Företags-AI: Från Aristoteliska modeller till Baconeanska loopar

Företags-AI rör sig bort från system som baseras på Aristotelisk logik, vilka är bra på att generera svar, mot en modell inspirerad av Francis Bacons vetenskapliga metod. Denna nya riktning fokuserar på observation, experiment och iterativ inlärning för att uppnå konkreta affärsresultat.

Den centrala utmaningen inom företags-AI har varit att stora språkmodeller (LLM), trots sin förmåga att generera övertygande svar, inte är konstruerade för att hantera den komplexa miljön i ett företag. Företag kräver funktioner som ihållande tillstånd, formella strukturer, behörigheter, återkopplingsslingor och mätbara mål. Dessa krav kan vara svåra att implementera i kod, vilket gör koncept som "minne" eller "autonomi" svårhanterliga.

Nuvarande avancerade AI-modeller fungerar ofta på ett sätt som liknar Aristoteles logiska slutledningar. De drar slutsatser från enorma mängder data, men de saknar en inbyggd mekanism för att validera sina resultat mot verkligheten. När en modell "hallucinerar" producerar den en plausibel, men potentiellt felaktig, slutsats utan att kunna kontrollera den mot faktiska utfall.

Francis Bacons bidrag var att införa en systematisk metod för kunskapsinhämtning baserad på observationer och experiment. Hans metod innebar att formulera en idé, testa den mot verkligheten, observera resultatet, revidera hypotesen och upprepa processen. Denna återkopplingsloop är avgörande för att AI ska kunna lära sig och anpassa sig i affärssammanhang.

Framtidens företags-AI kommer att kräva en "Baconeansk" struktur som omger de befintliga "Aristoteliska" modellerna. Detta innebär att AI-system inte bara ska ge svar, utan aktivt delta i handlingar och lära sig av deras konsekvenser. Genom att mäta faktiska affärsresultat, som ökad försäljning eller minskad kundomsättning, kan AI-system kontinuerligt förbättras och leverera mätbart affärsvärde.