Search Results for: Kunstig intelligens

Her er utkast til første kapittel til bok om «Digital økonomi 2.0» som vil komme ut tidlig i 2013. Kommentarer og ideere mottas med takk.

Om du reiser langs kysten i Norge, vil du mange steder se små hus med et lite stykke jord der det tidligere ble dyrket poteter og andre vekster. Nå er mange av disse plassene blitt attraktive feriesteder, men i lange tider har de vært bebodd av folk som for det meste levde av det jorda og havet ga.

Fiskerbonden er blitt et begrep[1]. Disse menneskene som i hovedsak levde av det de kunne høste i naturen og som byttet til seg andre varer og tjenester om anledningen bød seg, var kanskje de siste som levde relativt uavhengig av markedet.

Industrialiseringen av samfunnet førte med seg en større arbeidsdeling, der både fiskerne og bøndene ble mer spesialiserte, og der utviklingen gikk mot stadig større enheter for at en skulle kunne utnytte stordriftsfordelene også i disse næringene. Stordriftsfordeler fører til at gjennomsnittskostnadene ved produksjonen faller over tid, fordi en kan utføre mer arbeid for lavere kostnader når en allerede har maskiner og utstyr på plass, når en har et etablert transportsystem for varer, et etablert markedsapparat med mer.

Stordriftsfordelene skaper stadig lavere gjennomsnittskostnader, helt til en har brukt opp kapasiteten i systemet. Når all jorda er dyrket, når fabrikken utnytter hele produksjonskapasiteten og når hotellet er fullt, er kapasitetsgrensen nådd. Da må denne utvides og det fører vanligvis til at gjennomsnittskostnadene igjen øker.

I jordbruket har det vært omfattende endring de siste tiårene, og det er rart å tenke på at så sent som fram til 1960 hadde nesten halvparten av gårdene i Norge hest. Fra 1959 til 2009, i løpet av 50 år er” arbeidsinnsatsen i jordbruket redusert fra 594 timeverk til 107 millioner timeverk, mens samlet produksjon av plante- og husdyrprodukter har økt med om lag 80 %”.[2] ”I samme periode er også antallet jordbruksbedrifter redusert med 76 prosent, fra 198 000 til 48 000, og gjennomsnittlig areal per gård mer enn firedoblet i samme periode,[3] hvilket viser at det er effekten av stordriftsfordeler sog ny teknologi som har gjort landbruket mer effektivt.

Mens det bare var 20 % av bøndene som hadde firehjulstraktor i 1959, hadde nesten alle (96 %) dette i 2005. Jordbruket hadde i denne perioden tatt steget fra en jordbruks- til en mer industrialisert produksjonsform og økonomi.

I den industrielle økonomien er det normalt at gjennomsnittskostnadene øker når vi skalerer opp produksjonen.

Den industrielle økonomien har ett særtrekk til, og det er at den er stedsbundet. Mange steder ble det etablert industriell produksjon enten fordi en hadde tilgang til mye og rimelig kraft, slik som på Rjukan, eller fordi en hadde tilgang til andre naturressurser som kunne bearbeides industrielt til attraktive varer.

I Sulitjelma ble landets største gruvevirksomhet etablert på begynnelsen av 1900-tallet der en utvant kobber og svovelkis i et nettverk av tuneller der det på det meste var over 800 km med jernbaneskinner.[4] Bergverksdriften ble lagt ned i 1991 da prisene på de ferdige produktene gjorde produksjonen for dyr. Det samme har skjedd med mye annen industriell produksjon i Norge, blant annet fordi den internasjonale konkurransesituasjonen er endret etter at stadig flere land er blitt mer aktive i internasjonal handel og fordi transportsystemene er blitt mer effektive og rekker lenger. Transaksjonskostnadene ved internasjonal handel er redusert på dramatiske måter.

I industrisamfunnet var fabrikken lenge en sentral enhet[5].  Fabrikkene var ofte mer enn bare rasjonelle produksjonsenheter, de bygde mange steder også boliger og utviklet skole- og helsetilbud til de ansatte. Slike ensidige industristeder er imidlertid sterkt endret, og Mo i Rana har sågar gått fra å være jernverksbyen per se til å bli sete for en rekke digitale tjenester, blant annet Nasjonalbiblioteket.  Overgangen fra industri- til digitalt nettsamfunn har vært merkbar, ikke bare for dem som produserte industrielle råvarer, men også for dem som produserte andre varer og tjenester. Og ny teknologi må ta mye av ”skylda” for denne utviklingen.

