Nya affärer, agentflöden och pålitlig statistik: Så implementerade Demoskop AI

För min övertygelserat förändring, misslyckas och inte folk förstår värför man gör det här. Då måste folk vara med och man måste ha med folk som är motsträbiga och lyssna på dem. Men man måste hålla i det och alla fast det. Hej och välkomna till AI-svidan podcast. Jag heter Astrid Shagrin och dagens avsnitt är en del av en serie vi gör med fokus på mindre företag. Som omvandrat sin verksamhet med hjälp av AI. Vi djuptycker i hur de får ut värda av AI, varför omständligen var det avgörande och hur AI förändrar och påverkar resbranscher. Den här serien är möjliggjord tack vara medfinansiering från europeiska unionen. I det här avsnittet pratar jag om i Karl-Nelson som är vd på demokrati och ett riktigt profs när det kommer till undersökningar och analyser. Jag har snittet pratat om de muskops, AI-resa och hur de har gjort för att bli en av ledande inom AI i sin bransch. Vi kommer berörde oss utmaningar, kompetensutveckling och varför finns så mycket dålig statistik. Hej Karl-Nelson och varmt välkomna till på den. Tack ska du ha. Vad kul att vara här. Vill du presentera dig själv och vilka de muskop är? Jag heter Karl-Nelson och jag har jobbat med undersökningar och analys i under hela min karriär. För närvarande så driv vi att transformation av demokrati för att viska bli ett AI-drivet företag, ett teckbolag helt enkelt. Men där vi kombinera både klassisk metodkompetens, vi är nog med vad vi kommer ifrån och sedan med nykikenhet på ny teknik och AI. Så transformera vi företaget och då nytta av alla möjligheter som ny teknik ger. Så vi blandar gammalt handverk med nya möjligheter helt enkelt. Demoskop är ett företag som bildades 1989, så vi var blivit 36 år. Vi kommer att vara ett klassiskt marknadssåg- och opionssundersökningsföretag. Jag tror att många känner igen oss för att vi gör opionssundersökningar och välja barometra och så vidare. Som vi gör i samarbete med våra kunder som är efterbladet, svenska dagbladet, om ni och kvartal bland annat. Men vi gör också marknadssundersökningar där våra kundare-epartionsmyndigheten, S-i-banken, vi jobbar med svenska kyrkan, vi jobbar med järvvä veckan Research. Vi jobbar med FACO-abesiva, så vi har väldigt bred palett och många kunder. Vi är ett svensk företag, 25 medarbetare i Stockholm och Göteborg. Jag tänker att vi hoppar rätt in i det här. Hur arbetar ni med AI idag? Idag så genomsyrar AI allt vi gör egentligen på Demoskop. Om jag drar tillbaka bandet lite grann så är AI ingenting nyttig egentligen fundersökningsbranschen. Vi har jobbat med machine learning som är en del av AI i alla tider egentligen. Vi jobbar med saker som neuroscience där man försöker förstå hur järnan reagerar på olika stimuler. Vi tittar på det här med AI-tracking som äter ögonrörelser och så vidare. Där man har jobbat om olika typer av i tekniker för att analysera ståmängde data. Samman med att de här open-A är ståarsbrokmodellar, jordan, tre med bunnor och barn för vad blir det snart tre år sedan, så började vi titta mer intensivt på det här. Och för Demoskop ställ så innebär det att vi hade många processer som tog väldigt lång tid som vi kunde automatisera med fördel. Inte bara det att vi kunde kota nya tiden utan vi kunde verkligen också öka kvalitén. För två år sedan lite dryggt så startade vi ett projekt där vi identifierade olika processer om och men där vi kunde föränkla. Hur vi jobbar med att bestöra varje. Det vi såg väldigt snabbt var att vi är tvungna att ha ett helt säkert verktyg. Vi har en massa respondent data vi har kundata och de öppna modellerna passar inte alls för oss. Så då så äter vi det både verktygställa. Som också är agnostiskt på det sättet att vi har många olika språkmodeller. Och där vi också jobbar med det som där vi kan jobba osensurerat för vilka ståligheter man är en tyck som undersökningsföretag. Så är det i våra etiska regler att vi måste ta med alla typer oss var och analysera. Och sedan så var det väldigt viktigt för oss att skreda syagenter. Och det här har då gjort att vi har sränklat och utvecklat vårt e-bjudande. Så det började med interna processen. Men vi upptäckte att det också kunde använda det i våra leveranser till kunder. Det vill säga vi kunde öka innovations. Hur vi innoverar, hur vi skriver och färta, hur vi skriver rapporter, hur vi analyserar data, så bredden. Den blev väldigt stor. Och det här verktiget var också något som våra kunder ville ha. Så nu har vi lanserat det här som är såslösning och det gör ju att alla jobbar med det hos oss. Det här har man då ändrat inte bara hur ni jobbar interna, fiktivisera ni, har nya färsmodellen. Jag har den på dutter. Och jag tänker att vi ska gå genom lite bit för bit för många lysserna är reagerar när vi säger vi använder för att färta. För alla är inte redan att vi har lärt ni. Kan vi börja med att prata om hur ni jobbar intänt med AI idag? Så kom ut i produkten efteråt. Ja. Intänt och så. Det var ju där egentligen. Vi började hela Borgesa att vilja effektivisera och förränkla arbetsmoment som tog väldigt lång tid att göra. Vad jag insåg och som blev stått skottet till Borgesa det var att det står samspelet mellan människa och