mennesker ser uændret ud fra i dag til denne fremtid.

Forskellen ligger under os. Under hver medarbejder uden ledelsesansvar kommer en ny AI-arbejdsstyrke, der refererer til os hver især. Vores organisationsdiagram får en kælder, og vi bliver alle ledere.

I begyndelsen er kælderen ufærdig. Vi starter med en eller to agenter hver, som minder mindre om erfarne medarbejdere og mere om ivrige praktikanter, vi må holde øje med og være overbærende over for. Vores forventninger er lave: send en mail her, skriv et udkast til et notat der, besvar Slack-beskeder overalt. Ligesom nye menneskelige medarbejdere får de til at begynde med begrænset selvstændighed og tillid.

Men efterhånden som modellerne bliver bedre, påtager vores agenter sig flere opgaver med mindre opsyn. De koordinerer indbyrdes. Der kan være AI-ledere og AI'er til grovarbejdet, revisorer og jurister, som alle arbejder sammen på din foranledning. I stedet for at holde en praktikant i hånden står du til sidst med noget, der ligner en lille, selvstændig virksomhed med sit eget organisationsdiagram og dig som bestyrelse.

Bemærk, at dette scenarie ikke indebærer afskedigelser. Her tager vi AI i brug uden at automatisere os selv væk. I stedet automatiserer vi vores tidligere jeg og rykker op i hierarkiet. AI overtager mere og mere af det, vi før lavede. Vores job består, fordi der er mere at lede, og vi får ansvar for en større samlet produktion.

Job er ikke statiske⁠(åbner i et nyt vindue). Forestil dig, at AI kan udføre 90 procent af det, du lavede før. Du kunne konkludere, at du kun har ti procent af arbejdet tilbage. En anden mulighed er, at du stadig har et helt job, bare et andet – nu med fokus på et mål, der er ti gange større. Det er teknologiens klassiske gave: Produktiviteten stiger, ambitionerne følger med, og lønnen kan stige⁠(åbner i et nyt vindue) med ambitionerne.

Alt dette afhænger af, om vi stadig tilfører værdi⁠(åbner i et nyt vindue) til produktionen. Dette essay fokuserer på de kommende år, hvor automatisering endnu ikke kan alt eller er taget i brug overalt. Selv hvis AI kunne klare det hele, ville vi måske stadig sætte større pris på noget, fordi et menneske har skabt det, eller insistere på, at et menneske har det sidste ord.

Det afhænger også af vores appetit. Hvis vi som forbrugere ikke ønsker ti gange så stor produktion, vil ligevægten forskydes mod færre medarbejdere eller færre arbejdstimer. Historisk set har større produktion ikke mættet os. Vi har meget mere⁠(åbner i et nyt vindue), men arbejder kun lidt mindre⁠(åbner i et nyt vindue). Hvis vores appetit bliver ved med at vokse, når produktionen mangedobles – og vi fortsat bidrager til den – vil vi vælge fortsat at bytte vores arbejde for mere forbrug. Hvis produktionen i stedet bliver så rigelig, at vi bliver mætte, vil vi måske frivilligt vælge en mindre arbejdsstyrke.

Der er flere indvendinger, som vi diskuterer senere, for eksempel om vi får flere, mindre virksomheder. Vi mener stadig, at dette scenarie er vigtigt, fordi indførelsen skal begynde et sted. Virksomheder har brug for en stabil vej videre fra deres nuværende organisationsstrukturer. At styrke de nuværende medarbejderes arbejde kan være et lettere første skridt end en gennemgribende omstrukturering. Vi ser det ske i dag: Den ene medarbejder efter den anden uddelegerer til AI, indtil videre uden nogen organisatorisk revolution.

Dette scenarie forudsætter, at det er frontlinjen, der ansætter først. Medarbejderne på gulvet – ikke ledere og direktører – går forrest i at tage AI i brug. Det virker sandsynligt, så længe den, der bedst kan få AI til at udføre arbejdet, er den, der selv plejede at gøre det.