Teknium driver oss videre

En av dem som har studert hvordan teknologi endrer samfunnet er Kevin Kelly, som i boka What Technology Wants[6] (2010) introduserer teknium. Bakgrunnen for dette er at Kelly har vært opptatt av hvordan teknologi er med på å forme ulike samfunn, og hvordan svært mye av det vi omgir oss med må karakteriseres som teknologi, selv om vi ikke tenker på det på den måten.

Klærne våre er teknologi, uansett hvor primitive de måtte være. Redskapene våre og kokekarene er teknologi. Og selve det å bearbeide mat gjennom å koke eller steke den, slik at vi kan utnytte flere av næringsstoffene er også teknologi. Teknologi gjennomsyrer hverdagen vår, uten at vi altså alltid tenker over at det er teknologi.

Kelly var også opptatt av hva det er som gjør at ny teknologi hele tiden utvikles og at vi ikke bare er tilfredse med å bruke det vi allerede har utviklet. Han mener det finnes en slags utviklings-drivkraft også når det gjelder teknologi, som fungerer omtrent på samme måte som evolusjonen[7] gjør i biologien. Teknium er summen av alt det mennesker har utviklet og produsert gjennom historien. Teknium kan også ses som en utvidelse av kroppens og spesielt hjernens funksjoner. Og han mener at det er en evigvirkende kraft som bidrar til at nye teknologier finnes opp når samfunnet er modent for dem. Dette fører han et slags anekdotisk bevis for ved å vise hvordan både blant annet lyspæren, telefonen, dobbelt bokholderi og termometeret ble oppfunnet av flere personer omtrent samtidig og uavhengig av hverandre.

Tanken om et teknium som driver teknologiutviklingen videre nesten på evolusjonært vis er selvsagt kritisert, særlig av humanister, blant annet fordi den fremstår som teknologideterministisk, men alternativet er i følge Kelly mye verre. Det er et samfunn og et liv uten sivilisasjon eller utvikling.

Utviklingsmessig har digitale teknologier overtatt for mye av industrisamfunnets produksjonsapparat og infrastruktur. Mens telefonen tidligere bestod av spesialiserte apparater, linjer og sentraler, er denne i dag redusert til et dataprogram som kan kjøres på nesten hvilken som helst datamaskin. Og det er mest historiske grunner til at vi fremdeles omtaler små datamaskiner med innebygde skjermer som smarttelefoner. Kanskje vi heller skulle kalle dem smartskjermer?

Uansett hva en kaller det, har digital teknologi og digitale tjenester bidratt til å skape en infrastruktur for sosial samhandling, som Marc Zuckerberg en gang omtalte Facebook som. Denne infrastrukturen er tilnærmet global, den overtar for de tidligere spesialisert infrastrukturene i medie- og telesektoren og den fører til at tjenester som blir digitale i praksis kan flyte på tvers av landegrenser og nasjonalstatlige reguleringer. Denne utviklingen skaper et vell av utfordringer og det har vist seg å ta tid å tilpasse lov- og regelverk, utvikle en samfunnsmessig forståelse av hvordan det er smart å bruke de nye teknologiene og ikke minst å endre eksisterende virksomheter.

Også deler av den nasjonale samfunnsutviklingen henger etter i forståelsen av hva nye digitale tjenester gjør med samfunnet vårt. Så sent som i 2012 mente Høyesterett at bloggeren Eivind Berge ikke kunne fengsles for å ha oppfordret til politidrap, fordi blogger ikke ble ansett som offentlige ytringer.[8]

Teknium driver utviklingen videre og skaper en strøm av nye digitale tjenester, men samfunnets forståelse av disse ligger i etterkant av utviklinge
n. Dette gjelder ikke bare den juridiske forståelsen, men også den forretningsmessige, noe Apple har utnyttet til fulle. Gjennom kreativ bruk av teknologi har de blitt verdens største distributør av musikk gjennom iTunes og av software som i Apples ånd kalles apps[9] gjennom Appstore. I tillegg tas de fleste bilder i verden med en iPhone.[10]

