Når tal møder mennesker: Sådan får vi styr på AI’s samfundseffekt
Jeg sparrede for nylig med nogle af fagfolkene fra AI Orchestrator om, hvordan man egentlig måler social impact og bæredygtighed når kunstig intelligens skal være med til at løse verden. Det var en samtale der virkelig fik mig til at tænke anderledes på hvad vi egentlig håber på, når vi siger “impact”.
Hvad betyder det egentlig at have impact?
Fra abstrakt til konkret
Du har måske været i møder hvor folk siger ting som “vi skal gøre forskel” uden helt at vide hvad det betyder? Præcis det samme sker når organisationer implementerer AI løsninger. Det træls er, at folk ofte tror impact handler om store tal og udvidelse. Men virkeligheden er mindre glamourøs og samtidig meget mere interessant.
Når du skal måle impact, handler det først og fremmest om at definere hvem der påvirkes og hvordan. En AI løsning der hjælper lærere med at identificere elever der halter bagud er ikke det samme som en algoritme der sorterer CV’er. Metoderne må være forskellige, helt enkelt.
De kvadrater der skal skrues på
Grundlæggende måler man impact gennem fire dimensioner. Af den grund skal du have styr på:
- Antal mennesker ramt af forandringen (skala)
- Hvor dybt det påvirker deres dagligdag eller muligheder (dybde og varighed)
- Om effekten er målbar eller blot følelse baseret
- Om forandringen holder længere end projektets finansiering holder
Forestil dig en kommune der implementerer AI til at optimere medicinkøb på plejehjem. Hvis systemet reducerer udgifter med 15 procent, er det fint. Men hvis det samtidig betyder at ældre mennesker får mindre tid med personalet fordi administrationen styres dårligere? Så har du et klassisk eksempel på hvordan en metrik kan være grøn men konsekvensen træl.
Bæredygtighed som målestok
Mere end miljø
Når vi snakker bæredygtighed i kontekst med AI, dukker folk ofte hjernen hen på CO2 og serverenergi. Det er relevant, selvfølgelig. Men det er også lidt af et sidespor fordi bæredygtighed omfatter også økonomisk stabilitet, social retfærdighed og evnen til at fortsætte uden at skade senere generationer.
Hvordan du tegner billedet
Der eksisterer nogle fine rammer man kan bruge. Du kan strukturere det sådan her:
| Område | Målepunkt | Eksempel |
|---|---|---|
| Miljø | Energiforbrug og emissioner | Datasenterets CO2 per løst opgave |
| Social | Jobskabelse og uddannelse | Har lokalsamfundet fået nye kompetencer? |
| Økonomisk | Langsigtede værdier | Kan projektet selv finansieres efter tre år? |
| Institutionel | Styring og transparens | Er beslutningsprocesser dokumenteret? |
Det menneskeligt komplekse ved at tælle op
Mellem tal og følelser
Her er min mildt kontroversielle tanke: du kan ikke måle alt det vigtige. Ja, jeg ved hvad de siger på konferencer. Men hvis AI løsningen giver lærere mere tid til at se hver elev som et menneske i stedet for en statistik, hvordan noterer du det? Det er ikke umuligt, blot vanskeligt.
Ligeledes skal du være årvågen overfor hvad jeg kalder målingsfantomerne. Det er de effekter vi tror vi måler, men som egentlig handler mere om hvilke tal vi kan trække ud af systemet end hvad der virkelig sker ude i virkeligheden.
Samtalen hele tiden
Det skidegodt ved impact måling er at det ikke ender når projektet går live. Du skal konstant snakke med mennesker som faktisk bruger systemet. Deres feedback er værd mindst lige så meget som databasen med performance metrics. Tro mig.