I dag gjør AI (artificial intelligence) at rattet vibrerer når bilen krysser en hvit eller gul kjørelinje, foreslår investeringsalternativer, og anbefaler hvilken kandidat som bør få jobben.
- AI har ansvaret:
- Replacement AI: dersom AI fungerer perfekt hver gang, kan det erstatte mennesker. Skaper ledighet og høye AI-trenekostnader.
- Unreliable AI: når AI ikke er perfekt, må mennesker gripe inn og justere feilen. Krever høy kompetanse og konsentrasjon
- Mennesker har ansvaret:
- Augmentation AI: mennesker beholder beslutningskontrollen. Gir kvalitet og motivasjon.
- Antagonistic AI: hvor et ikke perfekt AI trigger mennesker til kritisk tenking før hun beslutter.Utfordrer mennesker, men krevende for konsentrasjonen.
For å illustrere rammeverket, kan man tenke seg en situasjon hvor en virksomhet skal ansette en ny leder. Dersom dagens praksis med å ansettelse ledere, bevisst eller ikke, får andre ledere til å ansette folk som ser ut som dem, vil AI som er trent med å ansette data fra slike ledere, sannsynligvis lære å etterligne den skjevheten (og dermed gjøre lederne glade).
Men dersom lederne er klar over denne skjevheten og ønsker å redusere den, må de gjøre en innsats for å utvide AI-opplæringsdataene eller til og med kjøre eksperimenter - for eksempel å legge til kandidater fra helt andre høyskoler og universiteter som kanskje ikke har blitt vurdert før - for å samle inn de nødvendige dataene å trene et objektivt AI-system. Deretter, hvis partiske ledere fortsatt har ansvaret for beslutningsprosesser, kan et oppdatert og mer objektivt AI få lederne til å lese profilen på alle kandidatene og fremdeles velge å ansette den som ser mest ut som dem.
Men siden dette ikke hjelper eieren å oppnå målet om å eliminere skjevhet ved ansettelser, er et annet alternativ å designe AI til å overstyre de som skal ta beslutningen. Nedsiden ved dette kan være en umotivert beslutningstaker.
Etter hvert som AI blir adoptert i ulike funksjoner i virksomhetene, vil det endre måten organisasjonene fungerer på. Bedrifter og virksomheter i privat og offentlig sektor vil måtte tenke annerledes om organisasjonsdesign, arbeidstakers insentiver, hvor godt beslutningene fra arbeidstakere og AI er i tråd med virksomhetens mål, og om en investering i opplæringsdata for å forbedre AI-kvalitet vil ha ønskelige konsekvenser. Den gode nyheten er at teoretiske modeller kan hjelpe organisasjoner til å tenke gjennom samspillet mellom alle disse valgene.
Målet er at den beste AI skal være den beste AI, ikke bare rent teknisk, men for virksomheten og de ansatte.