”The Algorithmic Leader”, Mike Walsh

Författaren inleder boken med en historia som du kanske känner igen från nyheterna, om hur den 69-årige läkaren David Dao härom året med våld släpades ut från ett överbokat flygplan i USA. David Dao, som inte ville lämna planet eftersom han behövde resa till patienter, bröt bland annat näsan och förlorade två tänder i tumultet som filmades av medpassagerare. För den populära vd:n på flygbolaget United, Oscar Munoz, betydde incidenten ett hårt fall efter en lång period av ensidiga hyllningar i media. Han hade bara någon månad tidigare i branschpress utsetts till bäst kommunikatör bland chefer — en tydlig illustration av hur snabbt mediebilden kan förändras i vår tid.

Men den poäng Mike Walsh vill göra här är en annan. Det var nämligen så att Munoz eller hans policy i företaget inte hade något direkt inflytande över den rad dåliga beslut som ledde fram till incidenten. Det var i stället några automatiserade system — algoritmer — som fattade de beslut som ledde fram till att David Dao till slut avvisades våldsamt från flygplanet. Algoritmer som fattar beslut om överbokning, hur mycket pengar som ska erbjudas i kompensation till de som frivilligt avstår plats på planet, och slutligen vilka passagerare som ”slumpmässigt” ska väljas ut om inga frivilliga finns — som i det här fallet.

I vår tid behöver man inte arbeta i ett techbolag för att algoritmer ska spela en avgörande roll. En bil, till exempel, är numera en mjukvaruplattform på hjul. Det finns inget sätt att fly algoritmer, konstaterar författaren. Information om världen når oss genom data; våra beslut och försök att förändra världen uttrycks i data. Algoritmer är inte bara abstraktioner. Vi använder dem som verktyg för att hantera problem i en allt mer komplex värld.

Algoritmer är alltså här för att stanna. Det chefer behöver kunna är att leda företag och organisationer som lever på och är beroende av dessa algoritmer. Boktitelns ”algoritmiska ledare” definierar Walsh så här: ”En algoritmisk ledare är någon som framgångsrikt har anpassat sitt beslutsfattande, kreativa arbetssätt och sin ledarstil till maskinålderns komplexitet.”

Mike Walsh är redan i bokens inledning tydlig med att han inte tillhör dem som har en dyster syn på arbetslivets utveckling i maskinåldern. Till exempel tror han inte att AI innebär ”the end of all jobs”. Som nybliven jurist trodde han själv för 20 år sedan att juristyrket så småningom till stor del skulle ersättas av automatiserade system. Men advokaterna har tvärtom blivit fler, inte färre. Orsaken är att automatisering ofta inte tar bort jobb eller branscher, utan förändrar dem. Ett historiskt exempel är bankomater, som visserligen tog bort en arbetsuppgift från bankpersonal, men samtidigt gjorde det billigare att öppna bankkontor vilket då ledde till fler bankjobb.

Även om algoritmer inte ersätter människor, innebär de ökade krav på ledare i vår tid.

Vi behöver chefer som kan tolka maskinerna, som kan bestämma om deras slutsatser är lämpliga och etiska och som vet hur man bäst hanterar kapaciteten hos maskiner som är smartare än vi.

Vägen till att bli den algoritmiska ledaren är att behärska de viktiga principer som Mike Walsh ägnar sin bok åt. Dessa principer kan tillsammans åstadkomma tre saker: Förändra hur du tänker, förändra ditt arbete och förändra världen.

JOBBA BAKÅT FRÅN FRAMTIDEN

Fundera på hur livet kommer att se ut om tio år. Hur kommer vi att handla, kommunicera, träffa kärleken, få betalt, resa? Ett sådant mentalt hopp in i framtiden är ingen dum idé när det handlar om att få grepp om hur AI kommer att utvecklas. Det är nämligen förståelse för mänskliga upplevelser som ger insikter i vilka datadrivna plattformar och produkter som sannolikt kommer att lyckas i framtiden.

