Fra data science-bølgen til virkelighetssjekken
Karper åpnet med et tilbakeblikk: Rundt 2012 eksploderte data science som fagfelt. Bedrifter over hele verden bygget dataplattformer, modeller og dashboards i rekordfart. Ambisjonene var store, avkastningen mindre. – Vi kom ut på andre siden rikere på erfaring, men mange prosjekter ga forbausende liten faktisk verdi, sa Karper.
Hvorfor? Ifølge ham handler det om tre ting:
- Lav dataliteracy: Å bruke dashboards og rapporter krever mer teknisk kompetanse enn mange organisasjoner hadde, eller innså at de trengte.
- Kultur: Det er lett å snakke om datadrevne beslutninger. Å faktisk ta dem, krever en helt annen forpliktelse.
- Kostnader: Datainfrastruktur ble dyrt å bygge, og enda dyrere å vedlikeholde. Mange forsøkte å bygge «det perfekte huset» før de tok det i bruk.
Resultatet ble et hav av data, men relativt få beslutninger som faktisk ble drevet av det.
AI som produktivitetsmotor – med uklar timing
Så kom AI-revolusjonen. Og den, ifølge Karper, er reell, men samtidig krevende å navigere. -Det er ikke åpenbart når vi faktisk blir mer produktive, sa han. Og AI erstatter ikke roller, men gjør dyktige mennesker mer effektive. Og verden vil trenge flere, ikke færre, tekniske folk.
Det nye landskapet krever at virksomheter blir mer tekniske, ikke mindre. Flere modeller, flere eksperimenter, og flere som forstår hvordan ting faktisk henger sammen.
Vi befinner oss, forklarte han, i en fase med store investeringer og lav profitt, men med enormt potensial.
Derfor er analyseområdet først ut
Karper pekte på hvorfor AI passer spesielt godt inn i analyse:
- Kode er komplekst, men ikke stort.
- Mange analyseoppgaver består av enkle dataoperasjoner.
- Analytikere elsker metoder og intuisjon, ikke å memorere detaljene.
Derfor vil analysens arbeidsmetoder være blant de første som endres dramatisk. De tradisjonelle oppgavene; rapporter, modeller, dashboards, kan i stor grad genereres av AI. Samtidig vil de nye oppgavene handle om rådgivning når det trengs, i sanntid.
Fremveksten av AI-agenter
Den mest transformative utviklingen, ifølge Karper, er AI-agenter. Disse vil:
- Hente data på tvers av systemer
- Sammenstille innsikt
- Tolke situasjoner
- Gi anbefalinger
- Levere dem akkurat der brukeren jobber
I stedet for å lete etter rapporter, får du innsikten levert, når den trengs, hvor den trengs, og i et format som faktisk kan brukes.
Karper illustrerte dette med eksempler fra Riff, som nå lar brukere, også ikke-tekniske, bygge apper, analyser og automasjoner ved å snakke med en agent som både koder, kobler seg til datasystemer og deployer løsningen i løpet av minutter.
En fremtid der verktøyene bygges on-the-fly
Her ligger den virkelige revolusjonen: Verktøy blir ikke lenger utviklet som store prosjekter, men generert dynamisk, i det øyeblikket behovet oppstår. – Da trenger du ikke lenger å lete etter riktig rapport eller feedback-løkke, sa Karper. Maskinen bygger verktøyet på stedet. Dette gjør analyse mer levende, kontinuerlig oppdaterbar, og tilgjengelig for langt flere enn i dag.
Håndverk. Ikke magi.
Karper avsluttet med en tydelig oppfordring: Ikke vent på at AI skal «fikse alt». – Den som lærer seg å styre maskinene, står sterkest. Magien kommer ikke av seg selv.
AI-revolusjonen i analyse handler ikke om å gjøre mennesker overflødige, men om å frigjøre dem fra tung prosessering og slippe dem til der de skaper mest verdi: I vurderingene, fortolkningen og beslutningene.
Annonse
Annonse
