Dette er en kommentar. Kommentaren er udtryk for skribentens egen holdning.
Få teknologier har potentialet til at ændre samfunds- og erhvervsstrukturer som kunstig intelligens (AI – Artificial Intelligence) og machine learning (ML). Digitaliseringen har særligt indenfor de seneste to årtier betydet, at data er gået fra at være knappe og vanskelige at behandle, til at være rigelige og lette at bruge.
Samtidig åbner flere og flere myndigheder, organisationer og virksomheder på både internationalt, nationalt og regionalt-lokalt plan i disse år deres data, så andre kan have nytte af dem. Det giver muligheder for at koble og anvende interne og eksterne data til at lave avancerede analyser.
Digitaliseringen giver således også AI og ML det brændstof, som gør at teknologierne i disse år revolutionerer alle brancher, uden undtagelse, samt flere offentlige organisationer.
Men hvordan med de gode gamle filantropiske fonde. Er der en fremtid for AI og ML i den ellers traditionelt konservative fondssektor? Hvordan kommer denne fremtid til at se ud? Hvad gør pionererne – dem der er først med at afprøve mulighederne? Og hvad siger skeptikerne? Hvilke muligheder og strategiske dilemmaer rejser udviklingen?
I Damvad Analytics har vi gennem det seneste års tid for alvor udbudt vores AI-løsninger og været i dialog med en del fonde i Norden og internationalt om deres AI og ML muligheder. Vi har gennemført de første AI-projekter, og vi begynder at have et samlet overblik over muligheder, begrænsninger og dilemmaer.
Når vi taler med filantropiske fonde i Danmark og udlandet om hvorfor og hvordan de kan implementere AI og ML i fondsadministrationen af ansøgninger og donationer, så mødes vi af lige dele skepsis og begejstring. En del er begejstrede over at høre om effektiviseringspotentialet og udsigten til at skabe større oversigt og mere systematik, samt de planlægningsmuligheder det kan give. Andre er mere skeptiske overfor, at algoritmer og avanceret analyse virkelig kan hjælpe eksterne reviewere, ansatte og ledelse i fondene med at vælge de bedste ansøgninger og levere læringsbaseret indsigt til strategiske vejvalg for fonden i fremtiden.
Grovsortering af ansøgninger og forudsigelse af succes
Vi oplever hos AI-pionererne, at implementeringen af AI-modeller øger effektiviteten og impacten af investeringer ved for eksempel at identificere ligheder og forskelle i tusindvis af ansøgninger og afrapporteringer, og sammenligne indhold fra tidligere og nuværende ansøgninger for herved bedre at kunne identificere og bevilge finansiering til de bedste ansøgere.
Vi ser at AI-modellerne bruges aktivt til at forudsige sandsynligheden for, at potentielle projekter lever op til deres erklærede mål og opnår impact og succes.
Vi ser at AI-modeller reducerer fondsadministrationens tidsforbrug på det, man kan kalde det kedelige skrivebordsarbejde med gennemgang af ansøgninger og projektrapporter på samlebånd. AI-modellerne bruges for eksempel til den store grovsortering af ansøgninger, der herved bringer antal ansøgninger ned fra 1.000 til f.eks. 75, uden at fonden skal bruge flere mandeår på gennemsyn eller mange ressourcer til eksterne reviewere.
Vi ser det også anvendt som kontrolforanstaltning og til efterbehandling af bevilgede midler, hvor AI-modellerne hjælper med en overordnet kontrol, samt til at drage læring ud på tværs af alle donationer i et program eller på et område. Læring, som ledelsen herefter kan bruge til at planlægge fremtidige donationer. AI-modeller kan således trænes til at understøtte beslutningsprocesser og skabe mere sammenhængende finansieringsstrategier.
Skeptiske fonde
Men der er alligevel stadig fonde, der er skeptiske overfor at tage AI og ML i brug. Vi møder flere forskellige synspunkter på tværs af fondene. Nogle fonde er simpelthen ikke interesserede i nye effektiviseringsinstrumenter, fordi de ikke oplever et pres for at nedbringe deres administrationsomkostninger, men snarere det modsatte, nemlig at styrke deres administrative niveau.
Andre fonde mener ikke det er så vigtigt, at man i det hele taget bruger ressourcer på at læse alt og effektvurdere på alle de mange små uddelinger. Her er holdningen snarere, at man ikke ønsker at vurdere og vide alt om resultater, når man som fond har f.eks. 8.000 eller bare 800 donationer på et område.
Andre igen har opbygget et stort eksternt reviewsystem, som kan være ekstremt omkostningstungt og besværligt at administrere, men som i forvejen legitimerer investeringsbeslutninger med baggrund i grundige ekspertvurderinger. Andre fonde har lagt beslutningskraften over på en faglig tung bestyrelse, som så skal kunne tage aktiv stilling til alle donationer. Fælles for en del af de mest skeptiske fonde er også en skepsis overfor store kvantitative datasæt, evalueringer og analyser i det hele taget.
Det overordnet vigtigste argument drejer sig dog om, at det kan være svært at se, hvordan de skal integrere det nye i det eksisterende, herunder hvordan samspillet og arbejdsdelingen skal være med administration, bestyrelse og eksterne reviewere. Hvordan skal AI og ML integreres i fondenes arbejdsgange, hvilke rutiner skal de erstatte, og hvilken dataarkitektur skal være på plads for at få fuld nytte af AI?
Men det er vigtige spørgsmål, der findes gode svar og rådgivningsmuligheder omkring. Vi tror derfor, at denne sidste type sund skepsis, som er den mest udbredte, med tiden vil mindskes, også som det efterhånden bliver synligt hvilke effekter og besparelser pionerfondene høster på området. Jeg tror på, at vi ved at gøre det enkelt og billigt for fondene at komme i gang med AI og ML, så vil flere ikke se det som nogen stor eller tung investering, men som noget de gerne vil prøve, så enkelt og agilt som muligt.