maskin mellan en analytiker och husdemoskop och vad AI kan göra. Där finns det vissa moment som AI kan hjälpa oss med som i vanliga fall som till exempel textanalys. Det kan ta två, tre, fem arbetsdagar beroende på hur mycket text det är för att tematisera och sen efterkoda så att vi kan göra statistik av det. Men hjälpa vad vi så har vi kunnat förkorta den här processen till kanske en kvart 20 minuter så vi går då från tre dagar sig till en kvart 20 minuter. Och vi kan hela tiden till det här så har vi också då knutet olika typer av kvalitetsäkring så att vi ser att det verkligen blir rätt det som vi får ut av den här tematiseringen. När vi upptäckte att det fungerade så bra så började vi använda det också på konsulttiden för att skriva och fattar för att göra analyser och för att skriva rapporten. Konkret för mig i min roll som vd på dem och skåp så har jag en agent som hjälper mig med mina dagliga vd-uppgifter. Det kan vara liksom allt mellan himmel och gjorde. Allt det får något skriva e-post till att skriva och fattar till att jag håller på mycket med personaläranden och så vidare. Då har jag en assistent till att tider som håller reda på alla dokument då att mig hjälper mig att skriva. Men det är ju alltid jag som är ansvarig för det som jag skickar eller det som jag skriver eller säger. Så jag har ju ett bollplank hela tiden. Så gör vi allihopa på det som ska att vi har våra uppsättningar av personliga agenter, men sen har vi också en buketta av agenter som är företags gemensamma som vi använder, till exempel för att analysera data som vi vet, håller mot det och den kvalitén som vi vill ha. Det här har tagit längre tiden vad vi tänkte egentligen att utveckla, för vi tänkte det där i ganska lätt. I vår värld så var det någonting som tog så upp direkt. Det här kan man använda de här öppna. De här språkmodellerna till just för att analysera text. Men det har tagit sin tid att finjustera den här modellen så att det verkligen fungerar så bra som det gör idag. Hur har ni gjort den fin justeringen? Och vilka hinder hittar ni idag? Jo, ett hinder som vi hade. Det är också att de här språkmodellerna utvecklas ju förbättras hela tiden. Vi upptäckte att det tottid innan modellen tog. Om vi hade en fil som säger hade 5000 rader, så tog den bara 200 rader åt gången. Den tog inte allt text som fanns i filen utan den valde ut en viss del av texten. Så där fick vi jobba ganska länge för att se till att den agenten vi byggde tog med all data och behandlade den på det sättet som vi ville att den skulle göra. Det har varit en väldigt konkret lärdom att det kommer språkmodeller och det finns väldigt mycket låvord som kommer. Många skriver väldigt positivt och så vidare. Men när man går in i detaljerna och har verkligen förstå hur de har språkmodellerna fungerar, och de fungerar också lite olika beroende på vilket verktyg man har. och det är också så att språkmodell. denna de förbättrar så förändras efterhand så bäffat man har jobbat med ensprokmodell så har det varit för oss i alla fall jag har jobbat med ensprokmodell och tyckte att den har varit väldigt bra. Sen har en ny release kommit av en annan sprokmodell som har varit mycket bättre så vi har bytt sprokmodell under tiden och kommer naturvis att fortsätta göra. Det är därför vi är så nöjd med ställa som vi använder för att den är agnostiskt. Vi kan använda olika typer av sprokmodell beroende på vad den ska göra. Vill du beskriva ställda lite mer som vi förstår vad den är och gör? Ställda är en. det är vår AI-plattform som har specialiserad agenter och det vi använder den till är dels textanalys där vi tittar på stora data med en öppna, svara, resensioner eller sociala medier. Vi jobbar med bildanalys, vi jobbar med AI-personas där vi kan ha dialoger med virtuella mångupper. Vi kan transkibera från röst till text eller text till röst på svenska. Vi har research agenter som söker och sammanställer från öppna källor och vi har storytellingfunktioner som omvandlar data till berättelser. Ställda är ju en plattform som vi själva har byggt en i system agnostisk och den är byggt för oss själva. Där vi kombinera vår långa metodskunskap med den senaste AI-teknologin. Vi kan använda både kunddata, säkert isolerat utan risk med öppna källor. Sen utvecklar vi gärna agenter från olika typer av analysuppgifter. Har ni haft några konsulter och samarbetet eller har ni gjort det här allt inhavs? Vi har jobbat tätt med vår it-epartnö som har haft vis AI-kompetens och som har varit ett bra stöd för oss. Men annars har vi gjort allt i själva så väldigt lite konsultstöd. Vi har trial and error, vi har försökt själva. Jag är nu frikern på lite mer exakt vad det är för teknisk lastningna gjort för agenteret som begöp som folk använder om ena ganska olika saker. Eller vad du menar är den raglösning eller vad istället för typen lösning? Ställda är raglösning, det är det vi använder. Vi har påvatt olika varianter där också, men vi tycker att rag är mycket mer effektivt. Och det innebär ju att ni har använder en hel del av era negendata, byggsupphjälsning eller en datobass som ni lägger till den språkbond eller nu feljer att använda. Ja, man kan säga att vi har ju då de språkmodeller som vi har i ställa. De