Kategoriarkiv: Framtidsstudier

Hur ser en bra förutsägelse ut – del II

När man arbetar med att formulera förutsägelser finns det flera viktiga principer som man måste fundera över. Rätt använda kan förutsägelser ge ett betydande konkurrensövertag, men det är lika lätt att slösa bort tiden med värdelös spekulation. I den här posten började fundera en del över detta, och här litet fler tankar.

Förutsägelser – eller forecasts – är mest intressanta i närtid, och så fort vi rör oss längre in i framtiden är det bättre att arbeta med scenarier och kartlägga spektrumet av möjliga utfall. Det finns dock ett förutsägelsefönster som är intressant att arbeta med och där en god förmåga att hitta rätt kan vara mycket värdefull.

Det hela påminner i tekniskt avseende om skillnaden mellan klimat och väder. När det gäller klimatet vill vi ha insikt i hela spektrumet möjliga utfall, och när det gäller väder är en 7-dagarsprognos värdefull för vissa företag. Förutsägelsefönstret ser olika ut för olika fenomen — vädret är så pass komplext att det knappast kan förutsägas bortom ett tiotal dagar, till exempel.

Det betyder inte att vi inte kan säga intressanta saker om möjliga utfall för klimatet, emellertid. Oförutsägbarheten är relaterad till upplösningen i förutsägelsen — den som vill ha en högupplöst förutsägelse får acceptera en krympande horisont, och den som är nöjd med en mer grovkornig förutsägelse kan kika längre in i framtiden (i ett exempel med en viss kurva — det går att tänka sig att andra frågor har en helt annan kurva förstås):

Det finns en intressant fråga här, och det är om det är någon artskillnad mellan grovkorniga och finkorniga förutsägelser — eller om den enda skillnaden är skalan i förutsägelserna. När det gäller riktigt grovkorniga förutsägelser – som Keynes berömda “in the long run we are all dead” – så tycks de mindre värdefulla, men att veta hur många dagar man har kvar att leva känns mer relevant.

Betyder det att värdet i finkorniga förutsägelser alltid är högre än det i grovkorniga? Förmodligen stämmer det någorlunda (fast det förstås finns avtagande nytta även här – att känna till temperaturen på regndropparna om det skall regna på torsdag skulle kanske inte förändra särskilt mycket). Här finns dock en intressant insikt – och det är att värdet på grovkorniga förutsägelser inte nödvändigtvis går mot noll ju mer grovkorniga de blir — det är nog så att vi ofta underskattar värdet på grovkorniga förutsägelser just för att de har så låg upplösning. I ett enkelt exempel:

Nå, åter till frågan: hur ser en bra förutsägelse ut? Hur formulerar vi den? Egentligen kan man börja bakifrån. Vi kan anta att vi skall använda förutsägelsen, och det betyder att vi borde kunna ta reda på hur vi skulle använda den — vilket i sin tur betyder att alla intressanta förutsägelser borde kunna skrivas i formen:

(i) Om jag visste att X med viss sannolikhet så skulle jag Y.

Om jag visste med mer än x procents sannolikhet att det kommer att regna på torsdag så packar jag med mig mitt paraply. Notera att X inte behöver vara 50, det kan vara så litet som 10 om kostnaden för att packa med paraplyet är liten.

För ett företag som ägnar sig åt framtidsstudier bör denna formulering kanske se ut såhär:

(ii) Om vi visste X med viss sannolikhet så skulle vi handla så att Y.

Om vi visste att priserna på kaffe går upp om tre månader så skulle vi köpa på oss kaffe för en längre tid nu (och mot detta då eventuella lån för kaffeköp, lagringskostnader mm).

En förutsägelse måste alltså, för att ha ett värde, leda till någon sorts handling för den egna organisationen.

Utöver detta bör den vara precis nog för att vi skall kunna lära oss av den och se till att vi kan bedöma tydligt varför vi hade rätt eller fel. Det betyder att det inte räcker att skriva ned förutsägelsen – utan vi borde också skriva ned skälet för att vi gör just denna förutsägelse. Det är ett sätt att vaccinera sig mot framgångens delirium i vilket turen inte finns.

Vi landar då i något i stil med:

En förutsägelse F är värdefull om den är precis nog, noga motiverad och dessutom vid ett visst tröskelvärde skulle leda till handling i en i förväg specificerad riktning.