Modeller kan allerede automatisere mange opgaver inden for datavidenskab, men en afdelingsleder uden kendskab til metoderne og detaljerne vil have svært ved at udnytte værktøjerne. Indtil AI bliver proaktiv nok til at fortælle dig, hvad du ikke ved (se vores næste scenarie), vil den nok fungere bedst for dem, der allerede ved, hvordan arbejdet udføres.

Den største ændring i dette scenarie gælder medarbejdere i begynderstillinger. Der vil ikke længere være et nederste trin, i hvert fald ikke for mennesker. Når vi ansætter unge, vil det ikke være for at placere dem i virksomhedens bund med det slidsomme rutinearbejde. De stillinger vil være besat af noget, der ikke har noget imod det.

Dermed mister vi nogle traditionelle veje til at oplære unge medarbejdere: mesterlæren⁠(åbner i et nyt vindue), læringen gennem grovarbejde og det at gøre sig fortjent til sine striber. Det er reelle omkostninger, men vi ser det først og fremmest som et privilegium. Selv den mest uerfarne nyansatte med en god idé har ressourcer til at eksperimentere. Virksomhedens ældste undskyldning, vi har simpelthen ikke folk nok, er på vej ud. En ny medarbejder med et fantastisk computerspil i hovedet, men uden mulighed for at få folk til at bygge det, kan nu bare lave det selv.

Efter vores opfattelse har nye medarbejdere stadig meget at lære i dette scenarie med »forfremmelse«: dømmekraft, smag, lederevner og kreativ vision. Vi får et incitament til at udvikle disse færdigheder, fordi de viser sig i vores resultater. Vi vil stadig lære ved at gøre⁠(åbner i et nyt vindue), men med et større ansvarsområde. Virksomhedens erfarne kræfter vil stadig have et incitament til ansvarligt at hjælpe os på vej – med ejerandele, der giver dem del i vores succes. Muligheden her er en mere stimulerende rolle for alle på hvert trin. Enhver medarbejder kan vise sine talenter med et større ansvarsområde. Det betyder mest for nybegyndere, som slet ikke havde deres eget område før.

AI's anden vej ind i virksomheden går gennem det eksisterende organisationsdiagram. Her er agenterne ikke bundlaget, men kolleger. En traditionel leder giver en del af teamets arbejde til en model, ligesom hun ville uddelegere det til enhver anden medarbejder. AI placerer sig ved siden af mennesker, ikke kun under dem.

Den afgørende forskel fra det første scenarie er, at produktiv AI her tages i brug af eksisterende menneskelige ledere, ikke kun af medarbejdere uden ledelsesansvar. Det kræver, at den er kompetent nok til at være et fuldgyldigt teammedlem.

Mennesker er generalister. En hammer hjælper med én opgave; et menneske gør meget mere. AI's rejse fra værktøj til arbejdskraft spænder stadig bredere: først automatiseres opgaven, så jobbet, så et team og til sidst en virksomhed. Hvert skridt mod et større ansvarsområde kræver bredere kompetencer.

Et job er en kuffert fuld af mange opgaver. For et helt team er kufferten proppet med alle mulige forskellige slags arbejde. Flere opgaver i ansvarsområdet betyder flere mulige flaskehalse. Hvis bare én vigtig opgave i teamet involverer fysisk arbejde, kræver det et helt nyt sæt udstyr. For at kunne gå direkte ind og erstatte et helt team skal AI kunne håndtere alle dets forskelligartede ansvarsområder.

AI, der kan håndtere et større ansvarsområde, er sværere at bygge. Men for virksomheder – og det er den centrale asymmetri i hele omstillingen – er bredere kapacitet lettere at tage i brug.

En direktør kan direkte tage et fuldt automatiseret team eller en bred funktion i brug. Et værktøj med mere begrænsede evner kan ikke lige så let indføres oppefra. Det enklere værktøj kræver bred opbakning og omskoling blandt medarbejderne.

Nye teknologier gør det traditionelt billigere at udføre et afgrænset sæt opgaver. Derefter ligger byrden hos køberen. Virksomheden må finde ud af at udnytte det nye værktøj og skal omskole medarbejdere, omorganisere og omlægge sine processer⁠(åbner i et nyt vindue) omkring det. Regnearksprogrammer installerede ikke sig selv i regnskabsafdelingen – regnskabsafdelingen tilpassede sig programmerne.

