Bedriftens fremtid

Forfatternes merknad: Dette er det andre essayet i serien vår om den neste økonomien, som inngår i en ny plattform for uavhengige stemmer som utforsker en fremtid med AGI. Det gjenspeiler våre synspunkter, ikke synspunktene til OpenAI eller kollegene våre.

Vi var begge tjuefire da vi begynte å lede våre egne team her i OpenAI. Det høres mindre imponerende ut når du møter teamene våre.

Det er jo vi som skal gjøre grovarbeidet. Som tjuefireåring står du nederst på karrierestigen. Du skriver møtereferater og noen notater. Etter flere år med rutinearbeid får du (forhåpentligvis) et større ansvarsområde.

Vår vei – og veien til mange unge i dag – ser annerledes ut. Vi går inn i arbeidslivet med «ansatte» som allerede står til vår disposisjon. Disse medhjelperne jobber dag og natt, i helger og på helligdager. De er flinke til grovarbeidet. Vi har til og med gullmedaljevinnere fra matematikkolympiaden i staben til å gi oss råd. De nye medarbeiderne våre gjør fortsatt sin del av feilene. Men de blir bedre og lærer seg behovene våre, og vi lærer å lede dem.

Ingen av oss klatret opp karrierestigen. Lederansvaret kom i stedet ned til vårt trinn. Dette essayet handler om forfremmelsen vår og andre måter bedrifter kan omorganisere seg på når vi går inn i intelligensens tidsalder.

Når AI kommer inn i bedriften, hvor får den plass? Vi presenterer tre illustrerende scenarioer:

Ingen av disse scenarioene vil utspille seg nøyaktig slik vi beskriver, men vi tror deler av alle tre vil bli virkelighet. Alle tre er allerede i ferd med å skje, om enn i det små.

Her er vi ikke opptatt av full automatisering, men av en økonomi i omstilling. Vi er interessert i hvordan hybride bedrifter vil se ut etter hvert som AI blir bedre og veves inn i eksisterende organisasjoner.

Vi mener den hybride bedriften er et viktig begrep, fordi det tar tid å ta i bruk AI på en produktiv måte. Når modellene bare kan utføre noen av oppgavene, er det kanskje lettest for ansatte på grunnplanet som kjenner arbeidet, å ta dem i bruk. Når modellene kan ivareta brede funksjoner fra start til slutt, kan ledere høyere opp bruke dem direkte. Slik vi ser det, er mer kapabel AI lettere å ta i bruk: Bedrifter må lære seg teknologi, men arbeidskraft lærer bedriften å kjenne og kan selv finne seg til rette.

Vi skal gå gjennom de tre nye typene organisasjonskart og deretter undersøke hva de betyr for fremtidens byråkrati, ansattes handlingsrom, bedriftsstørrelse og lønnsforskjeller.

Det første scenarioet vårt virker minst omveltende. Her blir folk i de samme stillingene med de samme rapporteringslinjene og tilsynelatende de samme jobbene som før. Organisasjonskartet for menneskene ser uendret ut fra i dag til denne fremtiden.

Forskjellen ligger under oss. Under hver medarbeider uten lederansvar kommer en ny AI-arbeidsstyrke som rapporterer til hver enkelt av oss. Organisasjonskartet vårt får en kjeller, og vi blir alle ledere.

Til å begynne med er kjelleren uferdig. Vi starter med én eller to agenter hver, ikke så mye som erfarne ansatte, men som ivrige praktikanter vi må følge opp og være rause med. Forventningene er lave: send en e-post her, skriv et utkast til et notat der, svar på Slack-meldinger overalt. Som uerfarne menneskelige ansatte begynner de med lite selvstendighet og tillit.

Men etter hvert som modellene blir bedre, tar agentene våre på seg flere oppgaver med mindre oppfølging. De samordner seg med hverandre. Det kan være AI-ledere og AI-grovarbeidere, regnskapsførere og jurister som alle jobber sammen på ditt oppdrag. Langt fra å måtte leie en praktikant ved hånden, ender du opp med noe som ligner en liten, selvstendig bedrift, med eget organisasjonskart og deg som styre.

