Peter Drucker var bevidst om de fleste ting, men computeren var ikke en af dem. "Computeren ... er en ondskab, " hævdede ledelsesguruen i en McKinsey Quarterly-artikel i 1967 og kaldte enhederne, der nu driver vores økonomi og vores daglige liv, "det dummeste værktøj, vi nogensinde har haft."
Drucker var næppe alene om at undervurdere det umættelige tempo i ændringer i digitale teknologier og kunstig intelligens (AI). AI bygger på computerkraften i store neurale netværk, der sigtes gennem massive digitale datasæt eller "big data" for at opnå resultater, der er analoge, ofte overlegne, end dem, der produceres ved menneskelig læring og beslutningstagning. Karrierer så forskellige som reklame, finansielle tjenester, medicin, journalistik, landbrug, nationalt forsvar, miljøvidenskab og den kreative kunst transformeres af AI.
Computeralgoritmer samler og analyserer tusinder af datapunkter, syntetiserer informationen, identificerer tidligere uopdagede mønstre og skaber meningsfulde output - hvad enten det drejer sig om en sygdomsbehandling, en ansigtskamp i en by med millioner, en marketingkampagne, nye transportveje, et høstprogram, en maskingenereret nyhedshistorie, et digt, maleri eller musikalsk strofe - hurtigere end et menneske kan hælde en kop kaffe.
En nylig McKinsey-undersøgelse antyder, at 45 procent af alle aktiviteter på arbejde kan automatiseres ved at anvende AI. Det inkluderer filmedarbejdere, hvis job kan blive 80 procent automatiseret, eller administrerende direktørers job, der kan være 20 procent automatiserede, fordi AI-systemer radikalt forenkler og målretter CEO's læsning af rapporter, risikodetektering eller mønstergenkendelse.
AI har været en af de langhypede teknologier, der ikke har transformeret vores hele verden endnu, men vil. Nu, hvor AI ser ud til at være klar til prime time, er der konstitution, selv blandt teknologer, om den uhæmmede magt, som maskiner kan have over menneskelig beslutningstagning. Elon Musk har kaldt AI "vores største eksistentielle trussel", der gentager Bill Joys advarsel fra 2000 i magasinet Wired om, at "fremtiden ikke har brug for os." På den anden side er naturligvis entusiaster ivrige efter smarte maskiner til at forbedre vores liv og planetenes sundhed.
Jeg er ved siden af Microsofts administrerende direktør Satya Nadella, der siger, at vi skal forberede os på løftet om stadig smartere maskiner som partnere til menneskelig beslutningstagning, med fokus på den rette rolle og begrænsninger af AI-værktøjer. For erhvervsskoleuddannere som mig, der tror, at fremtiden virkelig vil have brug for os, udgør den voksende magt af AI eller dyb læring en udfordring og mulighed: Hvordan forbereder vi studerende til de kommende årtier, så de omfavner styrken af AI og forstår dens fordele for ledelse og ledelse i fremtiden?
Det ville være en fejltagelse at tvinge enhver MBA-kandidat til at blive dataforsker. Udfordringen for handelshøjskoler er at opdatere vores bredt fokuserede læseplaner og samtidig give vores MBA'er et større kendskab og komfortniveau med dataanalyse. Morgendagens administrerende direktører har brug for en bedre fornemmelse af, hvad stigende og komplekse datasæt i organisationer kan og ikke kan svare.
Datas sofistikering og mængde kan være stigende, men historien giver modeller for en beslutningstagers rette forhold til dataanalyse.
Tag D-Day. General Dwight D. Eisenhower søgte så mange data som muligt for at informere sin beslutning om hvornår tusindvis af allierede styrker skulle landes på Normandies strande i den skæbnesvangre sene forår i 1944. Som Antony Beevors bog om slaget og andre beretninger gør det klart, Eisenhower begærede især pålidelige meteorologiske data, tilbage, da vejrprognosen var i sin spædbarn. Generalen dyrkede Dr. James Stagg, hans øverste meteorolog, og blev dygtig til ikke kun at analysere Staggs rapporter, men også ved at læse Staggs eget tillidsniveau i enhver rapport.
I måneder før den skæbnesvangre beslutning om at ”gå i gang med det store korstog” udviklede Eisenhower en stor påskønnelse af, hvad meteorologiske prognoser kunne og ikke kunne levere. I sidste ende, som historien ved, overbeviste Stagg ham om at udskyde invasionen til 6. juni fra 5. juni, da den forudsagte storm rasede over Den Engelske Kanal, og da mange andre stillede spørgsmålstegn ved Staggs opfordring til, at det snart ville blive klar.