Med arbejdskraft er det omvendt. En praktikant, en medarbejder og et godt team finder selv ud af, hvordan de kan være nyttige for dig. De stiller dig spørgsmål, sætter sig ind i din situation og opdager dine behov. De fortæller dig det, du ikke engang vidste, at du ikke vidste. Den bedste arbejdskraft kører sig selv ind.

Jo mere AI i denne forstand ligner arbejdskraft med initiativ og tilpasningsevne, desto mindre skal virksomheden lære at udnytte den, og desto mere finder den selv ud af at være nyttig for virksomheden. En direktør vil næppe sidde igennem et grundkursus i designsoftware for at lære et nyt værktøj. Men han vil gerne overveje et tilbud, der lyder sådan: Du skal bare sige til, så opbygger jeg hele din marketingfunktion.

Alt for ofte kalder vi automatiseringen af et job for det ultimative mål for AGI. Vi er ganske vist ikke engang nået dertil endnu. Job er så utroligt komplicerede, fordi vi er så imponerende dygtige. Alligevel kommer meget lidt⁠(åbner i et nyt vindue) af vores økonomis produktion fra folk, der arbejder helt alene. Produktive job bidrager til teams, teams bidrager til virksomheder, og virksomheder producerer næsten alt det, vi forbruger.

At bruge et »job« som målestok for AGI giver os mennesker for lidt anerkendelse. Arbejde handler ikke kun om opgaverne eller om at håndtere det, der ikke er rutine: Vores arbejde indebærer også en enestående koordinering og en fleksibilitet, der lader os bidrage med små dele af større resultater. At reducere os til samlinger af opgaver er at sælge os langt under vores værdi. Menneskets formåen ligger mere i vores organisationer⁠(åbner i et nyt vindue) end i den enkelte. En AGI, der skal indgå i økonomien, skal måle sig med mennesker, ikke et menneske.

Derfor kan scenariet med »indfletning« være ret ineffektivt, hvis AI stadig opfører sig som et værktøj eller en enkelt medarbejder frem for som et team eller en virksomhed. En model klemt ind ved siden af hver medarbejder betyder tusind grænseflader og overdragelser⁠(åbner i et nyt vindue). Denne stykvise indførelse kan bremse udbredelsen.

Vi ser et kapløb mellem tidlige, mindre kapable løsninger og senere, mere kapable modeller. Vinderen afhænger af, om fremtidige modeller kan tages i brug så meget hurtigere, at det opvejer den ekstra tid, det tager at udvikle de nødvendige evner.

Dette scenarie med »indfletning« kan eksistere side om side med det første scenarie om »forfremmelse«. Vi kan opleve, at virksomheder får færre menneskelige medarbejdere, når AI automatiserer bestemte funktioner, mens de tilbageværende får langt bredere ansvarsområder med støtte fra deres arbejdsstyrker af agenter. Det er vigtigt, at dette scenarie ikke i sig selv indebærer lavere samlet beskæftigelse for mennesker. Vi kan ende med flere virksomheder, som hver har færre ansatte.

Vores tredje scenarie er det mest overraskende. Her træder AI ind i virksomheden over mennesker. Hierarkiet er ikke længere mennesker over maskiner, men menneske, AI, menneske: en automatiseringssandwich. Nogle mennesker »refererer« til en AI.

Det lyder langt ude, især som udgangspunkt for virksomheders brug af AI. Men vi tror, at det allerede er begyndt i mindre radikale former.

Selv når vi ser AI som noget, der mekaniserer kognitivt arbejde, har vi en tendens til at fokusere på de nederste trin. Vi siger typisk, at AI automatiserer regneark og præsentationer, ikke ledelse. Vi forestiller os instinktivt, at automatiseringen kravler op gennem hierarkiet: først kognitivt grovarbejde og til sidst dømmekraft, med lederen som den sidste bastion.