Legg merke til at dette scenarioet ikke innebærer oppsigelser. Her tar vi i bruk AI uten å automatisere oss selv bort. I stedet automatiserer vi våre tidligere roller og rykker opp i hierarkiet. AI tar over stadig mer av det vi pleide å gjøre. Jobbene våre består fordi det er mer å lede, og vi får ansvar for en større samlet produksjon.

Jobber er ikke statiske⁠(åpnes i et nytt vindu). Tenk deg at AI kan gjøre nitti prosent av det du gjorde før. Du kan da konkludere med at du bare har ti prosent av arbeidet igjen. Den andre muligheten er at du fortsatt har en full jobb, bare en annen – nå rettet mot et mål som er ti ganger større. Det er teknologiens klassiske gave: Produktiviteten øker, ambisjonene vokser i takt, og lønningene kan stige⁠(åpnes i et nytt vindu) med ambisjonene.

Alt dette avhenger av om vi fortsatt tilfører verdi⁠(åpnes i et nytt vindu) til produksjonen. Dette essayet handler om de kommende årene, der automatisering ennå ikke kan gjøre alt eller er tatt i bruk overalt. Selv om AI kunne gjøre alt, ville vi kanskje fortsatt verdsette noe høyere fordi et menneske laget det, eller insistere på at et menneske har siste ord.

Det avhenger også av appetitten vår. Hvis vi som forbrukere ikke ønsker ti ganger så stor produksjon, vil likevekten forskyves mot færre ansatte eller færre arbeidstimer. Historisk har økt produksjon ikke mettet oss. Vi har mye mer⁠(åpnes i et nytt vindu), men jobber bare litt mindre⁠(åpnes i et nytt vindu). Hvis appetitten vår fortsetter å vokse når produksjonen mangedobles – og vi fortsatt tilfører produksjonen noe – vil vi velge å fortsette å bytte arbeidsinnsats mot mer forbruk. Hvis produksjonen i stedet blir så stor at vi er mette, kan vi frivillig velge en mindre arbeidsstyrke.

Det finnes flere innvendinger som vi diskuterer senere, for eksempel om vi vil få flere, men mindre bedrifter. Vi mener likevel at dette scenarioet er viktig, fordi innføringen må begynne et sted. Bedrifter trenger en måte å utvikle seg stabilt fra dagens organisasjonsstrukturer på. Å styrke arbeidet til eksisterende ansatte kan være et enklere første steg enn en fullstendig omorganisering. Vi ser dette i praksis i dag: Én ansatt etter den andre delegerer til AI, foreløpig uten noen organisasjonsrevolusjon.

Dette scenarioet forutsetter at det er de på grunnplanet som ansetter først. Ansatte på grunnplanet – ikke ledere og toppledere – går foran i å ta i bruk AI. Det virker sannsynlig så lenge den som best kan få AI til å gjøre arbeidet, er den som pleide å gjøre det selv.

Modeller kan allerede automatisere mange oppgaver innen datavitenskap, men en avdelingsleder som ikke kjenner metodene og detaljene, vil slite med å utnytte verktøyene. Inntil AI blir initiativrik nok til å fortelle deg det du ikke vet (se neste scenario), vil den sannsynligvis fungere best for dem som allerede vet hvordan arbeidet gjøres.

Den største endringen i dette scenarioet gjelder dem som er nye i arbeidslivet. Det ville ikke lenger finnes et nederste trinn, i hvert fall ikke for mennesker. Når vi ansetter unge, vil det ikke være for å plassere dem nederst i bedriften med slitsomt rutinearbeid. De stillingene vil bli fylt av noe som ikke har noe imot det.

Dermed mister vi noen tradisjonelle måter å lære opp unge ansatte på: læretiden⁠(åpnes i et nytt vindu), læringen gjennom grovarbeid og det å jobbe seg opp. Dette er reelle kostnader, men vi ser det først og fremst som et privilegium. Selv den ferskeste nyansatte med en god idé har ressurser til å eksperimentere. Den eldste unnskyldningen på huset, vi har rett og slett ikke nok folk, er i ferd med å dø ut. En fersk ansatt som har et flott dataspill i hodet, men ingen mulighet til å få folk til å lage det, kan nå bare bygge det selv.