Men allra först är det bra att begripa varför dagens maskiner blir så mycket smartare så snabbt. Till skillnad från plattformarna från den tidiga digitala revolutionen kan dagens maskiner lära sig själva. Kanske har du hört talas om Alpha Go, programvaran som för några år sedan bröt ny mark på AI-området genom att vinna mot den mänskliga mästaren i det avancerade brädspelet go. I dag finns en variant som kallas Alpha Go Zero som skiljer sig radikalt från föregångaren. Och detta på ett sätt som tydligt illustrerar skillnaden mellan ”vanlig” eller traditionell maskininlärning och ny djupinlärning.

”Zero” i Alpha Go Zero står för faktumet att programvaran, till skillnad från föregångaren, från början hade noll kunskap om hur go borde spelas. Den var bara programmerad med reglerna. Sedan spelade den helt enkelt slumpmässiga matcher tills den snabbt hade så effektiva strategier att den slog sin digitala föregångare med 100–0. Googles experimentverkstad Deepmind har sedan dess generaliserat mjukvaran ytterligare så att den på egen hand kan lära sig och bli mästare i helt andra spel.

Algoritmer matchar eller överträffar redan nu människors förmågor inom specifika områden, och försprånget blir större för varje dag i takt med att datorkraft blir billigare. Men det är fortfarande upp till människor att hitta sätt att använda maskinerna för att skapa upplevelser, omvandla organisationer och återuppfinna världen.

Det bästa sättet att föreställa sig en framtid som formas av AI är att tänka på de potentiella interaktionerna mellan algoritmer, mänskligt beteende och människors identitet. Om du kan förstå hur algoritmer påverkar hur människor lever, hur de fattar beslut och deras förväntningar om hur saker ska fungera, kan du börja utforma en värld för kunder som inte ens finns ännu.

Japanske Masayoshi Son, vd för Softbank, är ett lysande exempel på just en sådan ”algoritmisk ledare”. Han har en lång rad exempellöst framgångsrika affärsidéer genom karriären, baserat på förutsägelser om sådant som e-handel och användande av smartphones. Utgångspunkten har för honom alltid varit vad kunder kan tänkas vilja ha ett eller flera decennier i framtiden — just nu är det bland annat jordbruk byggda på höjden nära städer med mer än en miljon invånare.

Ett sätt att hjälpa sig själv att ”jobba bakåt från framtiden” är att försöka skifta perspektiv till det som dina egna barn eller barn i din närhet har. Efter att ha vuxit upp omgivna av AI, inbäddat i alla produkter och applikationer de använder, kommer de att ha massor att lära dig. Författaren nämner två barn till en person han känner. Så fort de skaffat egna e-postkonton (gmail) skrev de sina första mejl där de enbart upprepade ett ord vardera: ”Trollspö” respektive ”Leksaksrobot”. Dessa barn var väl medvetna om att mejlprogrammet ”avlyssnar” innehållet i deras mejl och utformar annonser utifrån detta — det blev helt enkelt ett praktiskt sätt för dem att få annonser som demonstrerade ett relevant leksaksutbud. Ett helt annat sätt än ditt att se funktionen för e-post, eller hur?

SIKTA PÅ X 10, INTE 10 %

Chefer tenderar att oroa sig över hur stora förändringar påverkar deras affärer eller branscher, men borde oroa sig mer över hur omvälvande (eller snarare inte omvälvande) deras projekt är.

Att det är på det sättet är inte konstigt alls. Chefer bedöms ofta på marginaler. Men om ditt arbete med digital transformation bara handlar om att automatisera befintliga processer tänker du sannolikt inte stort nog, argumenterar författaren. Om du i investerar i ny teknik men inte vågar utmana er egen affärsmodell i grunden, skjuter du bara upp det oundvikliga ögonblick när allt ställs på ända.