Men en leders arbejde foregår i høj grad på en computer og i hovedet: læse, holde møder, afveje, bevare overblikket og træffe beslutninger. Der er værdi i fysisk tilstedeværelse, i at gå rundt på kontoret og være sammen med medarbejderne. Alligevel er det arbejdet på gulvet, selv når det overvejende er kognitivt, der har mere berøring med fysiske ting og redskaber end ledelsesarbejdet. Det er praktikanten, der bliver sendt hen til kopimaskinen, ikke hans chef.

Det er svært at lære en model at træffe ledelsesbeslutninger, fordi succes er tvetydig og måles over lange tidshorisonter. Af lignende grunde⁠(åbner i et nyt vindue) er det svært at uddanne gode menneskelige ledere. Vi ved endnu ikke, hvor gode modellerne er til ledelse. Vi har masser af evalueringer af udførelsesorienteret kognitivt arbejde, men få, der indfanger koordinering i stor skala på lederes og direktørers niveau.

Det er stadig værd at overveje, om nutidens modeller faktisk kan være tættere på menneskelige lederes evner end på medarbejdernes på gulvet. Nogle ledelsesfunktioner bliver måske automatiseret før det arbejde, de fører tilsyn med.

Måske er den fulde version af dette »mellemlagsscenarie« en AI, der står for tænkningen og udfylder hullerne i sine evner med menneskelige kontraktansatte, som refererer til den. Den verden virker ret fremmed for os. Meget ville skulle ændre sig.

Men der findes en mere naturlig udgave, og første akt er allerede i gang: rådgivning. I dag kan en direktør bede ChatGPT om at læse hundredvis af Slack-kanaler, dokumenter, skrivelser og kodefiler fra hele virksomheden og derefter besvare spørgsmål. Hvad laver dette team egentlig? Hvor viser den sårbarhed sig? Alle dele af organisationen bliver stadig lettere for hende at gennemskue⁠(åbner i et nyt vindue).

Direktører har længe flettet hyrede mellemmænd ind i organisationsdiagrammet – de kaldte det konsulentbistand. Et ledelseskonsulenthus lægger et ekstra lag ind over dig, kortvarigt og dyrt. Fremover kan AI-konsulenterne være forsvindende billige og altid til stede.

Modeller er kun lige begyndt at kunne fortolke virksomheders dokumenter og kommunikation pålideligt. Deres smag og initiativ skal modnes. Indtil videre hjælper ChatGPT en engageret direktør med at forstå sin organisation mere indgående. Vi forestiller os, at det med tiden bliver et konsulentteam, der dækker alle behov. Det bliver ikke en egentlig »leder« for medarbejdere længere nede i hierarkiet, men snarere en intern rapportør og rådgiver for direktionen. Det vil bruge forretningsmæssig ekspertise til at gennemgå alt, selv gøre opmærksom på problemer og hjælpe med at prioritere dem.

Om det er gavnligt eller skadeligt, afhænger af direktøren. Den strukturelle virkning er centralisering. Vi ser det som en forkortelse af afstanden mellem direktionen og resten af virksomheden. Det samler mere magt i toppen, hvor besværlig informationsudveksling tidligere talte for mere decentral beslutningstagning.

Vi finder scenariet vidtrækkende, ikke kun fordi det flytter autoritet, men også fordi AI som konsulentbistand kan være så let at tage i brug. Ligesom traditionel konsulentbistand kræver AI-konsulentteamet ikke teknisk indsigt hos direktøren. Det er ikke som computeren, der blev taget i brug nedefra af dem, der kunne skrive på tastatur og betjene en terminal. Du taler bare med din konsulent, som tager sig af det tekniske. Denne bølge af ny teknologi kan begynde på direktionsgangen. Konsulentteamet kan til gengæld fremskynde indførelsen af AI i resten af organisationen.

Én væsentlig grund til, at virksomheder nærer mistillid til fjernarbejde og eksterne kontraktansatte, er muligheden for at sikre, at aftaler overholdes. Virksomheder har aldrig haft en billig måde at følge arbejdets udførelse i alle de nuancer, det fortjener. Derfor måler de skuespillet⁠(åbner i et nyt vindue): antal klik, musebevægelser og grønne statusprikker – signaler, der siger meget lidt om, hvorvidt der faktisk bliver udført godt arbejde.