Slik vi ser det, har dette «forfremmelsesscenarioet» fortsatt mye å lære nye ansatte: dømmekraft, smak, lederferdigheter og kreativ visjon. Vi vil ha insentiver til å utvikle disse ferdighetene fordi de gjenspeiles i resultatene av arbeidet vårt. Vi vil fortsatt lære ved å gjøre⁠(åpnes i et nytt vindu), men med et større ansvarsområde. Bedriftens veteraner vil fortsatt ha insentiver til å hjelpe oss som ansvarlige forvaltere (med eierandeler som gir dem del i suksessen vår). Muligheten her er en mer stimulerende rolle for alle, på alle trinn. Alle ansatte kan vise frem talentene sine med et større ansvarsområde, noe som betyr mest for nyansatte som ikke hadde noe eget ansvar i det hele tatt.

Den andre veien AI kan ta inn i bedriften, går gjennom det eksisterende organisasjonskartet. Her er agentene ikke bunnsjiktet, men kolleger. En tradisjonell leder gir en del av teamets arbeid til en modell, slik hun ville delegert til enhver annen ansatt. AI får plass ved siden av mennesker, ikke bare under dem.

Den viktigste forskjellen fra det første scenarioet: Her tas produktiv AI i bruk av eksisterende menneskelige ledere, ikke bare av dagens medarbeidere uten lederansvar. For at det skal skje, må AI være kompetent nok til å være et fullverdig teammedlem.

Mennesker er generalister. En hammer hjelper med én oppgave; et menneske gjør langt mer. AI-ens reise fra verktøy til arbeidskraft innebærer et stadig større virkeområde: først automatiseres oppgaven, så jobben, deretter et team og til slutt en bedrift. Hvert steg mot større omfang krever bredere kompetanse.

En jobb er en koffert full av mange oppgaver. For et helt team er kofferten stappfull av alle slags ulike typer arbeid. Flere oppgaver i ansvarsområdet betyr flere mulige flaskehalser. Hvis bare én nødvendig oppgave i teamet innebærer fysisk arbeid, kreves et helt nytt sett med tilleggsutstyr. For å kunne erstatte et helt team direkte må AI mestre alle de ulike ansvarsområdene teamet har.

AI som kan håndtere et større ansvarsområde, er vanskeligere å utvikle. Men for bedrifter – og dette er den sentrale asymmetrien i hele omstillingen – er AI med et større ansvarsområde lettere å ta i bruk.

Et fullt automatisert team eller en bred funksjon kan tas i bruk direkte av en toppleder. Et verktøy med mer begrensede evner kan ikke like enkelt innføres ovenfra. Det enklere verktøyet krever bred oppslutning og opplæring blant de ansatte.

Ny teknologi gjør tradisjonelt et avgrenset sett med oppgaver billigere å utføre. Deretter flyttes ansvaret over på kjøperen. Bedriften må finne ut hvordan den skal dra nytte av det nye verktøyet, og må lære opp ansatte, omorganisere og bygge om prosessene sine⁠(åpnes i et nytt vindu) rundt det. Regnearkprogrammet innførte ikke seg selv i regnskapsavdelingen – regnskapsavdelingen omformet seg rundt programmet.

Med arbeidskraft er det omvendt. En praktikant, en ansatt og et godt team finner ut hvordan de kan være nyttige for deg. De stiller deg spørsmål, setter seg inn i situasjonen din og legger merke til behovene dine. De forteller deg det du ikke engang visste at du ikke visste. De beste medarbeiderne setter seg selv inn i jobben.