Ny teknologi endrer arbeidsprosesser

Mange som tar i bruk ny teknologi gjør dette uten å endre måten organiseres på, noe som ofte fører til at effektene også blir mer begrenset. Det er en nær sammenheng mellom tilgjengelig teknologi og måten å organisere arbeidsoppgaver på. Skal du slukke en brann med vannbøtter, kan det være hensiktsmessig å organisere en kjede av folk som kan sende bøttene, og skal du designe et landsomfattende utdanningsprogram der du bare har papir som kommunikasjonsmedium, kan det være like hensiktsmessig å skape relativt like klasserom, enhetlige læreplaner og sentralt gitte tester for å sikre at en oppnår et visst kvalitetsnivå. Teknologi og organisasjon henger nært sammen. Så når vi nå har frigjort oss fra industrisamfunnets kommunikasjons- og medieteknologier, er det kanskje også på tide å frigjøre seg fra dets organisasjoner?

Og ikke bare det, – forskere som Erik Brynjolfsson og Andrew McAfee ved MIT mener at vi kan vinne ”… the Race With Ever-Smarter Machines (2012), hvilket innebærer at nøkkelen til fortsatt vekst i samfunnet kan ligge i mer automatisering av tjenester. Da må vi ta ny teknolog i bruk på langt flere områder enn tidligere.

Hvor fort utviklingen går kan illustreres med et utdrag fra boken The New Division of Labour av økonomene Frank Levy og Richard Murnane (2004) som i boken skriver et kapittel om ”Why People Still Matter”. Her analyserer de hvilke typer oppgaver som kan automatiseres. Særlig enkelt er det å automatisere oppgaver som er basert på regler, hvilket gjelder svært mye av den offentlige saksbehandlingen og ikke minst oppgaver der en kan regne seg fram til det riktige uttrykket.

I den andre enden av kompleksitetsskalaen finner en oppgaver der en må fatte beslutninger på annet grunnlag enn bare ved å følge gitte regler og der en også er avhengig av å kunne utføre kompleks mønstergjenkjenning for å kunne utføre oppgaven. Forfatterne brukte bilkjøring som eksempel på en prosess en vanskelig kunne automatisere.  De skrev at a

the … truck driver is processing a constant stream of visual, aural and tactil  information from his environment. … To program this behavior we could begin with a video camera and other sensors to capture the sensory input. But executing a left turn against oncoming traffic involves so many factors that it is hard to imagine discovering the set of rules that can replicate a driver’s behavior. …

Articulating human knowledge and embedding it in software for all but highly structured situations are at present enormously difficult tasks. … Computers can not easily substitute for humans in jobs like truck driving.[11]

I 2012 fikk Googles bil lisens for å kjøre uten sjåfør i staten Nevada i USA[12] i et prosjekt som har vært kjørt i samarbeid mellom Google og Stanford, der Sebastian Thrun underviste i kunstig intelligens.  Siden har Thrun sluttet på Stanford og startet Udacity, et selskap som har som mål å demokratisere høyere utdanning ved å tilby samme type kurs som eliteuniversitetene gjør. Mens kurset i kunstig intelligens på Stanford hadde 200 studenter, har hans kurs om ”hvordan du kan programmere en bil som kjører i trafikken alene” over 160 000 studenter fra hele verden. Og målet er ikke bare å demokratisere høyere utdanning ved å gjøre den nettbasert, men å revolusjonere hele måten utdanningsløpet gjennomføres på ved universitetene.[13]

Digitalisering av tradisjonelle tjenester representerer en overgang fra industri- til det digitale nettsamfunnet, og disse eksemplene viser at potensialet for å endre måten vi utfører ulike oppgaver på i samfunnet er svært stort.

Den digitale økonomien blir derfor langt mer omfattende enn en kan tenke seg i starten, og dette kommer til å få påvirkning på mange områder vi tenker må være forbeholdt menneskelig intelligens og ikke minst kulturforståelse. I 2011 slo IBMs datamaskin Watson to av de beste spellerne i Jeopardy. IBMs maskin bestod av 90 servere med et internminne på 16 terrabyte, som er omtrent tusen ganger mer enn en bra PC har i dag. Den hadde tilgang til informasjon tilsvarende 200 millioner sider med både strukturerte og ustrukturerte data bestående av nyhetsartikler, oppslagsverk, skjønnlitteratur, ordbøker og lignende, men den var ikke koblet til internett.