AI tilbyder en overvåger, der forstår. Den kan se på, hvad en person producerer, og genkende reelle fremskridt mod større mål. Som vi udforsker i næste afsnit, må ny overvågning aldrig indføres uden grundig omtanke⁠(åbner i et nyt vindue). Men under de rette omstændigheder kan den øge tilliden og tilskynde virksomheder til at give deres medarbejdere mere frihed.

Hvis overvågeren forstår de mange forskellige veje, der kan føre til gode resultater, kan medarbejderne i højere grad arbejde, som de vil. Fremskridt mod gode resultater vil betyde mere end én foreskrevet metode, som er let for cheferne at følge. En intelligent overvåger giver fleksibilitet og straffer den produktivitet for syns skyld, som vi alle afskyr.

Fordelen minder om tilbuddet fra forsikringsselskaber, der sænker din præmie, hvis du installerer en sporingsenhed i bilen. Hvis du prøvede at snyde systemet, går det ud over dig. Hvis du blot passede dit arbejde, kan overvågeren give dig oprejsning, og ledelsen får større tillid til dig.

Den tillid åbner nye muligheder. Vi kan se ny åbenhed⁠(åbner i et nyt vindue) hos virksomheder, der før var skeptiske over for hybridarbejde, utraditionelle hoveder, eksterne kontraktansatte eller ansættelse af dygtige mennesker i fjerne lande.

Medarbejdere nederst i hierarkiet har mange problemer med nutidens organisationsdiagram. Det er enormt demotiverende ikke at kunne få et problem, man selv oplever, bragt videre op i hierarkiet. Det er urimeligt at sidde fast under en uduelig leder eller at udføre fremragende arbejde, som ingen anerkender.

Vi ser den forrige bølge af hyperoptimering i virksomheder som bygget på begrænsede data, grove retningslinjer og uintelligente algoritmer. Hvis man kun kan behandle udvekslingsforhold, ligner alle et tandhjul. Virksomheder har længe haft svært ved at måle medarbejdernes indsats. En intelligent overvåger kan genkende værdifulde bidrag og unikke tilgange, som nutidens grove målinger overser.

Med afsæt i de tre forenklede scenarier undersøger vi nu nogle af de afgørende spørgsmål om virksomhedens fremtid.

Det er som regel ret dyrt at skabe noget. En app, en film, en præsentation, en funktion, en analyse: Alt sammen er dyrt, tidskrævende og besværligt at lave om. Når man reelt kun har ét skud, bruger man tid på at sigte. Planlægningsrunder, ritualiserede møder om køreplaner og godkendelsesudvalg skal alle sikre, at virksomheden satser på noget værdifuldt, når den endelig giver grønt lys. Mange af kontrollerne i vores hierarkier findes, fordi selve udførelsen var kostbar.

På mange områder sænker AI omkostningerne ved at skabe noget drastisk – i det mindste frem til prototypen, om ikke helt til det færdige resultat. Vi mener, at virksomhedens tilgang bør ændre sig tilsvarende: Sigt mindre, skyd mere. En virksomhed kan bygge en prototype, observere, lære hurtigt, skifte retning og bygge den igen. Nem udvikling af prototyper⁠(åbner i et nyt vindue) bør gradvist føre virksomheder væk fra de strukturer, der understøtter planlægningstung produktion.

Den enkleste version er et team, der hurtigere afprøver og forbedrer sine løsninger. I en mere radikal fortolkning sættes der spørgsmålstegn ved selve teamet. Hvis fælles planlægning betyder mindre, og forskelligartede, uafhængige idéer betyder mere, er det så bedst med ét team, der hurtigt afprøver og forbedrer, eller mange enkeltpersoner, som hver kommer med deres egne fungerende prototyper? Hvis en konkret prototype formidler en vision bedre end noget projektdokument, vil vores kommunikationsnormer så ændre sig, så vi deler mere og tidligere – og deler konkrete resultater frem for notater?