Ingen vil hævde, at Eisenhower burde have været en ekspert meteorolog selv. Hans job var at føre tilsyn med og koordinere alle aspekter af kampagnen ved at indsamle relevant information og vurdere kvaliteten og anvendeligheden af disse oplysninger for at øge invasionens sandsynlighed for succes. I dag udvider big data og fremkomsten af AI de oplysninger, der er tilgængelige for virksomhedernes beslutningstagere. Imidlertid gentager en administrerende direktørs rolle i forhold til data den absorberende og fordømmende funktion, som general Eisenhower udøver i læsning af sandsynligheder i hans meteorologs vejrrapporter.
Det er bemærkelsesværdigt, at i dag, midt i al tale om teknologisk kompleksitet og specialisering i så meget af det amerikanske erhvervsliv, fandt en Deloitte-rapport udarbejdet til vores skole, at arbejdsgivere, der ønsker at ansætte MBA-kandidater, værdsætter potentielle medarbejders ”bløde færdigheder” mere end nogen andre. De ønsker at ansætte folk med kulturel kompetence og stærkere kommunikationsevner, som kan arbejde samarbejde i forskellige hold og være fleksible i at tilpasse sig kontinuerligt til nye muligheder og omstændigheder på arbejdspladsen og på markedet.
Dette handler ikke kun om intolerance for rykker på kontoret. Det handler om en lederes behov for at være i stand til at syntetisere, forhandle og arbitrere mellem konkurrerende og modstridende miljøer, eksperter og data. Hvis der engang var et tidspunkt, hvor virksomhedsledere blev betalt for at foretage opkald til "tarmcheck", selv når der manglede væsentlig information, bliver dagens CEOs i stigende grad nødt til at foretage hårde, fortolkende opkald til dømmekraft (en anden type "tarmcheck") i ansigtet af overdreven, ofte modstridende, information.
Dem, der befinder sig i førersædet for institutioner, har adgang til et ekspanderende univers af empirisk afledt indsigt om vidt forskellige fænomener, såsom optimale modeller til losning af skibe i verdens travleste havne i forskellige vejrforhold, parametre for loyalitetsprogrammer, der genererer den 'klideste' kunde respons- eller talentudvælgelsesmodeller, der giver både de mest succesrige og forskellige, beskæftigelsespooler.
Virksomhedsledere skal være kræsne i deres brug af AI-værktøjer. De skal bedømme kilden til datastrømmene foran dem, undersøge deres gyldighed og pålidelighed, opdage mindre end åbenlyse mønstre i dataene, undersøge de resterende ”hvad hvis” de præsenterer og i sidste ende foretage konklusioner og dømmekald, der er mere informeret, nuanceret omkring kontekst, gyldige og nyttige, fordi de forbedres af intelligente maskiner. Fejlagtige domme, der er bygget på mangelfulde eller fejlagtige data, kunne være endnu mere skadelige end uinformerede, mangelfulde domme på grund af illusionen af kvasividenskabelig autoritet, der er resultatet af dataanavlen.
Som et projektstyringsværktøj kan AI muligvis ordinere optimale arbejdsrutiner for forskellige typer medarbejdere, men det har ikke følsomheden til at oversætte disse behov til nuancerede valg af et organisatorisk resultat (f.eks. Egenkapital i medarbejderopgaver) over et andet (familieværdier ). AI identificerer måske det bedste sted for en ny restaurant eller et kraftværk, men det vil være begrænset til at kortlægge de politiske og sociale netværk, der skal engageres for at bringe den nye satsning til live.
Maskiner mangler også finurlige. Adtech-programmer har erstattet menneskelige annoncekøbere, men muligheden for at oprette ordspil eller designkampagner, der trækker vores hjertestreng, vil forblive medfølgende menneskelige, i det mindste i en overskuelig fremtid.
Et nyt niveau af spørgsmålstegn og integrerende tænkning kræves blandt MBA-kandidater. Som undervisere skal vi fremme læringsmetoder, der udvikler disse færdigheder - ved at undervise ivrige datastyring og inferentielle færdigheder, udvikle avancerede datasimuleringer og øve, hvordan man undersøger og sætter spørgsmålstegn ved det endnu ukendte.
Parallelt med maskinkraftens stigning væver betydningen af følelsesmæssig intelligens eller EQ større end nogensinde for at bevare den menneskelige forbindelse mellem organisationer og samfund. Mens maskiner forventes at gå videre til punktet med at læse og fortolke følelser, har de ikke kapacitet til at inspirere tilhængere, visdom til at foretage etiske vurderinger eller kyndige til at oprette forbindelser.
Det er stadig alt sammen med os.
Judy D. Olian er dekan ved UCLA Anderson School of Management.
