Peter Drucker var opptatt av det meste, men datamaskinen var ikke en av dem. "Datamaskinen ... er en idiot, " hevdet ledelsesguruen i en McKinsey Quarterly-artikkel i 1967, og kalte enhetene som nå driver økonomien vår og våre daglige liv, "det dummeste verktøyet vi noensinne har hatt."
Drucker var neppe alene om å undervurdere det ufattelige endringstempoet i digitale teknologier og kunstig intelligens (AI). AI bygger på datakraften til enorme nevrale nettverk som sikter gjennom massive digitale datasett eller "big data" for å oppnå resultater som er analoge, ofte overlegne, de som er produsert av menneskelig læring og beslutninger. Karrierer som variert som reklame, finansielle tjenester, medisin, journalistikk, landbruk, nasjonalt forsvar, miljøvitenskap og kreativ kunst blir transformert av AI.
Datamaskinalgoritmer samler og analyserer tusenvis av datapunkter, syntetiserer informasjonen, identifiserer tidligere uoppdagede mønstre og skaper meningsfulle output - enten det er en sykdomsbehandling, en ansiktskamp i en by med millioner, en markedsføringskampanje, nye transportveier, et høstingsprogram for avlinger, en maskingenerert nyhetshistorie, et dikt, maleri eller musikalsk strofe — raskere enn et menneske kan skjenke en kopp kaffe.
En fersk McKinsey-studie tyder på at 45 prosent av all aktivitet på jobben kan automatiseres ved å distribuere AI. Dette inkluderer filkontorer hvor jobbene deres kan bli 80 prosent automatiserte, eller administrerende direktørs jobber som kan være 20 prosent automatiserte fordi AI-systemer radikalt forenkler og målretter administrerende direktørers lesing av rapporter, risikodetektering eller mønstergjenkjenning.
AI har vært en av de langhypede teknologiene som ikke har forvandlet hele vår verden ennå, men vil. Nå som AI ser ut til å være klar for prime time, er det bekymring, selv blant teknologer, om den uhemmete kraften som maskiner kan ha over menneskets beslutninger. Elon Musk har kalt AI "vår største eksistensielle trussel, " som gjengjeldte Bill Joys 2000-advarsel i magasinet Wired om at "fremtiden ikke trenger oss." På den andre siden er selvfølgelig entusiaster ivrige etter smarte maskiner for å forbedre livene våre og planetenes helse.
Jeg er på siden av Microsofts administrerende direktør Satya Nadella som sier at vi bør forberede oss på løftet om stadig smartere maskiner som partnere for menneskelig beslutningstaking, med fokus på riktig rolle og begrensninger i AI-verktøy. For handelshøyskolelærere som meg som tror fremtiden virkelig vil trenge oss, utgjør den utvidede kraften til AI eller dyp læring en utfordring og mulighet: Hvordan forbereder vi studenter på de kommende tiårene slik at de tar til seg kraften i AI, og forstår dens fordeler for ledelse og ledelse i fremtiden?
Det ville være en feil å tvinge hver MBA-kandidat til å bli dataforsker. Utfordringen for handelshøyskoler er å oppdatere våre bredt fokuserte læreplaner, samtidig som vi gir MBA-ene et større kjent- og komfortnivå med dataanalyse. Morgendagens administrerende direktører vil trenge en bedre følelse av hva stadig mer omfattende og komplekse datasett innen organisasjoner kan og ikke kan svare.
Finessen og volumet av data kan være økende, men historien gir modeller for en beslutningstakerens rette forhold til dataanalyse.
Ta D-Day. General Dwight D. Eisenhower søkte så mye data som mulig for å informere sin avgjørelse om når han skulle lande hundretusener av allierte styrker på strendene i Normandie i den skjebnesvangre sent våren 1944. Som Antony Beevors bok om slaget og andre beretninger tydeliggjør, Eisenhower ønsket spesielt pålitelige meteorologiske data, tilbake da værvarslingen var i sin spede begynnelse. Generalen dyrket Dr. James Stagg, hans sjefmeteorolog, og ble flink til ikke bare å analysere Staggs rapporter, men også når han leste Staggs eget tillitsnivå i enhver rapport.
I flere måneder før den skjebnesvangre avgjørelsen om å "begi seg ut på det store korstoget", utviklet Eisenhower en stor forståelse for hva meteorologiske prognoser kunne og ikke kunne levere. Til slutt, som historien vet, overbeviste Stagg ham om å utsette invasjonen til 6. juni fra 5. juni, da den spådde stormen raste over Den engelske kanal og da mange andre stilte spørsmål ved Staggs oppfordring om at den snart ville oppklare.
