Alle andre alternativer kommer med et regnestykke som kan pirkes i, en gjennomføringsrisiko og en linje i budsjettet. Å ikke gjøre noe, ser derfor gratis ut. Det er ikke gratis. Prisen er løpende, i stor grad usynlig, og den vokser med tiden.
Det er derfor denne siden finnes. Vi snakker med mange industribedrifter, og de fleste gjør, med god grunn, ingenting med dette. Det som endrer samtalen er ikke en beskrivelse av plattformen. Det er å sette et tall på hva det å ikke gjøre noe, faktisk koster.
Hvorfor den forblir skjult
Tre grunner, og de er verdt å sette navn på, for til sammen er de hele årsaken til at beslutningen stadig blir utsatt.
Et prosjekt som mislykkes etterlater en evaluering. En analyse ingen startet etterlater ingenting i det hele tatt: ikke et dokument, ikke en faktura, ikke engang et møte.
To dager her. En beslutning som glapp en uke. En feilsøking som tok langt lengre tid enn den skulle. Ingen enkelthendelse er stor nok til å eskalere, og ingen legger dem sammen.
Kostnaden lander i drift, vedlikehold, compliance og tapt produksjon. Aldri på linjen der alternativet skulle vært finansiert.
En kostnad som er reell, stor og uten eier, taper enhver budsjettdiskusjon den ikke er eksplisitt ført opp i.
Mønsteret, fire ganger
Versjonen for hver av disse er at noen overså det helt åpenbare. I hvert eneste tilfelle hadde flere ansatte allerede sagt ifra.
Vogn- og karetmakere så biler kjøre forbi sine egne fabrikker i tjue år. Noen få la om: Studebaker bygget vogner før de bygget biler, og brødrene Fisher gikk fra karosserier på vogner til karosserier på biler for General Motors. Mesteparten av bransjen la ikke om, og den var i praksis borte på 1920-tallet.
Et kvartsurverk ble utviklet av et sveitsisk forskningslaboratorium i 1967. Den sveitsiske bransjen eide teknologien og bygget ikke virksomheten sin på den. I løpet av de neste femten årene falt sysselsettingen i sveitsisk urmakeri med omtrent to tredjedeler, mens kvarts tok volummarkedet.
Kodak overså ikke digital fotografering. En Kodak-ingeniør bygget det første digitalkameraet i et Kodak-laboratorium i 1975, og selskapet satt på grunnleggende patenter på området. Trettisju år senere begjærte de seg konkursbeskyttelse. Å vite var aldri begrensningen.
Nokia hadde touchtelefoner som virket i laboratoriene sine flere år før iPhone kom, og Nokia brukte flere ganger så mye som Apple på forskning. Teknologien var aldri problemet. Det som sviktet var organisasjonen rundt den, gjennom en rekke dårlige ledelsesbeslutninger der ubehagelige funn ikke nådde oppover, slik at et selskap som allerede satt på svaret fortsatte å bestemme som om det hadde god tid. Mobildivisjonen ble solgt i 2014.
Lange varsler, alle sammen, og i ingen av disse tilfellene var problemet at ingen la merke til det. Etterpåklokskap får dem til å se ut som svikt i forstand, når de var svikt i beredskap. De fleste utsatte beslutninger ender ikke slik.
Hva det faktisk koster
Ingen av dem dukker opp som et prosjekt. Alle sammen betales akkurat nå, hvert kvartal, fra noens budsjett.
Den ærlige sammenligningen er derfor ikke investere eller spare. Den er investere i noe som bygger seg opp, eller fortsette å betale for symptomet.
Formen på det
Dette er delen det er verdt å være ærlig om: å bygge en modell er dyrere enn å svare på det første spørsmålet på gamlemåten. Modellen finnes ikke ennå, så dere betaler for begge deler.
Balansepunktet lander som regel på spørsmål to eller tre. Alt etter det er avstanden mellom de to kurvene, og den avstanden er hva det koster å ikke gjøre noe, og den øker så lenge beslutningen utsettes.
Hva det koster i læring
De fleste eksperimenter mislykkes. Det er ikke en feil, det er slik prosessen fungerer, og det betyr at hvor raskt dere finner noe bestemmes av hvor raskt dere kan prøve noe, og det bestemmes av hva ett forsøk koster å sette i gang.
Når man har datasiloer så går mesteparten av tiden ikke på selve eksperimentet. Men forsvinner i tiden som blir brukt til å finne dataene, å finne ut hvilken tag som hører til hvilket utstyr, og å bygge koblingen som tre tidligere prosjekter allerede har bygget. Flere dagers arbeid bak seks uker med forberedelser.
Illustrasjon, ikke måling. Forholdet i deres egen drift er det ingeniørene deres sier når dere spør hvor mye av forrige prosjekt som var forberedelser.
Det som allerede har skjedd i programvare
Ikke fordi programvare er noe spesielt, men fordi modellene er trent på det. Praktisk talt all offentlig tilgjengelig kode gikk inn i treningen. Ingenting fra driften deres var med.
På omtrent tre år gikk det å skrive applikasjoner og kode fra å være et håndverk som krevde eksperter med flere års utdanning som motsto trusselen fra AI's fremdrift på automatisering, til at en kode-agent kan få en oppgave, arbeide seg gjennom et kodelager, bygge noe nytt, endre det, og verifisere i løpet av minutter om det ble riktig. Ai-Agenter er en reell og transformativ endring i hvordan vi jobber med kode idag, og den kom raskere enn nesten noen hadde ventet.