Når ett av ledetrådene lyder ”denne it-milliardæren som er rival til Bill Gates fikk sitt etternavn fra havnebyen der hans familie ankom USA”, sier det seg selv at det skal mye kunstig intelligens til for å komme fram til Larry Ellison som svar[14]. Grunnlaget for å få til dette er en form for statistisk analyse av de underliggende dataene. Det samme bruker programmer for analyse av tale, der språklyder, ord og fraser analyseres statistisk og settes inn i den konteksten som den mest sannsynlig hører hjemme i.

Med en slik tilnærming vil tilgangen til raskere datamaskiner og nettverk, samt nesten uendelige mengder data gi oss tjenester som vil kunne erstatte mennesker på mange flere områder enn vi kanskje kan tenke oss i dag. Anvendelsesområdene er uendelige innen undervisning, helsesektoren og i juridisk sammenheng, bare for å nevene noen opplagte kandidater.

Når bitsene erstatter tradisjonell tjenesteyting går vi samtidig fra den industrielle- til den digitale økonomien. Og da blir også grunnlaget for verdiskaping et annet. For hvordan skapes verdier når ”produktet” er flyktig, usynlig, skapt av maskiner og med den egenskap at det kan formidles over hele verden i løpet av brøkdeler av et sekund? Hva skal vi betale for når det ikke utføres noe arbeid?

En annen side av teknologien er når den ikke bare gir oss svar på spørsmål vi stiller, men også fatter beslutninger for oss. Dette er ikke minst situasjonen på børsen der robotene har overtatt en stor andel av handelen[15]. De som handler aksjer skiller gjerne mellom snille og slemme roboter, der de snille robotene stort sett overtar aksjemeglernes tidligere oppgaver, det vil si å kjøpe eller selge aksjer ut fra gitte kriterier. At kriteriene kan være mer avanserte enn tidligere er en annen sak. Nå kan du for eksempel handle aksjer som er billigere enn det glidende gjennomsnittet for aksjekursen for de siste 20 minuttene. Det er med andre ord algoritmene og matematikken som overtar mye av handelen.

De slemme robotene kan bidra til å manipulere markedet ved at kjøp- og salgsordrer legges inn og slettes igjen på brøkdeler av sekunder. En analyse på oppdrag for e24 utført av Eric Hunsader, som er ekspert på aksjeroboter, viste at 56% av alle ordre som ble lagt inn på Oslo børs i november 2011 ble slettet igjen i løpet av ett sekund. 11 millioner ordre ble slettet i løpet 16 millisekund. Denne høyfrekvente handelen er blitt så viktig og så spesialisert at de fremste aktørene plasserer serverne sine så nært børsens dataserver som mulig, og en antar at den korteste avstanden mellom serverne kan være så liten som en meter.[16]

Denne handelen har også ført til en ting til, at den mest etterspurte kompetansen i finansbransjen er i ferd med å bli kunnskap i matematikk og fysikk[17], noe som er forståelig siden konsekvensene av å gjøre feil i en slik handelsøkonomi kan være enorme. Det fikk det amerikanske selskapet Knight Capital erfare da de tapte om
lag 2,6 millarder kroner fordi algoritmene ”løp løpsk” og de begynte å handle en rekke aksjer som ellers var lite omsatt.[18]

Ikke alle algoritmene og robotene er like smarte, noe som gjør at menneskelig innsikt og intelligens kan overliste dem ved å skape investeringsstrategier som utnytter robotenes innebygde kunnskap.[19]

Børsen selv mener slik handel har mange fordeler, og vil på ingen måte helst bli kvitt den slik enkelte gammelkapitalister har tatt til orde for.[20]

Dette er også et eksempel på at digitale tjenester overtar for tradisjonelle tjenesteyting og at denne overgangen skaper utfordringer som vi ikke er rustet til å beherske, enten det gjelder forståelsen av lovverket eller utviklingen av systemene som brukes for å gjennomføre slik handel. Nye arbeidsprosesser som skapes på grunn av ny teknologi må ofte forstås ut fra andre premisser enn de prosessene de erstattet, og dette kan være vanskelig for dem som bare kjenner de gamle prosessene.