Ingen vil hevde at Eisenhower burde ha blitt en ekspert meteorolog selv. Hans jobb var å føre tilsyn med og koordinere alle aspekter av kampanjen ved å samle relevant informasjon og vurdere kvaliteten og nytten av den informasjonen for å øke invasjonens sannsynlighet for suksess. I dag utvider big data og bruk av AI informasjonen som er tilgjengelig for beslutningstakere. Imidlertid gir rollen som en administrerende direktør i forhold til data den absorberende og dømmende funksjonen som utøves av general Eisenhower i å lese sannsynligheter i meteorologens værrapporter.
Det er bemerkelsesverdig at i dag, midt i alt det snakket om teknologisk kompleksitet og spesialisering i så mye av selskapets Amerika, fant en Deloitte-rapport utarbeidet for skolen vår at arbeidsgivere som ønsker å ansette MBA-kandidater verdsetter potensielle ansattes "myke ferdigheter" mer enn noen andre. De ønsker å ansette personer med kulturell kompetanse og sterkere kommunikasjonsevner, som kan samarbeide i forskjellige team, og være fleksible i å tilpasse seg kontinuerlig til nye muligheter og omstendigheter på arbeidsplassen og markedet.
Dette handler ikke bare om intoleranse for rykk på kontoret. Det handler om en lederes behov for å kunne syntetisere, forhandle og arbitrere mellom konkurrerende og motstridende miljøer, eksperter og data. Hvis det en gang var tidspunktet for at bedriftsledere ble betalt for å ringe “gut check”, selv når essensiell informasjon manglet, vil dagens administrerende direktører i økende grad være nødt til å ringe tøffe, fortolkende dømmekall (en annen type “gut check”) i ansiktet av overdreven, ofte motstridende, informasjon.
De som er i førersetet for institusjoner har tilgang til et ekspanderende univers av empirisk avledet innsikt om vidt varierende fenomener, for eksempel optimale modeller for lossing av skip i verdens travleste havner i forskjellige værforhold, parametere for lojalitetsprogrammer som genererer den 'klistreste' kunden respons- eller talentvalgmodeller som gir både de mest vellykkede og mangfoldige sysselsettingsbassengene.
Bedriftsledere må være kresne i bruken av AI-verktøy. De må bedømme kilden til datastrømmene før dem, undersøke deres gyldighet og pålitelighet, oppdage mindre enn åpenbare mønstre i dataene, undersøke de gjenværende “hva om” de presenterer, og til slutt foreta avtaler og dømmekall som er mer informerte, nyanserte rundt kontekst, gyldige og nyttige fordi de forbedres av intelligente maskiner. Feil dommer bygd på feil eller tolkete data kan være enda mer skadelige enn uinformerte feil dommer på grunn av illusjonen av kvasi-vitenskapelig autoritet som følge av dataets aura.
Som et prosjektstyringsverktøy kan AI foreskrive optimale arbeidsrutiner for forskjellige typer ansatte, men det vil ikke ha følsomhet for å oversette disse behovene til nyanserte valg av ett organisatorisk resultat (f.eks. Egenkapital i ansattoppdrag) over et annet (familieverdier ). AI kan kanskje finne den beste beliggenheten for en ny restaurant eller et kraftverk, men det vil være begrenset når det gjelder å kartlegge de politiske og sosiale nettverkene som må engasjeres for å bringe den nye satsingen til liv.
Maskiner mangler også lunete. Adtech-programmer har erstattet menneskelige annonsekjøpere, men muligheten til å lage ordspill eller designe kampanjer som trekker i hjertestrengene våre vil forbli medfødt menneskelig, i det minste i overskuelig fremtid.
Et nytt nivå av spørrende og integrerende tenkning er nødvendig blant MBA-kandidater. Som pedagoger må vi fremme læringsmetoder som utvikler disse ferdighetene - ved å undervise ivrig databehandling og inferensielle ferdigheter, utvikle avanserte datasimuleringer og øve på hvordan man kan undersøke og stille spørsmål ved det ennå ukjente.
Parallelt med maskinkraftens oppstigning, viktigheten av emosjonell intelligens, eller EQ, smører større enn noen gang for å bevare den menneskelige tilkoblingen til organisasjoner og samfunn. Selv om maskiner forventes å gå videre til poenget med å lese og tolke følelser, vil de ikke ha kapasitet til å inspirere tilhengere, klokskapen til å gjøre etiske dommer eller kunnskapsrike til å lage forbindelser.
Det er fremdeles alt for oss.
Judy D. Olian er dekan ved UCLA Anderson School of Management.