är egentligen nackna, de har ingen pumped över huvudtaget, utan vi bygger ju de här agenterna som vi kallar av för. I plan så vi använder assistentare tag, men vi använder väl begreppet agenter nu. Vi bygger agenter på de nackna språkmodellerna, och då kan vi, och då har vi ju en pumped eller en instruktion i agenter som säger vad den ska göra, då kan man ju också testa att byta språkmodeller, så kan man se hur den fungerar med olika typer och instruktioner. Sen kan ju också de här agenterna prata med varandra som vi kan ha ett flöde av olika uppgifter, så att de jobbar tillsammans agenterna. Och det här är intressant, för det är inte jättemånga företag som har börjat kika på just den här agentfladen, men kan du beta lite mer om hur ni är det? Ja, vad vi gör är att till exempel jag nämnde innan att vi har en research agent, och vår research agent, den går ut. Vi kan sälja in den på olika sätt, vilka nakottar rapportar eller längre rapport, och då söker den efter ett visstant, tal olika källor. Men om jag använder min korta agent så brukar den, den korta versionen av research agenten så har den kanske 20 olika källor som den söker i. Och då kan jag få fram en rapport om ett ämnet till exempel, eller att den här research agenter, den hitta data åt mig, den går ut och häntade från nätet. Sen plockar jag in den i en research agent som vi har eller i en textagent som koda den här data har fått fram. Och sen går jag vidare till my story telling agent som skapar ett narrativ och sen kan jag använda en personas agent till exempel där jag kan testa budskap. Så jag kan gå genom olika steg i ett undersökningsflöde för att skapa, gå få en datainsamling i det jättigen till att man testa budskap. Vad det är också för att mäsa är det ju att vi, och då ska jag bara säga det är också att vi har självklart det är ju jungen i det luppat i mellan de här stegar så är det ju så kolla vi ju igenom vad vi har gjort. För det är ju alltid vi som veransvaret var som kommer ut och presenteras. Men det här har jag också inneburit för oss som undersökningsföretag att vi kan gå mycket längre i leveransen. Så där vi tidigare hade ett ganska avgrensat uppdrag så kan vi ju göra, jag har gått båda hållande egentligen, vi kan både samla in data på flerset när vi gjorde tidigare och vi kan gå längre i leveransen. Ett problem som vi har som som bransch som du sikt känner till och det är det allt fära som svara på undersökningar. Och här öppnade det ju väldigt stora möjligheter också att vi kan via ställa där vi har då api, hämta in ekständ data, hämta andra data källor. Vi får företagels egna data källor eller det kan vara fäntig statistik som vi kombinerar med den stickprus data som vi har. Och på så sätt minska det vi kallar för respondentbörda, alltså vi behöver inte ha så långa omfattarna kätelängare, vilket gör att vi blir mycket, mycket mer prikse kreibo i vårt arbetssätt. Så nya data källor innebär att vi inte blir lika beroende av den traditionella kätten som vi bara. Nej, om man kan ju tänka sig så här, det tror jag också de som lyssnar kan relatera till för man gör ju väldigt mycket undersökningar, att göra undersökningar det kan ju vem som helst göra egentligen idag. Men som respondent vilket vi nu också har erfarenhet av, man får väldigt mycket undersökningar. Det är långa frågor, ibland är det svåra frågor, ibland är det dumma frågor. Och här kan vi då ställa frågan bara om exakt det vi behöver veta, så att istället för att enankert ligger på 20-30 minuter, så är ju enankert oss sällan längre än 5-7 minuter. Och kanske till och med kan vara kortare. Och genom att det då kan integrera med andra typer av data källor kan vi också visualisera data på ett annat sätt. Vi kan jobba med kart, vi kan jobba med olika typer av diagram och tekniken går ju så snabbt framåt. Så ja, och se man om hörnet så kommer det ju, det här med dashboard så automatisering också och komma in om väldigt snabbt framtid. Ja, och det var något jag också tänkte fråga om hur du ser på hur branschen i sig förändras. Det finns ju redan nu några intressanta AI-verktyg som jobbar med, men information sin hämtning, listen läbs kanske det mest berömda verktyget. Tror du att undersökningar av livspranschen kommer förändras i grunden av AI-verktyg? Jag tror så här att undersökningsbranschen vi har ju någonting att bidra i den här transformationen som pågår. För precis som att det kommer många nya företag som kan e-bjuda olika typer av undersökningslösningar eller analys möjlighet och så vidare som har varit vård och män tidigare och utmanar oss där, så tror jag att vi som undersökningsföretag som bransch vi har någonting att bidra med i den här och en av de sakerna handlar om att vi just kan använda stick-povet. Och stick-povet innebär att vi inte analyserar all data som finns, för det finns i överflöd och det är så mycket sköp. I stället kan vi använda stick-povet att vi behöver fågas väg i alla inbornare, det räcker med 10 000 personer för att svara bara folk skulle resta på under vår vardag. Det är det ena att använda stick-povet, då kommer man ju också det här som handlar om hållbarhet. Och det andra handlar just en kvalitetssäkring av data, det är vi oerhört van av vidare att