Jo mer AI blir som arbeidskraft i denne forstand, med initiativ og tilpasningsevne, desto mindre må bedriften lære om hvordan den skal utnytte AI, og desto mer finner AI selv ut hvordan den kan være nyttig for bedriften. En toppleder vil neppe sette seg gjennom et innføringskurs i designprogramvare for å lære et nytt verktøy. Men han vil gjerne vurdere et tilbud som lyder: Bare si fra, så setter jeg opp hele markedsføringsfunksjonen din.

Altfor ofte omtaler vi automatisering av en jobb som det ultimate målet for AGI. Riktignok har vi ikke engang nådd dit ennå. Jobber er så utrolig kompliserte fordi vi er så imponerende dyktige. Likevel kommer svært lite⁠(åpnes i et nytt vindu) av produksjonen i økonomien vår fra folk som jobber helt på egen hånd. Produktive jobber bidrar til team, team bidrar til bedrifter, og bedrifter produserer nesten alt vi forbruker.

Å bruke «en jobb» som målestokk for AGI gir ikke oss mennesker nok anerkjennelse. Arbeid handler ikke bare om oppgavene, eller engang om å håndtere det som faller utenfor rutinene. Arbeidet vårt handler også om enestående koordinering, om vår evne til å tilpasse oss og utføre små deler av større helheter. Å redusere oss til samlinger av oppgaver er å selge oss altfor billig. Menneskets kapasitet ligger mer i organisasjonene våre⁠(åpnes i et nytt vindu) enn i individet. En AGI for økonomien må nå nivået til mennesker i fellesskap, ikke ett menneske.

Dermed kan «innvevingsscenarioet» bli ganske ineffektivt hvis AI fortsatt fungerer som et verktøy eller én ansatt, snarere enn som et team eller en bedrift. En modell klemt inn ved siden av hver ansatt betyr tusen grenseflater og overleveringer⁠(åpnes i et nytt vindu). Denne stykkevise løsningen kan bremse innføringen.

Vi ser et kappløp mellom tidlige, mindre kapable løsninger og senere, mer kapable modeller. Hvem som vinner, avhenger av om fremtidige modeller tas i bruk så mye raskere at det veier opp for den ekstra tiden det tar å utvikle disse evnene.

Dette «innvevingsscenarioet» kan eksistere side om side med det første «forfremmelsesscenarioet». Vi kan få bedrifter som reduserer antallet menneskelige ansatte når AI automatiserer visse funksjoner, mens menneskene som blir igjen, får langt bredere mandater med støtte fra sine agentarbeidsstyrker. Det er viktig å understreke at dette scenarioet i seg selv ikke innebærer lavere samlet sysselsetting for mennesker. Vi kan ende opp med flere bedrifter, hver med færre ansatte.

Det tredje scenarioet vårt er det mest overraskende. Her kommer AI inn i bedriften over mennesker. Hierarkiet er ikke lenger mennesker over maskiner, men menneske, AI, menneske: en automatiseringssandwich. Noen mennesker «rapporterer» til en AI.

Det høres søkt ut, særlig som et utgangspunkt for bedrifters bruk av AI. Men vi tror at dette allerede har begynt, i mindre radikale former.

Selv når vi tenker på AI som en måte å mekanisere kognitivt arbeid på, fokuserer vi gjerne på de nederste trinnene. Vi sier vanligvis at AI automatiserer regneark og presentasjoner, ikke ledelse. Instinktet vårt sier at automatisering klatrer oppover i hierarkiet: kognitivt grovarbeid først og skjønnsvurderinger til slutt, med lederen som siste skanse.

Men en leders arbeid foregår i stor grad på en datamaskin og i hodet: lese, delta i møter, veie alternativer, holde oversikt og ta beslutninger. Fysisk tilstedeværelse har en verdi – å gå rundt på kontoret og være blant de ansatte. Likevel er det arbeidet på grunnplanet, selv når det for det meste er kognitivt, som har mest med fysiske ting og verktøy å gjøre, mer enn ledelsesarbeid. Det er praktikanten som sendes til kopimaskinen, ikke sjefen hans.