Billig udvikling kan flytte tyngdepunktet i virksomheden mod den enkelte. Det vil betyde færre lag af mellemledere og mindre behov for at bede om lov, fordi det før var billigere at spørge end at gøre – og nu er det ikke længere sådan.

Når det er sagt, kan den samme teknologi, der gør det muligt for enkeltpersoner at lave prototyper med mindre risiko, også håndhæve endnu mere bureaukrati, som vi diskuterer nu.

En væsentlig grund til, at virksomheder styres ovenfra, er troen på, at direktører træffer bedre forretningsmæssige beslutninger⁠(åbner i et nyt vindue) end mindre erfarne medarbejdere. Virksomheder betaler mere for meget kompetente, erfarne folk i toppen, og ledere er ofte uddannet i forretningsstrategi, mens medarbejdere uden ledelsesansvar er specialister inden for deres fag. Hvis AI giver alle medarbejdere fremragende råd, bliver forskellen i beslutningernes kvalitet mindre. Der vil være mindre grund til, at ledere blander sig. Det vil øge medarbejdernes selvbestemmelse og måske reducere antallet af ledelseslag.

Tilsvarende sikrer »AI-konsulentteamet«, at intet med for store konsekvenser sker, uden at en direktør bliver orienteret. Hvis en medarbejder er ved at udgive et blogindlæg med alvorlige konsekvenser for virksomheden, vil konsulentteamet selv gøre direktøren opmærksom på det. Det skaber tillid: Ledelsen behøver ikke frygte, at der sker store fejl, uden at den opdager det, og behøver derfor ikke holde medarbejderne i så kort snor⁠(åbner i et nyt vindue), når de udfører deres arbejde.

Men AI-konsulentteamet er et tveægget sværd⁠(åbner i et nyt vindue). Som intelligent overvåger kan det skabe større tillid til medarbejderne. Men det kan også håndhæve direktørens foretrukne arbejdsmetoder mere konsekvent i hele organisationen. Virksomheder værdsætter sammenhæng⁠(åbner i et nyt vindue): ikke bare en god beslutning, men en beslutning, der passer til virksomhedens kultur, brand og stordriftsfordele. En restaurantkæde foretrækker måske et fælles menukort hos alle franchisetagere, så råvarer kan købes ind i store mængder, og kunderne kan forvente et ensartet produkt.

I samme tråd stemmer chefernes incitamenter ikke altid overens med medarbejdernes. Medarbejdere optimerer efter succes på deres eget område⁠(åbner i et nyt vindue), mens direktører ser på virksomheden som helhed. Ejere har andre præferencer end lønmodtagere, fordi de høster gevinsten⁠(åbner i et nyt vindue) af en større arbejdsindsats. Konsulentteamet kan håndhæve en strengere overholdelse af bestemte procedurer, som er fastlagt fra toppen.

Samlet set mener vi, at medarbejderne vil få større handlefrihed. Vores optimisme bygger på, at virksomheder vil bruge AI til at gøre opmærksom på væsentlige undtagelser, mens flere beslutninger overlades til medarbejderne.

Vi tror, at AI vil fungere som en støttestruktur: Selv hvis ledelsen vil bevare et sammenhængende brand, vil det blot være en ramme, man arbejder inden for. Medarbejderne får bedre indsigt i de forretningsmæssige begrænsninger og større tryghed til at være kreative på de områder, der ikke er begrænset. Når ledelsen har styr på risiciene, kan den lade medarbejderne afprøve nye tilgange, der potentielt kan være indbringende. Med støtte fra AI-hjælpere under os får vi som medarbejdere også ansvar for større resultater. Vi ser flere muligheder for kreativitet, når man leder mere komplekst arbejde.

Den samme logik om medarbejdernes selvbestemmelse gælder også for virksomhedens størrelse. Ronald Coase⁠(åbner i et nyt vindue) spurgte, hvorfor vi organiserer produktion i virksomheder frem for gennem et net af kontrakter. Selv et fly kunne bygges udelukkende gennem direkte aftaler mellem parter, men det ville være meget ineffektivt. Virksomheder skaber stordriftsfordele, ensretter incitamenter, organiserer store projekter og fjerner behovet for konstant forhandling.