En intressant måndagsövning är då att försöka komma fram till tre eller fyra sådana förutsägelser. Min gissning är att det är överraskande svårt i de flesta företag och verksamheter, av flera olika skäl. Mer om detta i en annan post.

FoU-paradoxen 2.0

Det finns ett flertal olika formuleringar av det som ibland kallas FoU-paradoxen, men den kanske enklaste är något i stil med:

(i) Av de investeringar vi gör i forskning omsätts en mycket liten andel i (kommersiell) utveckling.

Det finns en variant som hävdar att detta är ett konstant förhållande

(ii) Även om vi ökar investeringarna i forskning får vi samma absoluta kommersiella utveckling.

Sedan finns en tredje variant som är intressant att utforska här:

(iii) Även med ökande investeringar i forskning kommer vi att få allt mindre utväxling i kommersiell utveckling.

Ofta diskuteras FoU-paradoxen i samband med statliga satsningar, men just (iii) har faktiskt diskuterats också i näringslivssammanhang, av bl.a. forskaren Anne Marie Knott. Hon har observerat sjunkande avkastning på FoU-investeringar i företag under ett flertal olika år och har undersökt olika möjliga förklaringar på detta fenomen.

Anne Marie Knotts undersökningar av avkastning på R&D ger en intressant inblick i FoU-paradoxen.

De två huvudhypoteserna kan enkelt uttryckas som följer.

A. Det blir hela tiden svårare att utveckla nya innovationer eftersom de mest uppenbara innovationerna redan gjorts.

B. Företag blir allt sämre på att organisera sina FoU-insatser.

Knott förespråkar B och menar att det bevisas av att maxavkastningen på FoU-satsningar för enskilda företag faktiskt gått upp under den tid som den genomsnittliga avkastningen sjunkit. Det visar, menar hon, att det inte blivit svårare — vissa kan till och med öka avkastningen!

Det är fullt möjligt, men det är intressant att studera den andra förklaringen också – och modifiera den litet – genom att anta att all vår innovation är kombinatorisk på olika sätt. Hal Varian har noterat att kombinatorisk innovation är en av de kanske bästa modeller vi har för att förstå hur innovation sker — vi kombinerar olika idéer och genom att göra det skapar vi ofta något nytt som vi sedan kan testa på marknaden. iPhonen kombinerar en mängd andra idéer till en helt ny innovation, för att ta en närmast trivialt exempel.

En av de kanske mindre uppmärksammade konsekvenserna av denna modell är emellertid att den också betyder att mängden möjliga innovationer växer kombinatoriskt över tid — och många av dessa kommer att vara triviala eller meningslösa. Det internetuppkopplade kylskåpet är en kombination av idéer om konnektivitet och kylskåp, men fungerade inte på marknaden och blev just därför aldrig en innovation nation. Ju fler idékombinationer vi får, desto fler kombinationer av dessa kommer att vara triviala eller ointressanta för marknaden.

(En terminologisk anmärkning: i likhet med Schumpeter skiljer vi här mellan idéer eller uppfinningar och innovationer. Innovationer är idéer som framgångsrikt lanserats på en marknad).

Lyckade innovationer skapar i sin tur en mängd olika nya idéer som kan kombineras på olika sätt till nya möjliga innovationer och så vidare. Resultatet blir ett snabbt expanderade idéuniversum.

Det låter ju fantastiskt, eller hur? Borde inte avkastningen på forskning då explodera i samma takt? Nej, och det är här problemen börjar. Endast en liten fraktion av alla möjliga idékombinationer kommer att klara sig på marknaden, och med ett snabbt expanderade idéuniversum får vi ett klassiskt sökproblem: vi måste försöka hitta de kombinationer som fungerar i detta expanderande universum. Mängden meningslösa idékombinationer växer snabbare än mängden innovationer. I så måtto ligger det något i tesen A ovan — det är lättare att genomsöka ett litet idéuniversum än ett stort, och i det lilla kommer vi att hitta flera innovationer per tidsenhet än i det större.

Vi måste alltså spendera mer resurser på att söka igenom mängden möjliga innovationer. Vilken sorts resurser är det då vi spenderar där? Jo – mänsklig innovationskraft – tid, uppmärksamhet och kreativitet.