titta på datakjärlar och förstå hur data jag organiserar och vilken kvaliteten har. Och nummer 3, det handlar om att vi har hela den statistiska verktygslådan och den behaskar vi. De här tillsaken att tror jag att vi kan bidra med. Och min hårsont när jag försöker förstå att branschen på väg handlar om att många gånger så ser jag verktyg som de skiner, de glänse, det är supersnytt. Men jag har ingen aning om vad det är för data egentligen som de bygger på. Och om det är det data från Sverige, om det är data från något annat land, hur data insamlad är det den vuxna allmänheten vi pratar om eller är det en bismolgrupp. Det är väldigt oklart och då tillbaka till din fråga förändra det här branschen i grunden. Ja, pass, pass, pass, nej, att min poäng är att det här vi kommer ifrån stickprovet och kvalitetseckningar och data statistiska, statistiska modeller och verktyg. det förändras inte i grunden. Den vetenskapen, den finns, har funnits, den finns idag och den kommer att finnas i framtiden. Men om man inte har förståelse för den, då kan det förändras i grunden att komma framåt annat och det skämmer mig faktiskt lite grann för att. Det innebär att företag som rimligen inte förstår det här, alltså det är inte lätt, det är inte lätt, det går så fruktansvärt snabbt. Det ser ju väldigt bra ut, men om man inte vet det så kan man ju fattar helt fel beslut. Man kan betala ganska lite för någonting som verkar väldigt bra, men fattar helt fel beslut som är väldigt kostsamt. Så många kan tro att de är datadrinare, man har själva verket byggare på data- och dålig kvalitet och hamnar fel. Absolut, då kommer man ju in på allt det här som kommer att bära, så hallus i nation och datasäkerhet att göra. Nu är inte jag den som producerar analyser och undersökningar, men jag läser mig där mot ganska många just kopplade till AI och hur många som använder sig av AI och så vidare. Och min upplevelse från den lilla vinkel jag har är att det finns väldigt mycket dåliga undersökning nu för att AI går jättefört. Det finns pengar att känna, så det finns institement för många att ta fram undersökningar för man kan känna pengar på det. Kvaliteten blir lidande. -Exakt. -Man kan vara ögnad. -Det som är hotet mot bratsen, det blir så mycket brus för att det blir så lätt att ta fram data på alla möjliga sätt. Men det är lätt att göra det med dålig kvalitet. När du är ingen brist på dataproblemet är det finns ju aldrig så mycket data att hitta den här signalen i bruset. Det är det som är det svåra. Det är en konkurrens faktor helt enkelt att vara någon man faktiskt litar på, där man vet att det finns en metodikens statistisk kunskap som blir att det här är en vettig källda i en värda man inte kan lita på vilka källder som helst. I det sammanhanget så är jag väldigt glad att vi ändå började relativt tidigt. Vi började hela företaget för jag gust idag och i det 2023 som vi började jobba med det här. Det har ju inneburit att hos oss vi har visionärer som springer jättefott. Vi har folk av olika andra, olika typer av kompetenser. Vi har de som är mer motsträvia till det här och alla de här personligheterna behövs för att man ska kunna driva en omställning som vi har gjort på Demoskop. Det har varit en fördel att vara så pass små som vi är med 25 konsolter. Jag tänker också att vad vi vet och vad vi kan idag. Vå lärstan i vår är så hög så att vi förstår allihopa när vi ser på datas så har vi själv förtroende nog att kunna säga ifrån och säga till och förbättra att utveckla de här agenterna eller förändra påmterna. I vårt verktyg kan vi också gå in och ändra inställningar så att verktygen kan pristera på det sättet som vi vill. Vi har en hel del kunskap för att kunna göra det. Hur har ni gjort för att folk ska hemma lära sig allt det här och hänga med? Har ni nya roller i företaget eller alla liten ansvarig? Vi har faktiskt inte. Vi har inga nya roller. Däremot så är ju innehållet annorlunda. Vi har utvecklingsamt 12, två gånger om året där vi går igenom och där finns ju "A" i mig i alla roller att man behöver lära sig så vidare. Men vi har gjort så att det är ju ledningsfåga som är börjat med. Ledningarna fattar beslutet. Varje vecka pratar vi om det här. Vi har våra måndagsmöten där vi tar upp och pratar om det i alla projekt så tar vi upp och tittar hur vi har jobbat med "A" i alla våra rapporter så står det var vi har använt verktyget och hur på vilket sätt vi använtar. Vi har på fler dagar så har vi något som vi kallar förställda verkstad. Som är frivillig, men de flesta är märda. Om man inte har någonting annat för sig så är det brukar vara ganska fullt. Då kommer man dit och så. Det finns inte någon särskilda agenda i en sekundern folk presenterar. Det här har jag gjort. Det här har jag sett på problem. Det här är en utmaning eller det här har jag löst på det här sättet. Vilket gör att det finns liksom exempel, det finns små grejer och det finns stora snugga lösningar man har gjort. Men det gäll ju naturligtvis för mig som vd för dem att skapa till att tiden lyfte upp de här exempelen och ha koll på dem och inte släppa taget. Och det har jag gjort att vi har kommit framåt då att det här verkligen har blivit integrerat i våra arbetssätt. Det är klart att