Ved at lette kommunikationen kan AI give grundlag for både større og mindre virksomheder. Den klassiske virksomhed er en infrastruktur, der sender information opad og instrukser nedad, med masser af friktion og budskaber, der forvanskes undervejs. En større virksomhed med flere menneskelige medarbejdere er mindre tung at styre, hvis AI fungerer som et koordinerende lag. Med »AI-konsulentteamet« kan en direktør kende sin virksomhed, som en stifter kender en startup med tyve ansatte. Hun kan følge gennemførelsen af et initiativ i stedet for at vente på kvartalsrapporten og få besked, hvis der sker noget. Hendes vision kan gennemsyre virksomheden bredere. Alle ved mere om, hvad de andre laver, og om organisationens overordnede prioriteter.

Det kan også gå den modsatte vej. Hvis kommunikationen er gnidningsfri, og det er lettere at kontrollere, om aftaler overholdes, behøver en virksomhed ikke at have så meget af sin forsyningskæde internt. Virksomheden kan have større tillid til eksterne leverandører og samarbejdspartnere.

Et vigtigt motiv for vertikal integration er at ensrette incitamenterne. Der findes et begreb om ufuldstændige kontrakter⁠(åbner i et nyt vindue): En flyproducent kan indgå en kontrakt med en producent af jetmotorer, men for alt det, kontrakten ikke udtrykkeligt kræver, har motorproducenten et incitament til at spare og pleje sin egen bundlinje. For at undgå det køber flyproducenten jetmotorproducenten. Ligesom med medarbejdere og chefer: Hvis det er lettere at følge op på kontrakter og afgøre tvister intelligent frem for at sætte krydser i felter, kan virksomheder blive mere trygge ved at bruge andre virksomheder. Der vil være færre grunde til at gøre alt internt.

Vi forventer mange mindre virksomheder, men også vidtforgrenede AI-»holdingselskaber«, hvor et væld af forskellige projekter gennemføres i én virksomhed. Konglomeratet er økonomisk fordelagtigt, når alle de forskellige projekter udnytter et fælles aktiv. Dette fælles aktiv kan være computerkraft, men computerkraft kan nemt skaffes i små mængder efter behov. En fælles fabrik eller robotflåde er en bedre begrundelse.

Det store »holdingselskab« kan også begrundes med ensrettede incitamenter. Hvis en stor organisation af AI'er og kapital er helt dedikeret til en fælles mission – for eksempel at helbrede kræft – er der mindre behov for separate, mindre initiativer. En AI-virksomhed kan undgå magtkampe, dele al information og efter behov skabe kreativ mangfoldighed blandt sine agenter, så forskellige veje bliver udforsket.

Det nuværende system skal belønne medarbejdere, der skiller sig positivt ud. De stiger i graderne og får højere løn. Men hvordan skal medarbejdere skille sig ud i en verden, hvor modeller er fremragende rådgivere?

Hvis AI giver alle den samme gode idé, har vi færre muligheder for at skille os ud. Lønspredningen burde blive mindre.

Det, der taler imod denne udjævning, er dømmekraft, smag og ansvarsområdets omfang. Hvis vi hver især leder AI-virksomheder under os, ligger den tilbageværende menneskelige værdi i vores beslutninger. Hvis hver person har ansvar for en større indsats under sig, får forskellen større betydning⁠(åbner i et nyt vindue) mellem god og dårlig dømmekraft.

Vi har længe anvendt denne logik øverst i organisationsdiagrammet. Vi begrunder topdirektørers løn⁠(åbner i et nyt vindue) med, at bare lidt bedre beslutninger i toppen kan have enorm betydning for bundlinjen. Lønuligheden kan vokse, hvis nogle medarbejdere er bedre til at lede AI-virksomhederne under sig, så de udnytter knappe ressourcer.

Jo mere der er på spil, desto mere vil et lille forspring i forhold til andre kunne ses på din lønseddel. På den anden side vil AI give gode råd til alle. Færre forskelle mellem medarbejderne mindsker lønspredningen.

Her som andre steder vil den dominerende kraft måske afhænge af, om vi primært selv udøver dømmekraft eller følger andres.