Och dessa resurser växer linjärt med varje utbildad och entusiasmerad människa.

Vi landar då i ett klassiskt dilemma: vi måste utforska ett kombinatoriskt växande rum med en linjär resurs.

Vi letar i efter en nål i en ständigt växande höstack. När höstacken var stor som en knytnäve var det ett trivialt problem, när den växer till en mindre planet blir det knepigare.

Översatt till FoU-paradoxen, i något tillyxad form, betyder detta att forskningsinvesteringar är investeringar i att göra höstacken större, samtidigt som några nya nålar lägges till hela tiden (användbara forskningsresultat – snart kommer metaforpolisen och tar mig).

Stanislaw Lem var LÅNGT före sin tid i Summa Technologiae. Och: snyggaste omslaget i universum, eller?

Mängden nålar som läggs till är emellertid sjunkande relativt tillväxten av höstacken, eftersom det saknas starkt selektionstryck på forskningen, som redan Stanislaw Lem observerade (1964):

“We should add that another adverse phenomenon can also be observed: the number of discoveries being made is not proportional to the number of scientists (where the doubling of the number of scientists would lead to twice as much research). The situation is rather as follows: the number of discoveries doubles every thirty years, whereas the number of scientists doubles every ten years. This may seem to contradict what we have said about the exponential growth of scientific information. Yet there is no contradiction here: the number of discoveries is also growing exponentially, but more slowly (its growth is expressed by a smaller exponent) than the number of scientists. All the discoveries taken together are just a fraction of all the information being acquired by science. It is enough to flick through the dusty piles of articles and dissertations produced with a view to obtaining an academic degree and now stored in university archives to see that not a single one of them has led to an at least partially useful result. Reaching the limits of the information capacity of science means significantly lowering the probability of making discoveries. What is more, as the curve of an actual increase in the number of scientists will be getting further away from the hypothetical curve of further exponential growth (which is not possible anymore) in its descent, the coefficient of such probability should be constantly decreasing from now on.”

Stanislaw Lem, Summa Technologiae (1964)

I Lems analys har forskningen – då 1964 – mestadels förvandlats till brus:

“Does this proliferation of papers represent real growth of knowledge? As far back as 1965, Price noted a now familiar observation: “I am tempted to conclude that a very large fraction of the alleged 35,000 journals now current must be reckoned as merely a distant background noise, and as very far from central or strategic in any of the knitted strips from which the cloth of science is woven.”

Stanislaw Lem, ibid.

Ständigt större höstack, relativt sett färre antal nålar, alltså. Om detta stämmer så är (iii) ovan förmodligen den mest rättvisande formuleringen av FoU-paradoxen.

*

Betyder detta då att vi bör ge upp? Om vi har en ändlig, linjärt växande resurs till vårt förfogande för att hantera ett kombinatoriskt exploderande sökproblem så ser det ju onekligen litet deprimerande ut. Men det finns en möjlig väg framåt här — och den handlar om en särskild klass innovationer som möjliggör snabbare lärande: maskininlärning och artificiell intelligens.

En enkel leksaksmodell av kunskapsekonomin består av tre olika komponenter: data, information och kunskap. Data struktureras till information som tolkas till kunskap som i sin tur används på ett sådant sätt att den skapar värde. Problemet i vår tid är att vi kan använda datorkraft för att strukturera data till information, men tolkningen av information som kunskap kräver mänskligt engagemang i modellen — och den mänskliga resursen är ändlig (även om Lem lekte med tanken på att tvångskommendera alla att bli vetenskapsmän eller innovatörer).

Det kan emellertid förändras med nya AI-relaterade tekniker — de kan kanske inte förstå vetenskapen, men de kan göra något som ligger mycket nära tolkningen och därför hjälpa oss att söka igenom det växande idéuniversum som vi har att göra med. Det problem de måste lösa är då det följande: de måste kunna förutsäga om en viss given idékombination kommer att flyga som innovation på marknaden.

Marknaden är nämligen den andra begränsade resursen här — vi kan inte testa ett oändligt antal olika innovationer på marknaden för marknaden har en absorptionstakt — den kan bara absorbera och testa ett visst antal potentiell innovationer över en viss given tidsrymd, så vi måste simulera en marknad, öka tolkningskapaciteten och genomsöka idérymden snabbare.