våra roll förändras på det sättet att det som en analytiker hos oss gjorde för två år sedan. Man gör andra saker idag. Det är så himla kul. När man märker att de här troker jag har börjat så uppgifterna de försvinner, de automatiserar så det blir högre kvalitet genom att det blir liksom en systematik i det och vi förstår vad vi har gjort. Man kan gå vidare och ställa nästa fråga och skruva och göra det förstå mer av innehållet i sina arbetsuppgifter. Det är super kul. Vi pratar om konsultjält men har ni behövt ta in någon juristjält för dem beslutet kan jag vara ganska kniviga och avgöra. Absolut. Vi har absolut haft det här jurister inne. Jag byggde för ett år sedan som jag byggde en juristagent som jag har gjort roligt där idmö. Den har väl sänkt mina juristkonsten där kanske med 75 %. Men så där finns ju avtal och där finns kollektivavtal och där har jag personal handboken och där har jag kundavtal och sådana saker som jag kan jobba med. Och där jag tar fram nya avtal så skickar jag ju alltid dem till vår jurist. Så jag tar inte avtalet och skickar till kundan utan återigen det är ju jummen i lillupp. Jag måste beta till mig korrekt. Jag kommer ju. Det går mycket snabbare och jag lämnar från ett bättre underlag som jag förstår själv mycket bättre. Och det blir också mycket billigare för oss. Vad mer har ni gjort med den här tiden som har fri gjort? Anställde ni färre eller har ni expanderat in i jag? Vi är ju fler idag. Men det är ju inte flera analytiker och fler konsulter. Det är fler tekniker hos oss. När vi söker folk så söker vi ju medarbetare som har jobbat med customer success. Nu har vi anställt bekänd utvecklare. Vi har också påsis anställt expeter. Så man kan väl säga så här att vi rör oss i en riktning där vi jobbar med som expeter och rådgivare mer qualificerat än vad vi gjorde kanske för fem år senare jag kom som vd. Då var innehållet i rollen som konsultan och lunda. Nu behöver man ju kunna använda. Och i med det lär man sig ganska snabbt för att själva verktyget är ganska lätt att använda. Hur viktigt trodde nysikenheten och kanske innovativa kulturen har varit för er resa? Jätteviktig. Jätteviktig. Och det står faktiskt i må av i polisie också att vi. Nu ska vi se, nu ska vi kunna när utan till. Vi förväntar oss att medarbetare på den måsko förhållet sig till nytteknik med kritiska ögon. Men att vi värdesätten nysikenhet och vill jag att ligga i framkant så att just parade här med att vara kritisk med samtidigt att man är nysiken. Sen i varje polisie så finns ju också naturligtvis hemvis inte både GDP är och de bransfiltiska negra som är som av utgör. Det är en halv om hur vi hanterar respondentes data och så vidare. Nu när vi inne på det här medan jag har gjort dem AI-polisie, vilka. Organisatoriska steg har du som ledare fått ta för att ha en strategisk vara redo kunna använda AI på ett bra sätt. Det är en polisie i alla fall. Ja, vi börjar det med. För det första var vi eftersom ledning vi fattade beslut om att vi skulle göra det här. Vi började ganska liten. Men jag tänkte som ett brev på posten kommer att jag kommer att själv ställa dig. Jag kommer att vara jättena för det. Vi ser ingenting som är viktiga än att vi håller reda på den kundata som vi har. Så vi satt en AI-polisie kändes väldigt viktigt. Jag tittar på andra AI-polisie som var många sidelånga och jag tänkte att vi behöver ha en AI-polisie som alla kan förstå åt att till sig alldeles oavsett. Så man kan hoppas att framförsäger eller som man kan memoreva. Så det tog vi fram en ganska kort AI-polisie på någon halvt sidalång. Då kunde vi säga att vi har ansvaret till det alltid den enskilda medarbeten som har ansvaret för hur vi använder AI på jobbet. Men vi ska förhålla oss i GDP-är. Vi vet precis vad det är för någonting om hur vi vet att vara branschigt i skaregler. Det andra som vi har gjort och som jag tycker är färg. -och det är att vi har briten ner det i små projekt. Som vi började med att titta på textanalys, vi tittade på bilder. Det har väldigt lång tid för oss att ta fram och illustraera rapporter. Vi hade ett projekt som handlar också om att skriva kod och skriva syntags. Så vi kunde när vi gör våra statistiska bearbetningar. Vi bröt ner det, så vi hade tog jag sex veckor på oss. Imentera det. Då gjorde jag att det bestämde att bli en till ett kundevänt. Det spelar ingen roll. Vi har gjort det och vi ställer oss att säga det här har vi gjort. Vi kan få en diskussion med kunder och andra. Vi har alla fall provat och vi kommer att ta fram till nåt. Vi hade konfernt till det var att vi skulle starta, bygga vårt eget verktyg. Ställa. Det visste vi inte om sex veckor tidigare att det var där vi skulle landa. Vi har fortret att göra. Vi tar nästa steg, bryter ner det projekt. I vårt fall så bjuder vi in. Inna vi vet vad det vi ska presentera, så bjuder vi in. Vi vet att vi kommer att klara delar. Jag har avströjat mitt hemliga knepare. Min öppna pedagogiska på det. Det är mitt knep att vi kommer igång. Man kommer samman och det är ju lite panikslaget. Men då kan vi bocka av, "Yes!" där satten. Nu har vi kommit ett steg vidare och vi vet vad vi behöver göra och vilka steg vi behöver ta. Vad upplever du att ha varit svåraste på