Big data

Fra Gutenbergs begynnende industrialisering av trykkeriprosessen og frem til i dag har dokumentene, enten det er bøker, rapporter, bruksanvisninger, budsjetter eller hva det nå måtte være vært bærere av sentrale ressurser for svært så mange måter. For å holde orden på disse ressursene, for å kunne finne dem igjen når vi hadde behov for det skapte vi bibliotek og arkiv med kataloger og klassifikasjonssystemer. Og vi skapte emneord og tesauruser som viste tematiske sammenhenger mellom ulike temaer og dokumenter. Slik kunne vi finne frem til aktuelle dokumenter når vi hadde bruk for det, og slik kunne vi finne frem til ulike dokumenter med saker og temaer som hadde en eller annen logisk sammenheng.

Behovet for effektiv gjenfinning økte med den stadig voksende mengden av dokumenter, og det ble bygd sinnrike systemer og organisasjoner for å sikre gjenbruk av de mange dokumentene.

Folkebibliotekene tok vare på de lokale bøkene som skulle være tilgjengelige i nærmiljøet, og Fylkesbibliotekene koordinerte mellom de enkelte folkebibliotekene og fagbibliotekene. Du skulle kunne låne en bok i en liten by, selv om det lokale folkebiblioteket ikke hadde den.

Nasjonalbiblioteket og Riksarkivet utviklet systemer og arkiver som skulle sikre at omtrent alt som ble publisert på papir kunne gjenfinnes, enten det var bøker, reparasjonsmanualer for gamle motorsykler eller regnskapene til offentlige etater.

Dataalderen bidro til at gjenfinningssystemene ble digitalisert og til at de ble knyttet sammen, slik at jeg kunne finne en bok i et annet bibliotek uten å måtte gå om andre mellomledd.

Og med World Wide Web fra 1993[21] ble også selve dokumentene i stadig større grad gjort tilgjengelig på nett. Da første generasjons søkemotorer ble utviklet, med Alta Vista som den kanskje fremste, ble det etter hvert også lettere å finne igjen søkte dokumenter, fordi søkemotorene som gjenfinningssystemene nå ble hetende, indekserte hele dokumentet og gjorde det mulig å søke på alle meningsbærende ord i hele dokumentet. Slik ble første generasjons søkemotorer til, der teorien ble hentet fra informasjonsvitenskap og faget ”information retrieval” eller informasjonsgjenfinning utviklet med basis i bibliotekfagenes kjernekompetanse.[22] I denne sammenhengen var det om å gjøre å ha høy presisjon og høy gjenfinningsgrad, slik at en helst fant alle relevante dokumenter og bare disse.

Etter hvert som den tilgjengelige dokumentmengden på nett vokste, ble det også behov for å utvikle mer sofistikerte gjenfinningssystemer, og Google var pioner i utvikling av andre generasjons søketjenester, ved at de også lot kontekstuelle variabler være med og avgjøre hva som skulle prioriteres øverst på søkelisten. Google telte hvor mange det var som lenket til den søkte ressursen, underforstått at hvis det var mange som lenket til den, måtte den også være nyttig på en eller annen måte, og nyttigere enn ressurser som ingen lenket til.

Google er historie, og gjenfinningsalgoritmene er deres kanskje største forretningshemmelighet. Og faget informasjonsgjenfinning ble for mange til et nytt fag som handlet om søkemotoroptimalisering, om hvordan en skulle designe nettsider slik at de faktisk ble gjenfunnet.

Også dokumenthåndteringen var flyttet fra industrisamfunnets kortkataloger til det digitale nettsamfunnets bitsverden, der ikke bare gjenfinningssystemene men også selve dokumentene ble digitale. Og slik fortsetter utviklingen. Teknium driver oss videre og vi står på terskelen til web3.0 eller semantisk web, der ikke bare papiret blir borte i prosessen, men der også selve dokumentene mister funksjonalitet og betydning, fordi informasjonselementer kan hentes ut fra ulike kontekster og sammenstilles på nytt. Om du vil vite noe om en bestemt person i dag, er du stort sett avhengig av å finne dokumenter som beskriver personen, eller selvsagt finne andre personer som kan gjøre dette, mens web3.0 vil finne informasjon fra ulike kilder og sette dette sammen på egenhånd, styrt av ditt ønske.