Det er vanskelig å lære en modell å ta lederbeslutninger, fordi det er uklart hva som teller som suksess, og resultatene måles over lange tidsrom. Av lignende grunner⁠(åpnes i et nytt vindu) er det vanskelig å lære opp gode menneskelige ledere. Vi vet ennå ikke hvor gode modellene er til å lede. Vi har rikelig med evalueringer av utførende kognitivt arbeid, men få som fanger opp samordning i den skalaen ledere og toppledere arbeider på.

Det er likevel verdt å vurdere om dagens modeller faktisk kan være nærmere menneskelige ledere enn ansatte på grunnplanet i hva de er i stand til. Noen lederfunksjoner kan bli automatisert før arbeidet de fører tilsyn med.

Kanskje er den fulle versjonen av dette «lagdelingsscenarioet» en AI som står for tenkingen og deretter fyller hullene i egne evner med menneskelige oppdragstakere som rapporterer til den. Den verdenen virker ganske fremmed for oss. Mye måtte endres.

Men det finnes en mer naturlig variant, og første akt er allerede i gang: rådgivning. I dag kan en toppleder be ChatGPT lese hundrevis av Slack-kanaler, dokumenter, skriv og kodefiler fra hele bedriften og deretter svare på spørsmål. Hva gjør egentlig dette teamet? Hvor dukker den sårbarheten opp? Hver del av organisasjonen blir stadig lettere å analysere⁠(åpnes i et nytt vindu) for henne.

Toppledere har lenge flettet inn innleide mellommenn i organisasjonskartet – de kalte det konsulentvirksomhet. Et konsulentselskap legger et lag over deg, kortvarig og dyrt. Fremover kan AI-konsulentene bli nesten gratis og alltid til stede.

Modellene har så vidt begynt å tolke bedrifters dokumenter og kommunikasjon pålitelig. Kvalitetssansen og initiativet deres må modnes. Foreløpig hjelper ChatGPT en motivert toppleder med å forstå organisasjonen sin mer i detalj. Vi ser for oss at det etter hvert blir en fullverdig konsulenttjeneste. Den vil ikke være en egentlig «leder» for ansatte lenger nede, men snarere en intern korrespondent og rådgiver for toppledelsen. Den vil bruke forretningskompetanse til å gjennomgå alt, selv ta initiativ til å avdekke problemer og hjelpe med å prioritere dem.

Om dette er til nytte eller skade, vil avhenge av topplederen. Den strukturelle virkningen er sentralisering. Vi tror dette vil korte ned avstanden mellom toppledelsen og resten av bedriften. Det gir mer makt til toppen, der friksjon i informasjonsflyten tidligere talte for mer desentraliserte beslutninger.

Vi mener dette scenarioet er vidtrekkende, ikke bare fordi det flytter myndighet, men også fordi AI som konsulenttjeneste kan være så lett å ta i bruk. Akkurat som tradisjonell konsulentbistand krever ikke AI-konsulenttjenesten teknisk innsikt fra topplederen. Dette er ikke datamaskinen, som ble tatt i bruk nedenfra av dem som kunne skrive på tastatur og bruke en terminal. Du snakker bare med konsulenten din, så tar den seg av det tekniske. Denne innføringsbølgen kan starte på sjefskontoret. Konsulenttjenesten kan i sin tur få fart på AI-bruken i resten av organisasjonen.

Én grunn veier tungt når bedrifter er skeptiske til fjernarbeid og oppdragstakere: muligheten til å sikre at avtalt arbeid faktisk blir gjort. Det har aldri eksistert en billig måte for bedrifter å følge arbeidet på med all den nyansen det fortjener. Derfor måler de skinnet av arbeid⁠(åpnes i et nytt vindu): antall klikk, musebevegelser og grønne statusprikker – signaler som har lite å gjøre med om det faktisk utføres godt arbeid.

AI tilbyr en kontrollinstans som forstår. Den kan se på hva en person produserer, og gjenkjenne reell fremgang mot større mål. Som vi utforsker i neste del, må ny overvåking ikke innføres lettvint⁠(åpnes i et nytt vindu). Men under de rette omstendighetene kan den øke tilliten og oppmuntre bedrifter til å gi de ansatte større frihet.

