Ludvig Strand: Därför är din nästa kollega en AI med doktorsexamen

De flesta av oss minns vår första kontakt med språkmodeller som ChatGPT. För många kändes det som ren magi – för andra väckte det frågor om tillförlitlighet och praktisk nytta.

Oavsett reaktion stod det klart att vi bevittnade något omvälvande – datorer som plötsligt kunde både förstå och efterlikna mänskligt tänkande på ett sätt som inte borde vara möjligt. Detta satte igång en digital transformationsvåg som saknar motstycke.

Nu ser vi en ny generation AI-modeller – Large Reasoning Models (LRM) – som kräver omedelbar omvärdering av vad AI kan åstadkomma. Medan många, inklusive mig själv, har betraktat dessa modeller—som OpenAIs o3 och DeepSeeks R1—som ‘steg på vägen’ mot framtidens AI-agenter, bevisar LRM-modellerna ett kvalitativt språng som redan gjort förra årets AI-strategier föråldrade.

I sin bok, "Thinking, Fast & Slow", populariserade Daniel Kahneman teorin om två kognitiva system som styr vårt tänkande:

• System 1 är snabbt, intuitivt och automatiskt – som när du känner igen ett ansikte eller skummar igenom din mailbox.
• System 2 är långsamt, analytiskt och kräver ansträngning – som när du planerar middagen eller utvärderar strategiska affärsbeslut.

Den första generationens språkmodeller (LLM:s) efterliknade främst system 1 och imponerande i sin förmåga att snabbt ge svar och se mönster men var begränsade i sitt resonerande. De nya resoneringsmodellerna (LRM:s) är de första som närmar sig system 2-tänkande, med förmåga att metodiskt bryta ner problem, överväga alternativa lösningsvägar och – kanske mest imponerande – korrigera sina egna "tankegångar".

Vad som gör denna utveckling särskilt betydelsefull är hur dessa modeller lär sig resonera. Snabbt förenklat kan AI-träning delas in i två grupper: imitation learning och reinforcement learning.

• Imitation learning efterliknar mänskliga strategier genom att lära sig subtila mönster från stora mängder mänsklig data. Denna metod driver praktiskt taget all AI som används i företag idag, inklusive språkmodeller som ChatGPT. Modellerna blir utmärkta konformister – skickliga på att efterlikna men begränsade i att gå bortom de bästa exemplen de tränat på.
• Reinforcement learning låter modeller utveckla strategier som går bortom mänskliga exempel genom miljontals simuleringar. Denna teknik lärde AI att spela brädspelet Go på övermänsklig nivå med strategier som världsmästare beskrev som “från en annan värld”, och drev AlphaFold – bakom förra årets Nobelpris i kemi – att komprimera hundratals forskarår till några veckor.

De nya LRM-modellerna kombinerar båda träningsmodellerna vilket ger en väsentligthögre kapacitetstak som inte begränsas av tidigare mänskliga exempel.

Resultatet är slående. LRM-modeller presterar nu bättre än forskare i kunskapsprover, utför dagars doktorandarbete på sekunder, de hanterar komplexa juridiska och finansiella dokument med nästan perfekt noggrannhet, och de presterar bättre än i princip alla mänskliga programmerare i kodtävlingar.

Detta kvalitativa språng väcker en provocerande fråga: behöver vi verkligen analytisk kapacitet på doktorandnivå för varje problem? Kanske inte. Men mer träffande är kanske: hur många gånger har vi avstått från denna nivå av analys – inte för att den varit onödig, utan för att den varit ouppnåeligt kostsam?

Detta kvalitativa språng väcker en provocerande fråga

Det vi ser nu är en radikal demokratisering av tillgången till intellektuell analys på samma sätt som smarta telefoner var en demokratisering av tillgången till information. Vi kommer att se ett kvalitativt språng i analys och beslutskraft. De praktiska konsekvenserna blir redan synliga i organisationer som tidigt adapterat LRM-modeller:

• Investeringsbolag sparar upp till 40 timmar per affär
• Riskkapitalbolag producer djupgående analysrapporter på några timmar istället för dagar
• Advokatbyråer identifierar avtalsmöjligheter och förhandlingsvägar i realtid som tidigare krävt dagar av expertgranskning

Dessa nya AI-kapaciteter tvingar oss att omvärdera våra föreställningar om vad AI kan göra och hur den kan omforma vår arbetsvardag. Istället för att anta att AI bara klarar enkla uppgifter måste vi överväga hur den kan fungera som en genuin intellektuell partner. Det bästa sättet att förstå hur är att själv utforska och experimentera.

Den mest lättillgängliga av dessa nya LRM-baserade AI-verktyg är "Deep Research", AI-agenter som kan utföra arbete åt dig på ett självständigt sätt och utföra timmar av webbresearch på tiotals minuter.

ChatGPT, Gemini och Perplexity erbjuder varianter av Deep Research, som till skillnad från vanliga AI-baserade “svarsmotorer” (som Perplexity.ai) systematiskt genomför omfattande webbaserade undersökningar. Det kan handla om frågor som "det senaste årets utveckling inom distribuerad energiteknik–tillväxt, innovationer, M&A-aktiviteter och nya bolag att följa" där AI agenten sätter igång ett sofistikerat analytiskt maskineri:

1. Skapar en detaljerad forskningsplan med specifika delfrågor
2. Genomför sedan omfattande sökningar för varje delfråga över hundratals källor
3. Identifierar nyckelteman, saknad information och justerar sökningen baserat på nya insikter
4. Sammanställer en rapport med genomtänkt struktur och källhänvisningar

Denna iterativa process tar 5-30 minuter och resulterar i en tiosidig rapport som en skicklig analytiker skulle behövt dagar för att producera. Som New York Times-kolumnisten Ezra Klein uttryckte det:

"Jag anställer otroligt begåvade människor för att utföra mycket krävande forskningsarbete. Det Deep Research producerade på några minuter var minst medianvärdet av vad något av de team jag arbetat med kunde producera inom dagar."

Även om Deep Research-verktygen inte kommer att skriva mina krönikor på länge levererar de timmar – om inte dagar – av meningsfullt arbete till mina analyser. De ger snabbt en solid kunskapsgrund att bygga vidare på, vilket drastiskt komprimerar tiden från fråga till kvalificerad insikt.

Även om löftet om morgondagens AI-agenter är enormt och bör föranleda planering erbjuder LRM-modeller omedelbara kapaciteter som kan implementeras idag.

Dessa verktyg är långtifrån perfekta, men de kan dramatiskt förstärka vad vi kan åstadkomma och vi bör i allt högre grad fråga oss vilka nya förmågor vi kan låsa upp.

Den snabba förbättringen betyder också att varje AI-strategi snabbt blir föråldrad.

Det enda vi kan vara säkra på är att arbetsplatsen som vi känner det kommer genomgå en fundamental förändring – och de organisationer som snabbast förstår och anpassar sig till AI:s nya förmågor kommer att leda vägen.