Når så ekstremt store datamengder er tilgjengelig på nett oppstår også mulighetene for å lete etter data om bestemte personer, hendelser eller annet i denne enorme mengden. Metoder for å gjøre dette knyttes ofte til fenomenet ”big data”, som inkluderer det som tidligere også ble kalt ”data mining”. Data mining er kjent fra faget informatikk der det er et uttrykk for metoder for blant annet å finne mønstre i ustrukturerte data, det vil si data som ikke er organisert i databaser. Slike metoder ble blant annet brukt av markedsførere som ville finne kjøpsmønstre i store mengder data fra for eksempel butikkdatasystemer. På den måten kunne en finne ut hva kundene handlet, hvilke varer som ble handlet sammen med andre varer, i hvilke situasjoner og på hvilke tidspunkter varene ble handlet, slik at en kunne optimalisere markedsføringen av de samme produktene.

Nyere metoder å analysere slike data på har gjort at bruken av dem også er kraftig utvidet samtidig som mengden tilgjengelige data har vokst eksponentielt. Statistiske metoder og matematiske modeller har sammen med tilgang til svært kraftige datamaskiner også skapt muligheter for å analysere enorme datamengder i sanntid, jamfør IBMs Watson. Dette gjør også at slike arbeidsmetoder kan anvendes på andre områder enn tidligere og i andre situasjoner. Èn slik situasjon er når en vil forsøke å finne ut hva som holder på å skje eller hva som kommer til å skje i fremtiden.

En relativt enkel tjeneste der data analyseres på denne måten finner vi i Googles analyse av søkeord. Om det er spesielt mange som søker på ordet bil, må en anta at det er en forhøyet interesse for dette og gjennom mer detaljert analyser av hva det søkes på og hvilke nettsider de som søker bruker tid på i etterkant, kan en finne ut mer om hvilke aspekter ved bil som er interessante.

Denne metoden gjør en også bruk av innen helsevesenet, der søketeknologi kan kartlegge utbredelser av sykdommer som influensa. Å kartlegge hvor og hvor raskt slike sykdommer spres kan være viktig, blant annet fordi flere hundre tusen mennesker dør av sykdommen hvert år. På grunnlag av artikkelen Detecting influenza epidemics using search engine query data i Nature (Ginsberg m.fl. 2009) utviklet Google tjenesten Google Flu Trends[23], der data om utbredelsen av influensa ble tilgjengelige 1-2 uker raskere enn gjennom den statistikken som European Centre for Disease Prevention and Control kunne utarbeide, basert på hvor ofte folk som brukte Googles søketjeneste søkte på ordet influensa.[24]

Googles muligheter for å vise data grafisk for eksempel ved å bruke Google Earth gjør at utviklingen av blant annet virussykdommer også kan vises med h
ensyn på både tid- og geografisk utbredelse gjennom figurer og animasjoner. Slik gjør en det lettere å tolke dataene og å skjønne hva konsekvensene av endringene er gjennom bruk av avanserte visualiseringsløsninger.

En annen bruk av big data finner en i finanssektoren, der selskaper som drifter betalingskort gjennom å analysere mønstre i pengebruk kan forutsi om en person kommer til å bli skilt i løpet av de neste to årene med 98 % sannsynlighet. Historien er fortalt i Yaleprofessor Ian Ayers bok Super Crunchers[25], som handler om hvordan analyser av tilgjengelige data på mange områder vinner over beslutninger tatt der intuisjon og fagkunnskap er viktige bestanddeler.[26]

Det svenske selskapet Recorded Future[27] er en av pionerene på dette området. De gjør bruk av avanserte statistiske og lingvistiske modeller for å finne mønstre i ekstremt store datamengder. Slike data kan bestå av ”alt som er publisert på nett”, inkludert meldinger på Facebook, Twittermeldinger, pressemeldinger, diskusjoner i ulike diskusjonsfora etc. Og slike data kan for en stor del analyseres i sanntid, hvilket vil si at det går svært liten tid fra de blir publisert til de blir del av analysen.