Ett skäl till att det är viktigt att tänka stort — x 10 snarare än + 10% — i maskinåldern är att vinnarna på marknader dominerade av data och algoritmer tenderar att vara få. För att ge sig in i sökmotormarknaden och konkurrera med Google skulle det exempelvis inte räcka med marginellt förbättrad söktid. Det betyder inte att små effektiviseringar är att förakta. Ta till exempel pizzajätten Dominos, som experimenterar med AI som ska lära sig känna igen perfekt kvalitet i de pizzor som företaget producerar. Eller Coca-Cola, som använder sig av algoritmen Black Book model som kombinerar satellitbilder, vädermönster, konsumentpreferenser och annat för att producera en konsekvent uppskattad dryck. Detta är exempel på hur förbättringar på marginalen kan vara viktiga för företag i AI-åldern. Men även i dessa exempel är det i grund och botten fråga om ett storskaligt tänk. Genom att använda stora datamängder för att förbättra produkter blir det svårare för mindre konkurrenter att slå sig in.

Just insikten att data är din organisations viktigaste tillgång är avgörande om perspektivet är att växa x 10 snarare än 10%. En som i allra högsta grad gjort det är den unge Stanford-professorn Andrew Ng. När grafikchip-tillverkaren Nvidia släppte rättigheterna till sina så kallade GPU:er (graphic processing units) 2007 insåg Ng att dessa chip kunde användas till annat än spel — nämligen till att skapa turboladdade neurala nätverk för användning inom AI. Ng har sedan gjort en raketkarriär som så småningom lett honom till Google där han startade det så kallade Brain-projektet, känt bland annat för att 2011 ha skapat AI som kunde identifiera katter utan att ens ha minsta förkunskap om vad en katt är. Ng beskriver själv framväxten av AI som lika avgörande som elektriciteten. Precis som med elektriciteten, som till en början mest användes till att justera belysning, kommer det att dröja innan de riktigt transformativa förändringarna slår igenom med AI. De data din organisation har tillgång till är helt avgörande för att dina algoritmer ska ha något att bearbeta och på djupet lära sig ifrån — och därmed avgörande för att du ska kunna ta stora kliv.

TÄNK BERÄKNANDE

Att tänka beräknande är ett av författarens råd till dig som chef. Med ”beräknande” menar han här inte ”manipulerande”, utan utgår i stället från det engelska ordet ”computational”. Konceptet ”computational thinking” — beräkningstänkande — populariserades av Jeannette Wing, forskare vid Carnegie Mellon-universitetet, men är egentligen inget nytt. Grundtanken fanns redan i antikens Grekland.

I en modern kontext handlar det helt enkelt om att ha en strukturerad approach till problemlösning, i syfte att ta fram lösningar som kan hanteras av datorer, människor eller en kombination av dessa.

Författaren inleder detta avsnitt med att gå igenom hur analogier, jämförelser, länge varit en viktig metod för att ta sig an nya problem. Ett exempel hämtar han från juridiken där ett över hundra år gammalt skotskt rättsfall (där en person upptäckte en död snigel i en flaska läsk) fortfarande används i moderna konsumenträttsfall som kan handla om en smartphone som exploderat. Ett annat exempel hämtar han från filmvärlden, där lösningen på problemet ”vilken ska bli vår nästa blockbuster” söks i just analogierna. I Hollywood kan en ”hisspitch” för ett filmbolag bygga på jämförelser med befintliga filmer: ”Tänk dig The Matrix som möter Gladiator!”

Den algoritmiska ledaren tänker annorlunda. Genom att ta sig an problem på ett mer strukturerat sätt som ger utrymme för databearbetning blir lösningarna mycket mer potenta. Medan problemlösning om vad som ska bli nästa film i Hollywood bygger mycket på just analogt tänkande, arbetar Netflix datadrivet i samma frågeställning — vilka tittare vill ha vad, baserat på de data vi sitter på — en viktig förklaring till företagets stora framgång.

Författaren understryker här att man inte behöver vara programmeringskunnig för att vara en algoritmisk ledare, väl rustad för AI-åldern. Det handlar inte om att veta hur man programmerar, utan om att veta hur man ska tänka på sätt som gör att man effektivare kan ta hjälp av datorer.