Hvis kontrollinstansen forstår de mange ulike veiene som kan føre til gode arbeidsresultater, kan ansatte i større grad jobbe slik de selv vil. Fremgang mot gode resultater vil telle mer enn én foreskrevet metode som er lett for sjefer å følge med på. En intelligent kontrollinstans gir fleksibilitet og slår ned på produktivitetsteateret vi alle misliker.

Tilbudet ligner det forsikringsselskaper gir når de reduserer premien hvis du installerer en sporingsenhet i bilen. Hvis du prøvde å lure systemet, går dette ut over deg. Hvis du bare gjorde jobben din, kan kontrollinstansen gi deg oppreisning, og ledelsen vil stole mer på deg.

Den tilliten åpner nye muligheter. Vi kan se en ny vilje⁠(åpnes i et nytt vindu) hos bedrifter som tidligere var skeptiske til hybridarbeid, utradisjonelle tenkere, oppdragstakere eller å ansette briljante folk i land langt unna.

Ansatte på grunnplanet har mange problemer med dagens organisasjonskart. Det er dypt demotiverende å ikke kunne løfte et problem vi selv ser, oppover i hierarkiet. Det er urettferdig å sitte fast under en udugelig leder eller å gjøre en fremragende jobb som ingen anerkjenner.

Vi mener den forrige bølgen av hyperoptimalisering i næringslivet bygde på begrensede data, grove retningslinjer og dumme algoritmer. Hvis alt du kan behandle, er utvekslingsforhold, ser alle ut som tannhjul. Bedrifter har lenge hatt problemer med å måle innsatsen til de ansatte. En intelligent kontrollinstans kan gjenkjenne verdifulle bidrag og unike tilnærminger som dagens grove måltall overser.

Med utgangspunkt i de tre forenklede scenarioene utforsker vi nå noen av de avgjørende spørsmålene om bedriftens fremtid.

Å skape noe er som regel ganske dyrt. En app, en film, en presentasjon, en funksjon, en analyse: Alt dette er kostbart, tidkrevende og frustrerende å lage på nytt. Når du i praksis bare har ett skudd, bruker du tid på å sikte. Vi har planleggingsrunder, ritualiserte gjennomganger av veikart og godkjenningskomiteer – alt for å sikre at bedriften satser på noe som er verdt det når den endelig gir klarsignal. Mange kontrollpunkter i hierarkiene våre finnes fordi gjennomføring har vært en knapp ressurs.

På mange områder får AI kostnadene ved å skape noe til å stupe – i det minste frem til prototypestadiet, om ikke helt til ferdig produkt. Vi mener bedriftens tilnærming bør endres i takt med dette: sikt mindre, skyt mer. En bedrift kan bygge en prototype, observere, lære raskt, justere kursen og bygge den på nytt. Enkel prototyping⁠(åpnes i et nytt vindu) bør bevege bedrifter bort fra strukturene som understøtter planleggingsintensiv produksjon.

Den enkleste varianten er et team som jobber raskere gjennom utviklingsrundene. I en mer radikal tolkning stilles det spørsmål ved selve teamet. Hvis felles planlegging betyr mindre, og mangfoldige ideer som oppstår uavhengig av hverandre betyr mer, er det da best med ett team som utvikler raskt, eller mange enkeltpersoner som hver legger frem sine egne fungerende prototyper? Hvis en faktisk prototype formidler en visjon bedre enn noe prosjektdokument, vil kommunikasjonsvanene våre endres – slik at vi deler mer, tidligere og i form av konkrete produkter fremfor notater?

Lavere utviklingskostnader kan gi enkeltpersoner større plass i bedriften. Det ville bety færre lag med mellomledelse og mindre behov for å be om tillatelse, fordi det før var billigere å spørre enn å gjøre, men ikke nå lenger.

Når det er sagt, kan den samme teknologien som lar enkeltpersoner lage prototyper med mindre risiko, også håndheve enda mer byråkrati, slik vi diskuterer videre.