Ideen er at den kombinerte innsikten som svært mange mennesker har til sammen vil gi kunnskap som er nært ”sannheten”. Denne logikken er beskrevet i James Surowieckis bok The Wisdom of Crowds ( 2004) som starter med et eksempel hentet fra en landbruksutstilling for 100 år siden. Der fikk alle som besøkte utstillingen i oppdrag å gjette vekten på en okse, samtidig som også et panel av eksperter skulle gjøre det samme. Det oppsiktsvekkende funnet var at gjennomsnittet eller medianen av de besøkendes kalkyler var langt nærmere oksens virkelige vekt enn ekspertenes anslag. Og Surowiecki viser at dette ikke bare gjelder dette spesielle eksempelet, men er en mekanisme som gjelder i svært mange sammenhenger. Mengden av mennesker, eller The Crowd som han kaller dem, har ulike informasjon og ulik kunnskap, og ved å kombinere denne kunnskapen fra mange kilder kan en i mange situasjoner også predikere hva som kommer til å skje i fremtiden.

Det er det selskaper som Recorded Future gjør, og det med stor suksess.

Fra bits til fysiske ting og fra mennesker til maskiner

Det digitale nettsamfunnet skaper ikke bare prosesser der bitsene erstatter de fysiske tingene og menneskene, men bidrar også til en motsatt prosess. Dette er særlig synlig gjennom 3d print, der digitale modeller omsettes til fysiske representasjoner.

I teorien er det nærmest ingen begrensninger i hva en kan ”trykke” eller skape ved å materialisere digitale modeller. Ratto og Ree (2012)[28] viser i artikkelen Materializing information: 3D printing and social change hvordan slike teknologier påvirker ulike sider av samfunnet og hvordan digitale teknologier både alminneliggjøres ved at de kan bli like vanlige konsumprodukter som blekkskrivere og laserskrivere, og ikke minst hvordan slik teknologi er i ferd med å endre arbeidsprosesser, spesielt innen de kreative og skapende bransjene.

Sosiale medier har skapt Enterprise2.0, -organisasjoner der arbeidsdeling og koordinering gjøres gjennom sosiale medier. Gjennom Enterprise2.0 kan en dele kunnskap og utvikle ny kunnskap, en kan konstruere nye ting gjennom å arbeide på digitale modeller. For eksempel kan mange arkitekter arbeide på den samme digitale modellen, de kan diskutere og lenke til eksempler for inspirasjon og kunnskap som trengs i den videre produksjonen. Og gjennom 3D-printing kan de også dele de fysiske representasjonene. Cocreation gir grunnlag for samskaping og gjennom tjenester som Thingiverse[29] kan modeller deles og videreutvikles gjennom samme lisenser og tankesett som ligger til grunn for open source utviklingsmodeller for dataprogrammer og digitale tjenester.

Nytten av slike tjenester opplagt. Her kan ødelagte deler til andre produkter erstattes, design forbedres og nye nyttegjenstander skapes. Til og med hele hus er det mulig å ”printe”[30] ved hjelp av betong og organiske materialer.

Denne muligheten for å materialisere digitale modeller har også omfattende sosiale konsekvenser der den mest synlige er at den fysiske produksjonen av tingene endrer karakter. Skillet mellom formgiving og produksjon utvikles videre fra industrisamfunnets produksjonslogikk, fordi formgiving i enda større grad blir uavhengig av kunnskap om teknisk produksjon.

Mens en kinesisk fabrikk som produserer barbermaskiner for Phillips sysselsetter hundrevis av mennesker som setter maskinene sammen, gjør en ny fabrikk i Nederland den samme jobben ved hjelp av 128 robotarmer. Disse robotene arbeider 24 timer i døgnet 7 dager i uken. De arbeider også så nøyaktig og raskt at de er plassert i glassbur for ikke å skade de menneskene som ”pleier” dem.

Samtidig med denne utviklingen foregår det også en omfattende utvikling av industriens robotisering. Mens tidligere industrielle roboter var spesialiserte og bare utførte et begrenset sett oppgaver, er dagens roboter av et helt annet kaliber, og de utvikles til stadig lavere kostnader. I et eksempel fra amerikanske Factory Automation Systems[31] erstattet en robot til 250 000 dollar to maskinoperatører som hver kostet 50 000 dollar årlig. Med en antatt levetid på 15 år for roboten ble den totale innsparingen estimert til 3,5 millioner dollar, og da var ikke mulig teknologisk utvikling i robotens levetid tatt inn i regnskapet.

Hos Amazon henter roboter bøker fra hyllene, pakker dem og sender dem til deg uberørt av menneskehender, og på Universitetssykehuset i Akershus frakter robotene mat, klær og medisiner.