Ett första steg här är att ta ett till synes svårlöst problem och bryta ner det till mindre, hanterbara delproblem. Aristoteles kallade detta ”den första principen”. Denna princip var exempelvis något som tilllämpades av Teslagrundaren Elon Musk, då han försökte lösa problemet med den till synes omöjliga ekonomiska kalkylen för sitt projekt med rymdraketer för resor till Mars. Raketerna som fanns på marknaden i USA kostade närmare 600 miljoner kronor, i Ryssland ungefär 200 miljoner. Men genom att bryta ner problemet till sin allra minsta beståndsdel — vad är raketer egentligen gjorda av — lyckades Musk på egen hand köpa råmaterial och med hjälp av sitt team sätta ihop dem för ungefär 70 miljoner kronor.

Det som, till skillnad från matematiskt eller teoretiskt tänkande, gör beräkningstänkande användbart i den verkliga världen är att det innebär ett strikt fokus på det praktiska. När en algoritmisk ledare står inför en viss utmaning kan hon eller han överväga hur svårt ett problem är att lösa, vilket som är bästa sättet att lösa det, hur lång tid de tillgängliga datorresurserna kan behöva för att göra det och om den beräknade lösningen är tillräckligt bra. Beräkningstänkande handlar om att omformulera till synes ogripbara problem — göra dem lösbara genom att dela upp eller omvandla dem.

Ett viktigt hinder att komma över i en organisation är så kallad algoritmaversion. Det handlar om den ovilja många människor känner inför att släppa beslut till algoritmer — något som varit en aktuell fråga för till exempel Nasa som funderat över i vilken grad människor överhuvudtaget ska vara inblandade i landningar av farkoster. Ett sätt att hantera denna mycket mänskliga oro i en organisation kan vara att involvera personal i design och hantering av säkerhetssystem, där exempelvis algoritmens beslut stäms av mot vissa förbestämda säkerhetsregler.

OMFAMNA OSÄKERHETEN

Den tid vi befinner oss i har många namn — den algoritmiska åldern, maskinåldern, digitalåldern, AI-åldern. Oavsett vilken beteckning man använder är en sak säker — man behöver hitta sätt att förhålla sig till all den osäkerhet som kommer sig av ett samhälle och ett näringsliv i full omvandling.

Vi tenderar att se världen på två olika sätt. Antingen ser vi framtida händelser som mer eller mindre säkra, och något som hanteras genom noggranna planer och budgetar. Eller så utgår vi från att framtiden är osäker och att planer därför löpande behöver justeras. Det senare hör hemma i det som kallas bayesiansk beslutsteori, efter den engelska matematikern Thomas Bayes, och är ett sätt att tänka som utgör själva grunden i modern maskininlärning. Ett första steg är att tänka mer som en spelare, i termer av sannolikhet. Det gör dig bättre förberedd för osäkerheterna och komplexiteten i vår tid.

I stället för att alltid försöka ha rätt, siktar den algoritmiska ledaren på att ha mindre fel eller göra färre fel över tid. Ett par exempel för att göra det konkret: En hr-chef som tänker så här kommer att noggrant analysera data över varifrån företagets topptalanger kommer ifrån, och inför kommande rekryteringar dra slutsatser utifrån dessa data. På samma sätt kommer en försäljningschef som tänker algoritmiskt inte bara att nöja sig med en rad fina avslut, utan också gå igenom data över var heta ”leads” kommer ifrån, hur många kunder som lämnar efter bara en månad och så vidare.

Hur snabbt din organisation samlar in nya data och kommer till nya insikter kommer att avgöra hur bra den hanterar det osäkra läget.

Författaren tar upp ett par konkreta steg för att mer effektivt hantera beslut i en osäker omvärld:

Författaren avslutar detta avsnitt med att ta upp att det stora värdet av en experimentell approach — där man samlar in information, testar, samlar in ny information och försöker igen — är att chefen efterhand kommer att ställa allt bättre frågor. AI handlar inte om att automatisera innovation — AI ska hjälpa ledarna att fokusera på de frågor och idéer som är värda att utforska vidare.