den här resan? Var det varit nån fallgrupp eller utmaning? Och det har varit. Man kan väl säga så här vi pratar om det är nåt tillfälle. Vi brukar säga att vi har varit inne i alla återventskänder som finns. Jag har inte alltid kände som nåt i vändskan. Mina betabetar känner nog att det har varit många återventskänder. Men vi har ju backat ut dem och vi har kommit till den andra lösning. Vi planer ju att man gör någonting som. Inte misslyckas, men att det blev inte så man har tänkt sig. Det funkar inte riktigt. Då får man ju backat tillbaka och så får man göra om det. Eller så får man konstatera tekniken inte frammen nu. Eller att vi hittar liksom en "workaround" istället. Och brukar det vara legala, showstoppers eller har det varit med tekniskt eller vad. Och brukar det vara massa springing ni som gör att det här funkar inte. Jag kan ta upp exempel bordet legalt. Men då har man till exempel legalt. Det är ett bra exempel. Det måste gå upp som jag så har bildades 1989. Vi har ju hur mycket data som helst. Och då tänker jag när jag. Till 2030-19, as jäsd, det där datan skulle jag ju vilja komma åt. Du guvar härligt. Men det kan ju inte. Men då. Men nu skulle jag kunna göra det. Men nu inser vi det att. Nu är det ju legalt. Vi inte tror att vi kan använda datan. Vi vet inte hur vi ska hantera den för det kundens egenom. Vi startar bete för att väga välja med data till exempel. Och då använder vi den data. Det var ju mer som. Jag vet inte vad så svårt det är. Det är inte så med att konstatera. Och det här gör vi inte. Vi håller oss på. Vi tar det säkert för det, och så att säga. Och då är det så svårt egentligen. Tekniskt, jag tyckte att det var väldigt jobbigt när vi kom på att vi. Men det var ju två år sedan, att vi skulle ha en helt säker modell. Och det tog väldigt lång tid att sätta upp den. För jag ville ju börja jobba på månden, men det kunde jag ju inte. utan att jag fick ge mig till tols innan vi kunde börja använda det fullt ut. Det är tyckt, jag var ganska jobbigt. Men det måste bli rätt, så att jag då måste man ju ge folk tid. Det som kan frustrera en sådan med min personlighetstyp, denna folk inte fattar hur fantastiskt det här kan bli. Men jag har ju ett sånt tim runt mig som delar den här personen och intresse. Då vill vi fem åt lika fort som jag. Jag känner ändå det här det beskriver från så många andra företag. Till exempel det här med om en säkerheten, att man måste ibland använda egna lokala modeller, vad det nu förskydd jag säger. Och där faller tyvärr många för att det blir för dyrt upplever man eller för att det tar för lång tid. Men det har ni lyckats när vi är gerat så att det inte är världens största företag direkt. Nej, det berade att du säger det för att det är klart att det här har kostat. Det har det gjort. Men det har nog inte varit så dist som man kan tro. Och det är för att allt vi gör utgår från kundens behov som vi får ett uppdrag från en kund, så jobbar vi med vårt verktyg och skruva på det hela tiden och gör det lite bättre. Och vi säger inte att det här är. Vi talar om att vi har använt dig och vi står för det vi har gjort. Och ibland kanske inte har funkat, men då har vi inte tagit med den analysen vi har provat. Så kanske i de här kunduppdragen att vi har provat att göra saker inom rame för det uppdraget snarare än att vi har sett ett stärkelt uppdrag där vi ska utveckla någonting. Och det tror jag har varit en framgångsfaktor. Och det har gjort att vi har gått så himla snabbt framåt också som vi har gjort. Utan de sa på verklighetsfrankningen. Nej, precis. För att det ibland man har pratat om forskning och utveckling och sådana saker. Det gäller inte för oss för allt vi gör. Det är inte grej att blans tecka på de skåpi, som ett. Vi är hela företaget är en utvecklingsavdelning. Och det tror jag också att det är en skilda medarbetare att känna oss att man jobbar på ett företag där vi ligger oerhört långt framme. Och jag tror det kommer vara fler och fler som behöver tänka på det sättet för att världen är i så kontinuerlig förändring en accelererande förändring. Att hänga med att vara konkurrenskaftyplångsikt så måste man hela tiden utveckla. Jag tänkte på det för jag var på en undersökning konferens i Pagare i höstas. Och då satte jag tittade på de stosta bolagern. Det var liksom både på konsument sidan och undersökningsföretag. Det var de andra stosta som presenterade sina case. Och jag insåg att allt det de gör kan vi faktiskt också göra. Och det var så där jag har jobbat i stora internationella bolag tidigare. Jag vet att utvecklingen sker i andra länder, inte i Sverige i alla fall, inte i de bolag som jag har jobbat. Men plötsligt så sker utvecklingen hos oss av oss själva. Och vi kan göra bildanalyse, vi kan göra textanalyse, vi kan integrera agenter som prata med varandra. Och som tar vid vi olika arbetsuppgifter så plötsligt så finns det vid ens i ens egna händer. Det är lite mind-blowing att som svenskföretag, när vi säljer det här internationellt så är det ett brittisktföretag som vi köper en licens av oss. Sen i några konkurrenter som gör något liknande som ställa ännu. Ställa ut verktyg som. I och med att jag utvecklar att av oss själva för oss själva är det så brett. Jag