Hele utviklingen påvirker hva vi mennesker kommer til å arbeide med i fremtiden, hvilken kompetanse vi kommer til å trenge og det er lett å se at vi kommer til å få en stor diskusjon om hva vi mennesker skal gjøre når arbeidet i stadig større grad overtas av maskinene, enten det er i håndtering av fysiske produkter eller det er å finne fram i kunnskapsjungelen, slik Watson gjør.

Denne utviklingen påvirker økonomien på mange måter. Først ved at mer av arbeidskostnadene blir redusert for en rekke produkter og tjenester. Mer av kostnadene kommer til å gå til design, markedsføring og salg enn til produksjon, og dernest vil det påvirke den globale arbeidsdelingen.

En robot i drift koster det samme i Kina som i USA eller i Norge. De som er tidlig ute med å ta slik teknologi i bruk skaper derfor konkurransefordeler som kan komme til å bli svært langvarige. Men da må en ha kompetanse, markedskunnskap og en smule vilje og evne til innovasjon og nyskaping.

I dette bildet spiller sosiale medier en stadig større rolle, fordi mer og mer arbeid koordineres på denne måten gjennom nye nettverksbaserte organisasjoner, slik som Enterprise2.0. Dernest blir de viktigere fordi de representerer en total infrastruktur for sosial samhandling, der ulike former for ressurser synliggjøres. I følge boken Connected: the Surprising Power of Our Socal Networks and How They Shape Our Lives – How Your Friends`Friends`Friends Affect Everthing You Feel, Think and Do av Christakis og Fowler (2011) blir vi påvirket i tre ledd. Facebook, LinkedIn og Twitter er med å på gjøre påvirkningen enklere og bidrar til å bane vei for en ny type handel, sosial handel.[32]

Konklusjon

Svært mange nordmenn har vokst opp med minst ett bein på en gård og vi har levd mesteparten av livet vårt i det vi kan kalle industrisamfunnet. Industrisamfunnets teknologier skapte masseproduksjonen, massekonsumet og det moderne mediesamfunnet bygd på spesialiserte teknologier, og utviklet markedsmessig og organisatorisk til et kon
glomerat av tjenester og tilbydere. Telefonen og telesystemene levde sitt eget liv i Telenors forvaltning. TV var synonymt med NRK. Og på avisfronten hadde vi noen få riksaviser, flere regionale aviser og en skog av lokalaviser. Ja vi hadde endog en formulert politikk som tilsa at vi skulle ha minst to lokalaviser som kunne målbære ulike politiske synspunkter selv på relativt små steder. Dette støttet vi blant annet gjennom et omfattende offentlig subsidiesystem i form av direkte pressestøtte og momsfritak. Det er dette samfunnets kultur, institusjoner, økonomi og produksjonslogikk vi har vokst opp med og som vi har lært om gjennom hele skoletiden og i tiden etterpå.

IKT og globale nettverk for digitale tjenester slik som Internett har snudd opp ned på dette. Nye teknologier og digitale tjenester har skapt en ny arbeidsdeling, der de som ikke greier å tilpasse seg den digitale verden blir borte og der de som skjønner hva som skal til for å skape digitale tjenester vokser. Derfor er Amazon i ferd med å etablere både forlag og selvpubliseringsløsninger og Apple har skapt et helt økosystem for digitale tjenester. Google har hele tiden utviklet nye og innovative tjenester, slik som det suksessrike digitale annonsesystemet Adwords og Facebook er blitt alle sosiale mediers mor med en global brukerbase som omfatter mer enn en femtedel av jordas befolkning. De har skapt den mest omfattende infrastrukturen for sosial samhandling basert på den digitale økonomiens mekanismer.

Det er dette denne boka handler om. Om hva som skjer når vi flytter verdiskaping og fordeling av verdier fra industrisamfunnets ting-baserte økonomi til det digitale nettsamfunnets immaterielle økonomi. Hva skjer når vi fjerner arbeidet fra en rekke tjenester? Hva skjer når landegrenser ikke lenger står for fysiske stengsler og når nasjonale reguleringsregimer ikke har samme effekt som den gang en i hovedsak flyttet fysiske varer?

Hva er mekanismene som styrer det digitale nettsamfunnet? Det er hva den digitale økonomien handler om.