Från Lindgren till Ramsay: lärdomar från ett år med AI-projekt

Artificiell intelligens — AI– är på allas läppar och för dig som ännu inte satt dig in i tekniken kan det kännas som att du har ett berg att bestiga.

Men det fina i kråksången som jag lärt mig under det senaste året i olika AI-relaterade projekt är att du nödvändigtvis inte behöver bestiga det berget för att ta del av utsikten.

För det är när ditt AI-projekt slutar vara ett AI-projekt som det har chans att lyckas. Fokuserar du i stället på värdet du vill nå kan du komma långt.

Inlägget i korthet:

• Artificiell intelligens är inget nytt. Det viktigaste är inte att helt förstå tekniken utan att kunna föreställa dig ett mål där den kan användas för att skapa värde.
• När du jobbar med produktutveckling behöver du ta ansvar för den relation dina användare skapar med din lösning eller teknik.
• Även om tekniken kan ge dig möjligheter att hantera massa olika problem och användningsområden samtidigt, är det fortsatt viktigt att rikta in sig på vad som faktiskt skapar det värde användaren efterfrågar.

”Allt stort som hände i världen skedde först i någon människas fantasi.”

- Astrid Lindgren, författare

Det här är ett av mina absoluta favoritcitat. Det är en påminnelse om att om du kan föreställa sig det, så kan det hända. Inte bara i historier, eller i utvecklingen av nya lösningar, utan också i livet.

För mig sätter det även ord på både möjligheterna och begränsningarna med AI. Det är lätt att tro att själva idén är något nytt, men det har funnits idéer kring artificiell intelligens i tusentals år. Pontus Wärnestål, vid Högskolan i Halmstad, nämner i sin bok Design av AI-drivna tjänster, ett tydligt exempel inom judisk folktro. Idén om en golem av till exempel lera. Ett väsen av död materia som går att styra genom att stoppa in lappar i munnen på den. Så redan för så länge sen föreställde man sig alltså prompt-enginering!

Det här, att själva idén om artificiell intelligens inte är något nytt, är bra att påminna sig om ibland.

För drygt ett halvår sen fick jag erbjudande om att jobba med ett av våra AI-projekt. Jag hade själv ingen koll på tekniken – och fick så klart prestationsångest. Det kändes som en enorm tröskel att ta sig över. Bara att förstå lingot — jag hade ingen koll på vad prompt betydde (fun fact: det är en annat sätt att säga ”ge instruktioner”). Och vad var ChatGPT egentligen?

Det här är jag nog inte heller ensam om. Har man inte jobbat med detta tidigare så är tekniken inte helt lätt att få en överblick över.

Det jag lärt mig under det här året är att det inte handlar om att förstå tekniken fullt ut för att hitta värdet. Det handlar om att kunna föreställa sig nya sätt att ta till sig information — nya sätt att bearbeta omvärlden och göra den begriplig. Här öppnar sig verkligen möjligheterna för journalistiken!

Det betyder också att AI:n i sig inte har ett egenvärde. Endast när vi har ett problem eller behov vi kan föreställa oss så kan vi se om vi kan använda någon form av modell eller verktyg för att bättre nå den visionen. En golem, som bara står där som en hög med lera, gör ingen nytta. Men om vi kan ge den ett syfte och hitta en passande uppgift så kan den hjälpa. Enda skillnaden är att vi i dag har den teknik och den datakraft som behövs för att översätta lergubben till ett digitalt, smidigt verktyg.

Det kan kännas överväldigande med allt det som vi numera kan göra med AI och pressen av att kunna förstå. När AI-vågen började dra i gång på riktigt ville även vi på Bonnier News rida på den och startade ett antal olika AI-projekt. Historien har lärt oss att ny teknik är värd att utforska, för att inte riskera hamna efter konkurrenterna eller tappa sin aktualitet bland användarna. En stress jag tror att många känner nu: man vill inte hamna efter.

Men det visade sig snabbt att det inte bara handlade om tekniken.

Den mest komplexa — men också den roligaste utmaningen — kom när vi skulle använda tekniken i en helt ny produkt. När vi skulle använda AI för att lösa ett problem för våra prenumeranter, med mål att skapa en starkare prenumerationsaffär. Och samtidigt inte tappa bort att vi gör detta För det fria ordet, och att det är därför sex miljoner människor vänder sig till våra varumärken varje dag.

Det är en spännande resa som vi fortfarande är ute på, men som vi lärt oss väldigt mycket av att vandra.

”Det är genom interaktion som vi bygger förtroende, oavsett om det gäller förtroende gentemot andra människor eller digitala tjänster.”

