Nøkkelinnsikt

• 71 prosent av amerikanere frykter at AI vil ta jobbene deres. Men den virkelige konkurransen handler ikke om å lære seg AI-verktøy. Det handler om å bruke menneskelig vurdering til å gi AI-dataene mening.
• I alle tre historiene optimaliserte AI for feil ting. En 95 prosents sannsynlighet for å avslutte en deal betydde ingenting når kunden var midt i en intern omstrukturering. Kunnskapen om når man skal stille spørsmål ved maskinen er selve ferdigheten.
• Historien til Priya viser at høye engasjementstall kan skade en merkevare aktivt. AI trakk til seg kunder som jakter på billige tilbud til et dyrt kvalitetsprodukt. Mer engasjement er ikke alltid bedre.

Kort fortalt

Priyanka Vergadia er teknolog og AI-produktleder. I dette foredraget fra TEDNext 2025 går hun rett til kjernen av det mange bekymrer seg for: vil AI ta jobbene våre? Svaret hun gir er ikke en beroligelse, men en utfordring. AI er flink til å finne mønstre i data. Mennesker er flinke til å forstå hva mønstrene faktisk betyr. Og den forskjellen vil bestå, uansett hvor gode modellene blir. Hun illustrerer poenget med tre historier fra arbeidslivet der AI traff på symptomene og gikk glipp av årsaken.

---

AI ser symptomet. Mennesket stiller diagnosen.

71 prosent av amerikanere tror at AI vil føre til massiv jobbnedgang. Vergadia kjenner denne angsten godt fra sin jobb, der hun hjelper store teknologiselskaper med å ta AI-produkter ut i markedet. Det hun har sett er noe annet enn det de fleste frykter: ikke at AI erstatter folk, men at folk som slutter å bruke sin menneskelige vurdering mister fordelen sin.

AI er svært god til å identifisere mønstre. Den forstår data. Det vi mennesker er gode på, er å forstå hva disse mønstrene betyr i en verden full av menneskelig atferd og sammenhenger. Og det vil ikke endre seg, hevder Vergadia, fordi vi forstår ting som ikke kan tallfestes: kontekst, intensjon, uuttalte følelser og kulturelle nyanser. Denne forståelsen kommer fra levde erfaringer AI ikke kan kopiere.

---

Sarah: hun ringte kundene selv

Sarah er produktsjef, og teamet hennes har bygget en analyseoversikt (en skjerm som viser data og grafer slik at man kan se hvordan produktet presterer) drevet av AI. Oversikten viste tydelig at 80 prosent av brukerne bare brukte grunnleggende funksjoner, mens bare 20 prosent tok i bruk de avanserte mulighetene.

Tallene ga mening. Men Sarah lot seg ikke stoppe der. Hun ringte de 20 viktigste kundene for å spørre dem direkte hvorfor de ikke brukte de avanserte funksjonene. Svaret var ikke manglende interesse. Funksjonene var begravd i menyer de ikke fant, og dokumentasjonen forklarte ikke godt nok hva de var til for.

Teamet la om hele opplevelsen, og bruk av funksjonene skjøt i været. «AI saw the symptom. Sarah diagnosed the disease», oppsummerer Vergadia. Poenget: når AI anbefaler noe, må vi spørre hvorfor.

---

Marcus: han leste rommet, ikke dashbordet

Marcus jobbet med å effektivisere salget i et selskap ved hjelp av AI-verktøy. Systemet analyserte e-poster og aktivitet og ga beskjed om at en av de største avtalene de hadde, hadde 95 prosent sannsynlighet for å bli avsluttet. Sentimentanalyse (når AI leser tekst for å avgjøre om tonen er positiv, negativ eller nøytral) pekte på positivt og engasjert.

Marcus ville likevel grave dypere. Da han så nærmere på de menneskelige signalene, fant han noe urovekkende: det var ikke de samme personene som møtte opp hver gang. E-postsvaret hadde blitt vagt og upersonlig. AI tolket all denne aktiviteten som engasjement. Men noe annet foregikk bak kulissene.

Det viste seg at kunden var midt i en intern omstrukturering (en stor omorganisering av team og roller). Tre team trodde alle at de var ansvarlige for innkjøpsbeslutningen. Uten Marcus sin menneskelige analyse ville avtalen aldri gått i havn. «AI identified the activities. Marcus measured meaning in those activities.» Du kan ikke lese rommet fra et dashbord.

---

Priya: hun visste at tallene løy

Priya jobber med sosiale medier for merkevarer. AI-verktøyet hennes anbefalte å legge ut motevideoer med raske tips, og det fungerte: høye engasjementstall (antall likerklikk, kommentarer, delinger og klikk som viser hvor mye folk samhandler med innhold) og masse nye følgere.

Men da hun snakket med merkevarens team, oppdaget de at ikke én av disse nye følgerne kjøpte noe. De trakk til seg prisbevisste kunder som jaktet på billige klær. Stikk motsatt av kunder som ville betale 200 dollar for en etisk produsert jakke, som var akkurat det merkevaren solgte.

AI optimaliserte for følgere. Priya visste de bygget feil publikum. Hun sluttet å følge AI-anbefalingene og begynte i stedet å lage innhold om håndverket bak klærne og historiene til håndverkerne som sydde dem. Salget tok av. Leksen: spør alltid hva historien bak dataene er.

---

Det som ikke kan erstattes

Alle tre historiene har én ting til felles: AI optimaliserte for det målbare og gikk glipp av det som faktisk betydde noe. «Fremtiden tilhører ikke mennesker eller AI. Den tilhører mennesker som jobber tett med AI, mens de forblir uerstattelig menneskelige.»

Vergadia avslutter foredraget med en liste over det som ikke kan erstattes: evnen til å lese rommet, til å kjenne på følelsene i et møte, til å forstå hva «det er interessant» egentlig betyr fra en kunde som kanskje er høflig avvisende. AI vet ikke forskjellen. Det gjør du.

---

Ordliste

---

Kilder og ressurser