Det er verdt å være presis om hvorfor dette virket, for grunnen er ikke at modellene ble smarte nok til å klare hva som helst. En kodebase er tilfeldigvis alt en agent trenger og der er alt kontekstualisert. Alt sammen på ett sted, navngitt av folk som mente at navnene skulle bety noe, lesbart for en maskin uten et oversettelsesledd, og koblet til en testpakke som svarer ble det riktig på sekunder.
Nesten ingenting annet i en virksomhet idag ser slik ut. En industriell drift er den samme jobben med hver eneste av disse egenskapene fjernet. Fakta ligger spredt overalt, et vedlikeholdssystem, en håndfull regneark og hukommelsen til flere personer. Navnene er tagger. Ingenting er maskinlesbart uten at noen tolker det. Og ingenting sier fra til agenten når svaret ble feil.
Når de samme agentene som forandret programvare, prøver å jobbe i en industribedrift, så stopper de opp. Ikke fordi teknologien er svakere, men fordi AI Agentene møter et problem ingen har skrevet ned, som den ikke finner, eller som den ikke forstår. Å sette dataene i en sammenheng er det som flytter driften over i den formen som gjør programkode håndterlig i utgangspunktet. Det er det samme grepet, gjort bevisst, på den ressursen som faktisk betyr noe for dere.
Hvorfor en agent får fotfeste i det ene og ikke i det andre De fire egenskapene som gjorde programkode håndterlig, og hvor en drift står uten en modell.
En modell er det som flytter den andre listen over i den første.
Spørsmålet de fleste styrer står overfor er ikke om de skal ta i bruk agenter. Det er om driften deres er i en form agenter kan gjøre noe med.
Og nå har vi agenter
Alt over forutsetter at et menneske kjører hvert eksperiment. Agenter løfter taket igjen, fordi de ikke er begrenset av hvor mange hypoteser en person rekker på en uke. De er begrenset av hvor raskt de kommer fram til sammenheng de kan stole på.
En agent med en modell av driften deres kan gå gjennom en liste med mulige forklaringer over natten, følge hver enkelt ned til signalene og hendelsene som ville bekreftet eller drept den, og komme tilbake om morgenen med de to som overlevde og bevisene for hver av dem.
En agent uten en slik modell bruker kreftene på å finne ut på nytt hvilken tag som hører til hvilken pumpe, og leverer plausible svar som noen så må kontrollere fra bunnen. Det er tregere enn å ikke bruke den i det hele tatt.
De samme verktøyene, gitt til to selskaper, gir ikke det samme resultatet. Agentens evne ganges med sammenhengen, den legges ikke til.
Hvorfor det å vente er en dårlig beslutning
Vanligvis er det å vente det rasjonelle valget. Dere lar noen andre gjøre feilene, tar det i bruk senere, og havner samme sted for mindre. Det er forsvaret som sviktet i alle de fire historiene over, og det svikter her av en bestemt grunn.
AI-verktøy kan tas i bruk på en uke, som er nettopp derfor de ikke gir noe varig fortrinn alene. En modell av deres drift kan ikke det. Den tar tid, og den tar oppmerksomheten til folk som kjenner anlegget og ikke finnes i ubegrenset antall.
Så det å vente korter ikke ned arbeidet. Det starter det bare senere, mens en konkurrents oppbygging fortsetter. Hvis dere forventer at AI-agenter vil bli relevante for dere snart, så bør dere ikke starte med AI-agenter først. Men heller bygg modellen de kommer til å trenge. Fordi modellen er den delen som tar lengst tid, og den ingen leverandør kan gi dere ferdig.
Mekanismen er ingen spådom. Den følger av hvordan agenter fungerer. Tidspunktet er en spådom, og fornuftige folk er uenige om det. Den holdbare påstanden er rekkefølgen: når agenter først blir betydelige i deres sektor, vil selskapene som kan bruke dem være de som allerede hadde en modell.
Den andre siden
Argumentet over er ikke universelt, og å late som noe annet ville undergravd det. Å ikke gjøre noe er forsvarlig når:
Å vente til dataene er renere. Data blir ikke renere så lenge ingenting beskriver dem. Modellen er det som gjør rydding håndterlig i utgangspunktet, så «senere» pleier å bety «aldri».
Enveisdører og toveisdører
Jeff Bezos skiller mellom to slags beslutninger, og skillet er nyttig her. En toveisdør kan gås tilbake gjennom hvis det viser seg å slå feil, og bør derfor tas raskt. En enveisdør kan ikke det, og fortjener dermed den langsomme og grundige behandlingen.
En felle er at det å ikke gjøre noe ser ut som en blir stående i døråpningen. En falsk trygghet når en ikke velger noen av delene. Det stemmer ikke. Å utsette, er i seg selv en enveisdør. Det eneste det koster, er kalendertid, og kalendertid er den eneste ressursen dere ikke kan kjøpe. Å bygge den første biten av en modell er toveisdøren: åpen kildekode, åpne formater, deres egen infrastruktur. Virker det ikke, stopper dere, og dere beholder dataene.
Den ene siden av den sammenligningen er en permanent, voksende, ubudsjettert forpliktelse. Den andre er et lite, avgrenset, reversibelt eksperiment. Den asymmetrien, ikke noen enkelt anslått besparelse, er det egentlige argumentet for å begynne.
En time med spørsmålene folkene deres ville stilt hvis dataene var tilgjengelige, er nok til å si om noe av dette gjelder dere. Gjør det ikke det, sier vi fra. Dere kan også sette et tall på det selv først, og dokumentasjonen viser hvordan, linje for linje.