– Pontus Wärnestål, professor vid Högskolan i Halmstad, 2021

En läxa vi fick lära oss är att det är lätt att tro att vi i dag är så mycket mer utvecklade än människorna som gått här innan oss. Att våra hjärnor skulle ha utvecklats i samma fart som tekniken. Men som vi redan konstaterat så fanns idéerna kring artificiell intelligens i flera tusen år.

Det är särskilt viktigt att ha med sig när vi snackar produktutveckling. Även om vi på ett teoretiskt plan förstår att tekniken vi interagerar med är skapad och inte finns på riktigt, så binds ändå emotionella band till fysiska och digitala ting. Jag brukar till exempel oftast skriva tack för hjälpen efter jag använt en bot. När min dator krånglar så är det inte så att jag bryr mig om att det är en maskin — jag vill gärna skrika lite åt den för då känns det bättre. Jag har också döpt min bil och älskade min gosedjurshund när jag var liten.

Tingen och systemen är inte levande, men banden jag skapar i mig själv är det i högsta grad.

Men det här ställer också höga krav på den teknik du utvecklar. Och du måste fråga dig vad för slags relation det är du vill skapa.

Jag skulle tro att de flesta hade just ett gosedjur när de var små. Något vi kunde gosa med, kanske prata med när vi var ledsna eller hitta på roliga lekar med. För många av oss var det en vän.

Ett experiment för att visualisera utmaningen när det kommer till produktutveckling: Föreställ dig att din barndomsdröm gick i uppfyllelse och ditt gosedjur plötsligt kunde prata med dig. Tänk dig att du haft en jobbig dag på skolan, att den där elaka ungen du hade i din klass var taskig mot dig. Och när du kom hem från skolan så vände du dig till ditt gosedjur och berättade om det. Och så svarar det:

Det låter verkligen tråkigt att höra att du hade en jobbig dag i skolan och att den elaka ungen var otrevlig mot dig. Det är helt normalt att känna sig ledsen och rädd när någon är elak, men kom ihåg att det inte är okej att någon behandlar dig illa.

Jag skulle absolut känna mig tröstad av att höra dessa ord. Men om den skulle svara så här i stället:

Sluta gnäll och stå på dig. Om du låter en elak unge i klassen påverka dig så pass att du blir ledsen och rädd, då ger du dem just den makt de eftersträvar. Väx en ryggrad och konfrontera problemet istället för att söka sympati.

Ja, om mitt gosedjur hade svarat på det sättet så hade jag antagligen inte haft kvar några goa känslor för den.

Sättet som du själv, dina vänner, din familj eller för den delen en AI-bot väljer att interagera med dig påverkar vad du kommer tycka om upplevelsen eller personen. I det här fallet är den generativa AI:n lika bra på att generera ett svar i båda exemplen. Men upplevelsen blir en annan eftersom det svar du får tillbaka skapar en annan känsla i dig.

Vi kan helt enkelt inte avskärma oss från det emotionella. Hur vi uppfattar någon eller något kommer att sätta prägel på om vi tycker att den lösning vi har framför oss funkar eller ej.

Det här behöver vi ha med oss när vi utformar digitala tjänster. Du ska kunna sätta samma krav på din tjänst som du ställer på en person i den positionen.

Här är det lätt att villa bort sig och det gjorde även jag när vi började jobba med vår helt nya nyhetstjänst.

För ungefär ett år sen så lanserade vi ett nytt prenumerationspaket, där våra läsare kan köpa access till samtliga riks- och lokaltidningar samt ett antal digitala magasin. Lanseringen gick snabbt och vi kallar paketet för +Allt.

Men det har varit utmanande att få läsarna att nå den nivå av engagemang på våra titlar som vi vill. Och vi vet sen tidigare att ett lågt engagemang är ett tecken på att din användare är på väg bort. Vi vill också att läsarna ska hitta till och använda den produkt som de faktiskt köpt.

Det är en svår uppgift vi satt i läsarnas händer. Först måste de veta vilka 48 titlar det faktiskt är som ingår, vi fick flera exempel på när folk försökt logga in på vår konkurrent Aftonbladet (!) och inte kommit in. Här har vi försökt jobba med tydlighet i mejl och på våra sajter där vi pratar om alla dessa titlar. Men det räcker inte med det för att skapa förståelse.

För på dessa 48 titlar så publicerar vi runt 1 000 artiklar varje dag. Och hur ska en läsare veta att det den faktiskt är intresserad av finns på just den titeln? Det är som att få en Aladdin-ask framför sig, där någon säger att trillingnöten just har återlanserats men alla praliner plötsligt fått samma utseende! Du kommer antagligen inte njuta så mycket av den chokladen om du behövt smaka på romrussin, likörtryffel och apelsinkanel innan.