En viktig grunn til at bedrifter styres ovenfra, er troen på at toppledere tar bedre forretningsmessige beslutninger⁠(åpnes i et nytt vindu) enn ansatte lenger nede. Bedrifter betaler mer for svært kompetente veteraner på toppen, og ledere er ofte skolert i forretningsstrategi, mens medarbeidere uten lederansvar er spesialister på sine fagfelt. Hvis AI gir alle ansatte utmerkede råd, blir forskjellen i beslutningskvalitet mindre. Det ville være mindre grunn for ledere til å blande seg inn. Dette ville øke de ansattes selvstendighet og potensielt redusere antallet ledernivåer.

På samme måte sørger «AI-konsulenttjenesten» for at ingenting med for store konsekvenser skjer uten at en toppleder blir varslet. Hvis en ansatt er i ferd med å publisere et blogginnlegg som kan få alvorlige følger for bedriften, vil konsulenttjenesten på eget initiativ gjøre topplederen oppmerksom på det. Dette skaper tillit: Ledelsen trenger ikke å bekymre seg for at store feil skjer uten at de vet om det, og behøver derfor ikke å holde like stramme tøyler⁠(åpnes i et nytt vindu) på hvordan ansatte utfører jobben.

Men AI-konsulenttjenesten er et tveegget sverd⁠(åpnes i et nytt vindu). Som en intelligent kontrollinstans kan den skape større tillit til ansatte. Den kan også håndheve topplederens foretrukne arbeidsmåte strengere i hele organisasjonen. Bedrifter verdsetter helhet og sammenheng⁠(åpnes i et nytt vindu): Ikke bare en god beslutning, men en beslutning som passer med bedriftens kultur, merkevare og stordriftsfordeler. En restaurantkjede kan foretrekke en felles meny hos franchisetakerne, slik at ingredienser kan kjøpes inn i store kvanta og kundene kan forvente et ensartet produkt.

I samme gate er ikke insentivene til bedriftsledere alltid sammenfallende med de ansattes. Ansatte optimaliserer for gode resultater på sitt område⁠(åpnes i et nytt vindu), mens toppledere er opptatt av bedriften som helhet. Eiere har andre preferanser enn lønnsmottakere, fordi de høster gevinstene⁠(åpnes i et nytt vindu) av hardere arbeid. Konsulenttjenesten kan sørge for strengere etterlevelse av bestemte rutiner fastsatt på toppen.

Vi mener at ansatte samlet sett vil få større handlingsrom. Optimismen vår bygger på at bedrifter bruker AI til å varsle om avvik med store konsekvenser, samtidig som flere beslutninger overlates til de ansatte.

Vi tror AI vil fungere som en støttestruktur. Selv om toppledere ønsker å opprettholde en enhetlig merkevare, vil dette bare være en ramme å arbeide innenfor. Ansatte blir bedre kjent med de forretningsmessige begrensningene og får større trygghet til å være kreative på områdene som ikke omfattes av dem. Når de viktigste hensynene er ivaretatt, kan toppledere la ansatte prøve nye tilnærminger som kan bli lønnsomme. Med støtte fra AI-hjelpere under oss vil vi som ansatte også få ansvar for mer omfattende leveranser. Vi ser flere muligheter for kreativitet når vi leder mer komplekst arbeid.

Den samme logikken om ansattes selvstendighet gjelder også for bedriftsstørrelse. Ronald Coase⁠(åpnes i et nytt vindu) spurte hvorfor vi organiserer produksjon i bedrifter i stedet for gjennom et nettverk av kontrakter. Selv et fly kunne blitt bygget utelukkende gjennom direkte avtaler mellom enkeltaktører, men det ville vært svært ineffektivt. Bedrifter oppnår stordriftsfordeler, samordner insentiver, organiserer store prosjekter og fjerner behovet for stadige forhandlinger.

Ved å gjøre kommunikasjon enklere kan AI gi grunnlag for både større og mindre bedrifter. Den klassiske bedriften er en infrastruktur for å sende informasjon oppover og instrukser nedover, full av friksjon og hviskelek. En større bedrift (med flere menneskelige ansatte) blir mindre tungrodd hvis AI fungerer som et koordinerende lag. Med «AI-konsulenttjenesten» kan en toppleder kjenne bedriften sin slik en gründer kjenner en oppstartsbedrift med tjue ansatte. Hun kan følge gjennomføringen av et initiativ i stedet for å vente på kvartalsrapporten og få beskjed hvis noe skjer. Visjonen hennes kan gjennomsyre større deler av bedriften. Alle vet mer om hva de andre gjør, og om organisasjonens overordnede prioriteringer.

Det kan også virke motsatt vei. Hvis kommunikasjonen er friksjonsfri og det er lettere å følge opp at avtaler overholdes, trenger ikke bedriften å ha like mye av forsyningskjeden internt. Bedriften kan i større grad stole på eksterne leverandører og oppdragstakere.

En viktig grunn til vertikal integrasjon er å samordne insentiver. Vi har teorien om ufullstendige kontrakter⁠(åpnes i et nytt vindu): En flyprodusent kan inngå en avtale med en jetmotorprodusent, men for alt som ikke er uttrykkelig pålagt i kontrakten, har jetmotorprodusenten insentiver til å velge billigste løsning og prioritere sitt eget resultat. For å unngå dette kjøper flyprodusenten jetmotorprodusenten. Akkurat som med ansatte og sjefer: Hvis det er lettere å følge opp kontrakter, og etterlevelsen vurderes med skjønn fremfor avkryssing i skjemaer, kan bedrifter bli tryggere på å bruke andre bedrifter. Det ville være mindre grunn til å gjøre alt internt.

Vi forventer å se mange mindre bedrifter, men også vidtfavnende AI-«holdingselskaper» der et stort antall ulike prosjekter gjennomføres i én virksomhet. Konglomeratet er økonomisk fordelaktig når alle de ulike prosjektene drar nytte av en felles ressurs. Denne felles ressursen kan være datakraft, selv om datakraft lett kan skaffes i små mengder etter behov. En felles fabrikk eller robotflåte er en bedre begrunnelse.

Det store «holdingselskapet» kan også begrunnes med sammenfallende insentiver. Hvis en stor organisasjon av AI-systemer og kapital er fullt og helt viet et felles mål – for eksempel å kurere kreft – er det mindre behov for separate, mindre initiativer. En AI-bedrift kan unngå maktkamper, dele all informasjon og ved behov skape kreativt mangfold blant agentene sine, slik at ulike veier blir utforsket.

Dagens system skal belønne ansatte som utmerker seg. De stiger i gradene og får bedre betalt. Men i en verden med fremragende modeller som rådgivere, hvordan skal ansatte skille seg ut?

Hvis AI gir alle den samme glimrende ideen, har vi færre muligheter til å skille oss ut. Lønnsspennet burde bli mindre.

Det som motvirker denne utjevningen, er dømmekraft, smak og ansvarsomfang. Hvis vi hver for oss leder AI-bedrifter under oss, ligger den gjenværende menneskelige verdien i beslutningene våre. Hvis hver person har ansvar for en større virksomhet under seg, får forskjellen mellom god og dårlig dømmekraft større utslag⁠(åpnes i et nytt vindu).

Vi har lenge brukt denne logikken på toppen av organisasjonskartet. Vi begrunner topplederlønn⁠(åpnes i et nytt vindu) med at marginalt bedre beslutninger på toppen kan gi enorme utslag på bunnlinjen. Lønnsforskjellene kan øke hvis noen ansatte er flinkere til å lede AI-bedriftene under seg slik at knappe ressurser utnyttes godt.

Jo mer som står på spill, desto mer vil ditt lille fortrinn fremfor andre synes på lønnsslippen. På den andre siden vil AI gi gode råd til alle. Mindre forskjeller i prestasjoner gir en jevnere lønnsfordeling.

Her som ellers vil den dominerende kraften kanskje avhenge av om vi først og fremst gjør egne vurderinger eller følger andres.