ser ju många konkurrenter som gör vissa delar som vi gör. Till exempel bara textanalyse eller bara bildanalyse eller vad det kan vara för någonting, olika typer av statistiskanalyse. Eller personas, till exempel som är så ohört hett i vår brans. Men det har vi också. Jag vet inte om det är så att. Jag tycker det jag ser så kan vi göra i princip samma saker. Vi kanske inte har så generella agenter ännu. Men vi har ju förutsättningarna för att bygga det. Ja, det var tillgånga till data som sätter gänse där egentligen och det är bara att stoppa in den dataen hos oss. Det jag tycker är intressant här är just det här är en demokratisende teknologi. Jag ser ju väldigt många som kan göra mycket mer än man kan för. Vad tror du kommer vara fram till den hållbara konkurrens fördel eller kommer den finnas konkurrens fördelar som hållbara över tid? Hur tänker du? Ja, alltså när det här är lätt att göra saker teknis att bygga nya produkterna med jukvaru-priset kommer att noll. Vad ska vi då konkurrera med när många andra kan sätta upp liknarna i en system? Det är en jättebra fråga. Min absoluta övertygelser är att man i fan har ju en roll här. För demokratiska handlar det om att vi är experter. De som jobbar hos oss, de använder just alla som ett verktyg att stå på för att bli snabbare och bättre. Då kan man använda denna erfarenheten man har. Till exempel för min egen del jag. Jag är politisk analys och välja var och med att det har jag jobbat med väldigt mycket och gör en del fortfarande. Då har jag byggt upp en opinionsassistent som håller reda på alla data åt mig. Jag har också byggt upp ett bibliotek med olika teorier och modeller. Det är klart. Jag har jobbat med det här i över 35 år och det gör att jag kan göra de här grejerna, men jag har ju de inte kanske helt vid min sida hela tiden, men då kan jag gå in och så kan jag prata med min agent, min opinionsagent som letar upp de här teorierna och delen av som hittar samband i data och jag tittar på det och så ser det här är det möjligt. Vad av alldeles som jag får fram ska jag använda vad är rimligt att jag ska använda i ett samtal med rationalist. Det gör att jag blir förhoppningsvis mer konkret och mer relevant och det blir det blir bättre. Jag kan helt enkelt göra en bättre analys i vanliga fall. Men jag har fått ligga och söka eller ligga sitt här i mitt skivor och söka i mina filer och inte kanske hittat allt som jag nu kan göra så snabbt att vinna vid bitar på bordet. Krittiska förmågan och därmed djupexperit som gör att man kan värdera någonting i bra eller inte där. Jag tror att jag niheter för folk som precis kommer ut på arbetsmarknaden inte har lång erfarenhet. Jag vet vad jag tänkte också på det för mina barn är precis nu. De är hållat på att sluta på läsa på universitetet så tänkte jag, men hur ska det funka för dem? Men jag tror faktiskt att det kommer att fungera bra för att man kan använda. Man är ju. Man ser mig värden på ett visst sätt. Det finns tolkningar och värden. Man kan göra när man är 30 år ingre än vad jag är. På samma sätt som jag har mer expertise och kan förstå sammanhang och relatera. Man behöver kunna använda ung och också kunna använda de här verktygen och där tror jag att ingre bättre kanske på kritiskt tänkande. Vi är ju inte riktigt skolade på det sättet eller min generation inte skollade riktigt på det sättet. Så jag är faktiskt. Jag är vart det är, men jag är inte så det är belängare. Jag ser att det finns stora möjligheter. Hur ser det på framtiden för det måste gå på är det avjärnvänderna? Hur skulle du vilja så att nytta tekniken för framtiden? Jag hoppas just som vi pratar om att vi kan ta mycket tidigare expertroll. Vi kan jobba mycket med att sätta saker i ett sammanhang och förklara för våra uppdragsgivare. Hur omvärldsförändringar, omvärldshändelser påverkar deras verksamhet som konsulter så har vi uppdrag som spänner över ett brettfält vilket gör att vi kan vara ett bra bolplankat. Så vi kan bli starkare i denne expertpositionen vilket gör att vi också kan ta lite bredare roll. Du nämnde det här med demokratisering tidigare och det tror jag ju själv mycket på. Jag kan ju redan idag själv sitta och komma åt data och analysera data direkt istället för att jag går till en av mina medarbetar och bär att få olika typer av körningar jorda. Mina medarbetare som jobbar som andra arbetsuppgifter, de kan ju specialisera sig mycket höger ut utsträckning så att de kan fördjupa sig olika typer av statistisk analyser eller olika typer av bärbetningar eller att förstå sammanhang eller bevetet på att visualisera data. Medgad av kritisktänkande och väldigt mycket rolig arbetsuppgifter skulle jag vilja säga och vi kan boleverans som var kanske från ett till fem nu är den kanske från ett till sjubisället. Så det kan ju bli lättare kanske som som kund att jobba oss så att vi kan vi kan bidra med mer i leveransen. Samtidigt så är det också så att de kunde som har köpt ett stort system de har tillgång till samma verktyg som vi har. Så att vår konkurren är väl kanske ofta kanske undersökningsföra eller förlorna på hos på kundsidan där man sitter och gör de uppgifter som vi har gjort traditionellt. Det kan man göra själv. Man kan skicka utankäter, min kan