Här insåg vi att det faktiskt fanns ett värde i att använda sig av AI.

Vi började med att formulera utmaningen med det massiva innehållet som +Allt-användaren har tillgång till. Hur kunde vi göra det mer lättillgängligt?

Givet att vi behöver en bred förståelse för innehåll, affär och teknik så satte vi samman en tvärfunktionell grupp av bland annat redaktörer, ML-utvecklare, MA-specialister och UX:are för att sätta tänderna i den.

När det gäller den här typen av utmaningar och mål visar sig verkligen vikten av att jobba tvärfunktionellt. Det går inte annars. Vi har alla lärt oss mycket av samarbetet och roligast har vi haft när vi suttit tillsammans.

Det första vi gjorde blev ett nyhetsbrev, vår propplösare, där vi använde en modell för att identifiera artiklar från olika titlar som verkade handla om samma sak. Vårt eminenta data science-team jobbade vidare med dessa kluster och satte upp en AI-bot som gjorde en aggregerad sammanfattning av artiklarna.

Vi blev oväntat nöjda med resultatet och skickade löpande ut innehållet i ett mejl till en testgrupp. Ett av våra tidigaste tecken på att vi närmat oss målet var när vi till en grupp läsare av Helsingborgs dagblad skickade ett mejl med ett samlat innehåll om svinpest. Den mest lästa artikeln — om vad som gällde vid svampplockning — kom från Fagersta-Posten. En tidning som HD-läsarna antagligen inte hittat till själva.

Rätt snabbt insåg vi att detta också gick att exponera på andra ytor. Så i höstas började vi jobba med en samlad nyhetssajt. Här samlar vi nyheter från olika titlar inom +Allt, både rena länkar och sammanfattande kluster. Och ganska snart efter det så började vi laborera med personalisering för att du skulle få det just du ville ha. Det gick av bara farten!

Nu var vi väl i hamn och hade levererat ett sätt för +Allt-läsarna att hitta allt sitt innehåll? Och på så sätt höjt engagemanget och sänkt churnen?

Svaret är rätt enkelt: nej, det hade vi inte. Det är här utmaningen vi var inne på nyss kommer in. För var det verkligen en nyhetsförmedlare som våra användare möttes av när vi blandade allt från olika källor? Fick du det du behövde från en nyhetstjänst när du gick in här? Fanns trovärdigheten av ett redaktionellt innehåll?

Det gjorde det inte insåg vi. För även om vi gjort det enklare för läsarna att hitta innehåll från 48 titlar så behöver vi förhålla oss till att du faktiskt har den här tjänsten av en anledning. En nyhetstjänst — även om den är genererad med hjälp av AI — behöver en redaktionell röst för att du ska känna förståelse, tillit och empati för den.

Vi hade visat att tekniken och processen funkar hyggligt, att vi hade ett så kallat walking skeleton. Men nu behövde vi jobba med vad det var vi ville att läsaren skulle få för behov uppfyllda av att interagera med tjänsten, vår MVP. Och hitta ett sätt att bit för bit leverera något som faktiskt gav värde till en riktig person.

”Det är bättre att designa en tjänst som 100 älskar — än tusen tycker är ‘nja’.”

– Brian Chesky, medgrundare AirBnB, 2023

Det här konstaterandet har varit en återkommande pling i mitt huvud under den här hösten när vi jobbat med vår nyhetstjänst. Något som jag och alla i projektet behövt påminna oss om, och som vi medvetet eller undermedvetet haft sikte på.

Om du lyckas skapa en produkt som någon verkligen tycker om att använda så kommer den personen att bli en missionär. Den kommer att på eget bevåg hitta likasinnade som kommer skapa en organisk spridning. Men för det så behöver personen känna att produkten slår an på rätt strängar. Om du exponeras för något som du inte ser nyttan av kommer du att rycka på axlarna.

En som är rätt bra på det här är Gordon Ramsay. Om ni minns hans program Gordon Ramsay’s Kitchen Nightmares som gick där i början av 2000-talet så besökte han i varje avsnitt en restaurang som kämpade med att gå runt. Ett återkommande problem han såg var att restaurangerna hade en alldeles för spridd meny: det var indiskt, fish and chips och pizza på samma ställe. Hans råd var — i något hårda ordalag — att smalna av utbudet och göra det de faktiskt hade på menyn riktigt bra. På så sätt får gästerna en god måltid och en fin upplevelse, som de sen kan tipsa sina vänner om.