GÖR KULTUREN TILL ERT OPERATIVSYSTEM — OCH DESIGNA ARBETET

Det kanske kan låta motsägelsefullt, men ju mer arbetsprocesser och beslut som automatiseras, desto viktigare blir det som chef att genomtänkt stötta och leda de kvarvarande mänskliga delarna i en organisation. Hur mycket AI än utvecklas kommer det att finnas saker som måste hanteras av människor, och dessa blir faktiskt viktigare och viktigare ju längre automatiseringen går. Den algoritmiska ledaren skapar en kultur som är anpassad till vår tidsålder och författaren listar en rad nycklar till att lyckas med detta:

Walsh menar att en algoritmisk ledares verkliga jobb inte är att arbeta utan att designa arbete. Frågan chefen borde ställa är inte ”vad ger detta för resultat?” utan ”har vi rätt tillvägagångssätt?” Med detta syftar författaren på att traditionella utvärderingar av en verksamhet också tenderar att konservera den. Sådana traditionella frågor är exempelvis: Uppfyller vi våra mål? Överträffar teamet förväntningarna? Har medarbetarengagemanget gått upp eller ner denna månad? Om man som chef helt sitter fast i den typen av utvärderingar är det lätt att missa det grundläggande ifrågasättande som vår tid kräver: Är detta verkligen det smartaste sättet att göra uppgiften?

Att stanna upp och tänka på det smarta, algoritmiska sättet att ta sig an en uppgift kan också glänta på dörren till idéer om skalbarhet. Författaren tar upp ett exempel, vårdföretaget Babylon Health, som visar hur AI inte bara kan ändra förutsättningarna för en traditionell bransch, utan också bygga en tjänst i global skala. Grundaren, iraniern Ali Parsa, drev från början ett företag som specialiserat sig på att hjälpa sjukhus som hade dåligt utfall i vård av patienterna. Trots stora framgångar i exempelvis det sjukhus i England som hade allra sämst resultat, Hinchingbrooke, kände sig Parsa frustrerad över hur begränsade framgångarna med tillgång till god vård trots allt var. Som han konstaterar — hälften av världens befolkning saknar fortfarande tillgång till vård överhuvudtaget. Han ställde grundläggande frågor om hur man bäst når de resultat han var ute efter. Följden blev den AI-drivna vårdappen Babylon Health, som säkrar kvalitetsvård i stor skala och utan geografiska begränsningar.

Därför behövs mänskligt tänkandei AI-åldern

HITTA NYA JOBBET INUTI DET GAMLA

Som ledare kan du ta detta för givet de kommande åren: Om något går att automatisera, kommer det att automatiseras. Den stora frågan för algoritmiska ledare är inte automationen, utan vad som kommer efter. Betyder det att du som chef kommer att få säga upp en massa personal? Författarens svar är nej — även om vissa jobb kommer att ersättas helt och hållet, kommer andra bara att ersättas delvis. Och för dig som chef kan det mycket väl handla om att hitta nya uppgifter för människor som ytterligare ökar effektivitet, produktivitet eller sätt att klara just er utmaning.

Walsh hänvisar här till historiska fakta som visar att automatisering faktiskt haft just en sådan effekt. Exempelvis ökade industrialisering i bomullsindustrin effektiviteten i produktionen. Priserna sjönk, efterfrågan ökade — och antalet mänskliga vävare ökade fyrfalt mellan 1830 och 1900.

Ett exempel på hur ”automation can lead to elevation”, för att använda författarens engelska term, hittas om man tittar på revisions- och kontrollverksamhet av utlägg i en stor organisation. AI kan sköta själva kontrolluppgiften långt bättre än någon människa — till exempel upptäcka mönster i fusk som varit omöjligt att upptäcka för en enskild person. De mänskliga resurser som använts till detta kan då omfördelas till mer strategiska och intressanta uppgifter, exempelvis att tänka ut och implementera de förändringar som är nödvändiga för att undvika samma fusk i framtiden.

Författaren lyfter ett antal punkter där människan har och framöver kommer att spela en viktig roll, oavsett hur AI utvecklas.

Genom att frigöra oss från enahanda och meningslösa uppgifter kan AI inte bara ge oss ökad effektivitet och produktivitet, utan också ge oss valet att fokusera på vår kreativitet — och den mänskliga interaktion som verkligen betyder något.

Författaren avslutar boken med att i punktform sammanfatta vad som utmärker en algoritmisk ledare: