Jeg spår et AI-gennembrud hos fondene i 2020

Artificial Intelligence (AI) har potentiale til at lette fonds­admini­stra­tionen eksempelvis ved at grov­sor­tere an­søg­nings­bun­kerne og forudsige sand­syn­lig­heden for, at poten­tiel­le projekter får succes og opnår deres mål. Mange fonde har en sund skep­sis, men pioner­fon­dene får et AI-gen­nem­brud i 2020, spår partner i Dam­vad Ana­lytics, ph.d., Torben Bund­gaard Vad.

Artificial Intelligence
"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?" spør­ger Tor­ben Bund­gaard Vad, part­ner i Damvad Ana­ly­ti­cs, ph.d., i det­te ind­læg.

 

Det­te er en kom­men­tar. Kom­men­ta­ren er ud­tryk for skri­ben­tens egen hold­ning.

Torben Bundgaard Vad
Tor­ben Bund­gaard Vad, part­ner i Damvad Ana­ly­ti­cs, ph.d.

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.