Det här hade vi glömt. Vi hade lyckats bygga ett walking skeleton: med hjälp av ny teknik kunde vi leta åt relevant innehåll och lägga det på en ny plattform. Men här kom min, och projektets, stora utmaning. För det är ju inte en produkt. Får du en tallrik framför dig med köttbullar, glass och räkor så skulle du inte bli nöjd, även om du gillar ingredienserna var för sig. På samma sätt får du som läsare inte det du förväntar dig av en nyhetsförmedlare om du möts av lösryckta artiklar kring ämnen du läst om tidigare.

För att adressera den här frågan visste vi från start att vi ville använda oss av någon form av personalisering eller customisering. Vi tänkte att om vi lyckas göra en tillräckligt bra anpassning av vad du var intresserad av så skulle vi nå dit.

Men vi fastnade i hur:et. Skulle vi använda någon avancerad ML-teknik? Vilka beteendedatapunkter skulle vara relevanta? Hur mycket skulle du läsa om något för att det skulle bedömas vara relevant?

Kort sagt: vi låste oss genom att göra det för komplicerat. Det som faktiskt hjälpte oss framåt var att gå back to basics. Vi hade sen tidigare en etablerad relation med Helsingborgs dagblad och deras läsare fick varje vecka ett samlat +Allt-nyhetsbrev.

Några från gruppen satte sig helt enkelt ner och började tänka kring frågan: hur kan vi gör en HD +Allt-läsares upplevelse ännu lite mer relevant? Hur skulle det se ut?

De tog fram en skiss som vi sedan kunde använda för att enklare plotta ut vad en första iteration skulle vara. Vi hade fått en idé på hur vi skulle kunna leverera värde till dessa kunder. Inte alla — utan sett till hur vi kunde göra det bättre för i alla fall några.

Tjänsten är inte perfekt och vi använde ingen avancerad teknik för att göra urvalet. Men det blev något som vi kan prata med våra användare om och som vi kunde känna gav ett värde. Det blev ett nytt sätt att läsa HD +Allt.

Vi är långt ifrån klara och ännu har vi inte hittat det rätta receptet eller identifierat vilken inriktning vi ska ha på menyn. Men genom att fortsätta tänka i etapper och ha fokus på vilket värde vi vill kunna erbjuda så kan vi fortsätta experimentera oss framåt.

Så för att sammanfatta: Vi behöver förstå att det primärt inte handlar om tekniken i sig, utan om vad den kan hjälpa oss att förstå. För att göra det behöver du inte vara expert utan snarare öva dig på att formulera behov och frågeställningar. Den enklaste lösningen är ju ändå fortsatt antagligen den bästa.

När du greppat vad ditt problem är så behöver du fundera över vad det är för känsla eller behov som du vill att din produkt eller tjänst ska fylla. Och hur du vill att den ska uppfattas. Människor är fortsatt människor och det vi utvecklar behöver bete sig på ett sätt som skapar förtroende.

Till sist den svåraste biten: att inte låta sig förtrollas av tekniken och tro att den i sig kommer skapa den där känslan. Det handlar fortfarande om att hitta något som du tror kan skapa värde och löpande iterera på det. Så som vi alltid gör inom produktutveckling.

Konkreta tips

• Formulera alltid behovet eller problemet först. Sätt en vision eller bild av vart du vill. Sen kan du förstå hur du/ni ska angripa det. Bolla med kolleger.
• Människor bygger relationer till teknik. Ta ansvar för den relationen!
• Smart teknik är inte ett värde. Använd den för att skapa värdet.
• Läs Design av AI-drivna tjänster av Pontus Wärnestål. Den är väldigt lättläst och lyckas kombinera den filosofiska grundförståelsen av AI med konkreta arbetssätt, dessutom finns den på bibblan.

Några bra ord att känna till

• AI (artificiell intelligens)= samlingsnamn för system och teknik som försöker efterlikna intelligens. Tänk till exmpel logik (”detta borde höra ihop med det här”) och tolkning (”det och det i samma kontext borde betyda det här”).
• Algoritm= En uppsättning instruktioner utformade för att utföra en specifik uppgift.
• ChatGPT= en chattrobot. Bygger på en LLM och har utformats av OpenAI.
• LLM (large language model)= en modell som tränats på stora textmängder, som kan användas för att exempelvis tolka och generera text.
• Maskininlärning= metod där ett program själv lär sig regler för hur det ska agera baserat på lärande. Matas med data för att se mönster.
• Prompta/prompt engineering= skriva instruktioner på ett sätt som modellen, bot:en eller systemet kan förstå. Här finns en uppsjö av tips på hur du ska göra, testa dig fram.