samla in data, min kan analysera data, men vi vård blir då mer att vi är rådgivare. Det är mycket med av det här partnerskapet att jobba nära varandra. Så det är då prismodellen behöver ändras för det låter inte så att det kanske kan lika lätt att ta samma betalt. Jag tror jag har partnerskap tidigare och det tror jag att kommer att vara affärsmodellen framåt också. Ställda tar vi betalt som ett abonumang helt enkelt. Då kan man ju ha det abonumanget när man jobbar med oss eller man kan jobba vandre undersökningsföra tag också. Det spelar liksom inga roll för oss egentligen, men sen har vi då någon typ av ett partnerskap där vi finns tillgängliga som rådgivare mer över tid. Så jag tror att det kanske inte blir så mycket av det här. När man kommer in och just beställer man en undersökning av oss och sen kommer man tillbaka om ett år igen, utan det är mer att man jobbar tillsammans istället. Så det är klart att ta affärsmodellen kommer nog att förändras med att vi kommer nog att leverera ett högre värde. Vi kommer att leverera ett högre värde. Jag tänker att vi ska gå in på avrundningen här. Så vilka råd skulle det ge till andra företag som kanske kommer inte en lite kortarbit på resan jag får titta mer? Jag skulle säga att fatta ett ledningsbeslut. Ta fram en avpål i sig, börja smått, tänk stort, gör en pilot då skalas sen så att man kommer igång och just det här så att man ser resultat. Och sen vi har skapat dåligst med tvärfunktionellt team över hela dem och skåp som jobbar med det här så att jag tänker att man måste ta med timet. För min övertygård säger att förändring misslyckas som inte folk förstår varför man gör det här. Då måste folk vara med och man måste också ha med folk som är motsträviga och lyssna på dem. Men man måste hålla id och alla fast det. Och sen är det mer. Man måste fokusera på vilka färsproblem eller vilka problem som tekniketska lösa, inte på tekniken i sig. Utan vad är det förra färsutman när vi har som som som öjlösa? Och det handlar mer om organisationen, det handlar om tekniken i sig för tekniken finns där. Sen behöver man investera i kompeten så då menar att jag att man ska skicka folk på utbildningar, utan det är mer att att man ska jobba med det. Och just som jag sa att man börjar smått att man jobbar med det så att man förstår hur man kan använda det. Och om det går att pip sängen så att man förstår varför så att man kan skruva på det och förbättra det. Och med det är också att man också vågar vara transparent både med kunder och medarbetare. För det blir det också tog värdet. Vi hade ett case i våras. Vi hade en sommaravslutning där vi satt och vi hade jobbat jättemycket i ett jängmet stort projekt. Och vi var från flera olika delar av företaget. Vi var väl en fyra fem personer som satt och draken kocka. Och vi just ett specifikt problem med enspråkmodell skavde hos oss allihopa. Och det visar att det var samma skav vi hade. Vi kände att det finns en pajas i den här språkmodellen som. Vi hade kändt på olika sätt. Vi satt och diskuterade det. Vittillsammans kunde förstå varför. Det var det var riktigt heftig efteråt. Så kunde vi direkt sätta så skruva i vår prompt och förändra hur vi använder den här agenten. Vi har några som satt i varje. Vi har på hög på ett tåget hem och jag såg hur mina medarbetare har satt och jobbat. Det var helt fokuserat. Det var så heftig att vi var. Vi var helt olika delar av verksamheten. Det var väldigt olika discipliner. Det var kul att se hur. En tillåtande kultur där det är okej att misslyckas. Men man också är fråga sätt där vi då har human in the loop att vi läar oss någonting. I mina öran som är låt som att ni verkligen gjort bra. Utöver det du säger att verkligen sig till att man inte bara går en kurs utan jobbar med vart ni har. Den lär sig de få de här lättare lågt hängande frukterna implementerade de. Men samtidigt knapar på de lite större knepigare problem. Men vad är det? Hur ska vi använder den här gamla datan? Vi har eller hur ska vi faktiskt göra det här säkert nog som vi kan göra stora riktigaste problemen. Att ha lite parallella spår tror jag är viktigt att det inte bara är det kortsiktiga. Ja, men du är helt rätt för att jag tänker att det finns ju aldrig ett rätt läget börja med det. Man kan tänka att jag är för sent ut och du kommer att komma mycket bättre spåkmodeller och du ska bara göra det här först och så vidare. Det är bara att komma igång och börja jobba med det för att som sagt tekniken den är den är den är det organisationen som blir det viktiga. Med dem orden så är det dags för oss att avrunda. Så jag vill tacka dig så hemskt mycket för att det var mer kallig. Tack för att jag fick för mig. Det är jätteintressant samtal. och stort lycka till med det måskopp i framtiden. Tack! Och tack för att du lyssnar på AI-swedeln Podcast. Vill du veta mer om AI-swedeln kan du gå in på AI.se. Är du ledare i ett företag som gjort en betydande AI-resa? Eller känner du någon som passar in på den beskrivningen? Så du är varmt välkommen att höra av dig. För vi vill samla fler berättelser från framåtluta det svenska företag. Kontakt till piften har hittat det och i Kionotes. Det här var AI-swedeln Podcast med mig Astrid Shagre. Vi hörs nästa gång.