Tidsstudier

KI-utviklingen drives i økende grad av detaljert empiri om hva kunnskapsarbeidere faktisk gjør – ikke bare hva de sier de gjør. Mønsteret ser slik ut:

Kartlegging av oppgaveinnhold. Utviklere studerer arbeidsoppgaver nedbrutt i delkomponenter: hvor lang tid tar utkast versus revisjon, hvor mye av en jurists dag går til dokumentgjennomgang, hvor ofte en utvikler veksler mellom kode og dokumentasjon. Slike tidsstudier (delvis arvet fra arbeidsvitenskapens tradisjon, men nå med digitale logger) avdekker friksjonspunkter – steder der mye tid går med til noe repeterbart.

Oversettelse til funksjoner. Friksjonspunktene blir til konkrete produkter. Veksling mellom kontekster gir agenter som holder oppgavetilstand over tid. Tid brukt på å lete i dokumenter gir RAG og lange kontekstvinduer. Tid på formatering gir maler og strukturert output. Hvert friksjonspunkt blir en feature.

To utviklingsspor. Det skjer parallelt på to nivåer du selv skiller mellom – modeller og innpakning. Modellene blir mer kapable (resonnering, lengre kontekst, verktøybruk). Innpakningen – grensesnitt, integrasjoner, agentstrukturer – senker terskelen for å hente ut kapasiteten. Ofte gir innpakningen større praktisk gevinst enn selve modellforbedringen, fordi den treffer den faktiske arbeidsflyten.

Måling som styringssignal. «Enklere, raskere, bedre» er ikke retorikk men målbare størrelser: antall trinn, tid til ferdig resultat, kvalitet vurdert mot referanse. Benchmarks og brukstelemetri lukker sløyfen – det som måles, optimeres, og nye versjoner rettferdiggjøres mot nettopp disse tallene.

Denne logikken fanger det eksplisitte og målbare i kunnskapsarbeidet godt, men er strukturelt blind for det tause, det kuratoriske og det skjønnsmessige. Tidsstudier ser hvor tiden går, ikke nødvendigvis hvor verdien skapes.

Kartlegging av oppgaveinnhold. Anthropic baserer noen analyser på et bevisst metodevalg fra arbeidsøkonomien: noen ganger gir det mer mening å fokusere på oppgaver innenfor yrker enn på yrkene som helhet, fordi jobber deler oppgaver og ferdigheter på tvers – visuell mønstergjenkjenning utføres for eksempel av både designe fototografer, sikkerhetskontrollører og radiologer. Kartleggingen skjer mot O*NET-databasens oppgavetaksonomi og gjøres maskinelt via verktøyet Clio, som analyserer samtaler med Claude samtidig som personvernet bevares. Skalaen er betydelig: over 3 000 unike arbeidsoppgaver observeres i Claude.ai, der de ti vanligste oppgavene utgjorde 24 % av samtalene.

Måling som styringssignal. Det sentrale styringstallet er forholdet mellom augmentering og automatisering. Anthropic overvåker eksplisitt dette forholdet som et signal om hvor automatisering blir mer utbredt. I siste rapport finkornes dette ytterligere: av observerte interaksjoner er 78,7 % augmentering (samarbeidende) mot 21,3 % automatisering (direktiv oppgaveløsning), der de dominerende augmenteringsmodusene er tilbakemeldingssløyfer (32,5 %) og læringsinteraksjoner (29,9 %). arxiv Dette er måling som lukker sløyfen – tallene blir referanse for neste utviklingssteg.

Oversettelse til funksjoner. Koblingen mellom oppgavestudie og produkt er direkte. Da «extended thinking» (resonneringsmodus) kom med Claude 3.7, viste bruksdataene umiddelbart hvor funksjonen traff: extended thinking-modus brukes med høyest frekvens i tekniske domener, knyttet til yrker som dataforskere, programvareutviklere og spilldesignere. Funksjonen ble altså målt mot faktisk oppgavebruk, ikke bare lansert.

To utviklingsspor (modell vs. innpakning). Skillet mellom modell og innpakning gjenfinnes empirisk mellom plattformer. Kodeoppgaver migrerer fra augmentert bruk i Claude.ai mot mer automatiserte arbeidsflyter i API-trafikken – det vil si at samme modellkapasitet gir ulik effekt avhengig av innpakningen den leveres gjennom.