To klokkefrekvenser

I januar kjørte jeg Gemma 4 lokalt — best i klassen for lokale modeller da. I dag ligger åpne modeller som Kimi K3 og DeepSeek omtrent der frontier-modellene var i fjor. Fable 5 og GPT Sol kan jobbe i timevis alene på samme problem. Og nå nylig publiserte OpenAI at en intern modell har løst ti matematiske problemer som har stått åpne i over et tiår. Tokenkostnad: rundt 2000 dollar.

Åtte måneder. Det er tidslinjen. Det føles som om mange år komprimeres til måneder.

Men det interessante er ikke bare farten. Det er også at organisasjonene våre ikke er bygget for den.

Kapabiliteten dobles på måneder. Prosessene våre går i årshjul — budsjett, planer, gevinstrealisering. Det er ingen som gjør noe galt; klokkefrekvensene er bare ulike. Men konsekvensen er at gapet mellom hva som er mulig og hva som er tatt i bruk ikke vokser jevnt — det akselererer.

Jeg tror ikke svaret er å skrive bedre KI-strategier alene. En prosess optimalisert for dagens modeller er utdatert før den er implementert. Det som varer er prosesser tilpasset endringstakten, ikke teknologien: korte sløyfer, rom for å eksperimentere, mandat til å prøve og forkaste, og en ordnet vei fra den raske sløyfa inn til den trege.

I praksis tror jeg det betyr to klokkefrekvenser i samme organisasjon. En kjerne som går i årshjul, fordi den må. Og en rand som går i ukessykluser, fordi den kan — som tester, forkaster og sender videre det som beviser seg.

Modellene har ikke vært flaskehalsen på lenge. Det er vi — og avstanden vokser.

Det er dårlig nytt for planene våre. Og godt nytt for alle som jobber med å lukke gapet, for det er der verdien sitter nå.