I dag ser vi de första vetenskapliga upptäckterna som gjorts av olika AI-system, och nästa steg är att vi ser lyckade innovationer lanseras av AI-företag som kan hjälpa oss att hantera FoU-paradoxen — och därmed hantera en ständigt mer komplex och utmanande omvärld.

Håller kärleken på att försvinna?

I en uppmärksammad artikel nyligen hävdade författarna att vår musik blivit inte bara mer deppig, utan mycket mer negativ överlag. Den kanske mest anmärkningsvärda observationen handlade om hur mycket ordet ”hat” förekommer:

”Why are pop songs getting sadder than they used to be?”
ALBERTO ACERBI & CHARLOTTE BRAND
06 February, 2020

Hittar vi samma sak i litteraturen? Det ser inte riktigt ut så, men titta på vad som sker med ordet ”love”.

N-gram viewer ”love”, ”hate”

Vi ser en liten uppgång för ”hate”, emellertid — och ligger på toppnivåer historiskt. Det är en ganska oroväckande trend (den som oroar sig över trettiotalet kan notera att det var inte så mycket hatet som rusade, som kärleken föll — något som öppnar ganska rika tolkningsmöjligheter!

Hur ser det då ut med kärlek i låtar? Inte riktigt lika dystert:

Från artikeln ovan.

Här ser det litet mer hoppfullt ut — men kanske är den här kurvan ändå litet tendentiös; det går att tänka sig en kurva som mer påminner om den allmänna trenden som forskarna har sett:

Positiviteten i musiken försvinner. Från artikeln ovan!

Hur ser det då ut med kärleken i de allmänna sökningarna? Den som kikar på Google Trends ser också ett oroväckande mönster:

Vart tar kärleken vägen?

Från toppnoteringen 2012 (100) har kärleken som en andel av sökningarna sjunkit stadigt (63).

Här finns ett helt forskningsprogram att gräva fram för den som är intresserad, med en hel del intressanta hypoteser. Ett synopsis skulle kunna lyda såhär:

”Det är inte hat som öppnar för polarisering, populism och extrema politiska rörelser – faktum är att den som dristar sig till att mäta hatet i vår kultur kommer att upptäcka att det befinner sig på mycket låga nivåer, även om vi kan se små variationer och tendenser till mer hat i vår tid än någonsin tidigare historiskt. Det hatet är dock marginellt om vi ser till kärleken i litteratur, musik och i livet i stort. Problemet är dock att kärleken håller på att försvinna ur litteraturen, ur det allmänna medvetandet och ur musiken. Det, mer än något annat, är den stora samhälleliga risk vi står inför idag. Historiskt har sjunkande kärleksnivåer öppnat för inte bara fascism och nazism utan också, slutligen, för krig.”

Boktiteln? ”All we need is love”. Ganska intressant ändå, eller hur?

Till sist – hur ser det då ut i Sverige? Google Trends igen:

”kärlek” och ”hat” i Sverige

Strid på kniven, minsann.

Olika sätt att ha fel om framtiden


Man kan ha fel om framtiden på en mängd olika intressanta sätt – men den som spenderat en del tid med olika framtidsstudier börjar efter ett tag känna igen några av de möjliga misstagen. Jag skriver möjliga, eftersom de inte alltid är misstag — ibland kan de säkert till och med vara kraftfulla metoder: det är det som är spännande med att tänka kring framtiden. Jag tänkte illustrera dessa med frågor om framtidens arbetsmarknad, eftersom jag tror att det kan vara ett bra område att använda som exempel.

De tomma fabrikernas tid?

Det första misstaget är enkelt – det är att övertolka signalen. Automatiseringen övertolkades tidigt som trend, och alarmistiska siffror om att 50% av jobben skulle kunna försvinna inom en generation cirkulerade. En hel del av dessa siffror hade endast sin grund i att journalister inte hade läst en vetenskaplig artikel som inte sade detta, men som såg ut att säga det — men några forskare hängde på och såg en chans att äntligen få diskutera teknikdriven arbetslöshet. Varje tänkbar mental modell som kom fram till just detta resultat behövde dock förenkla bilden för att kunna förstärka signalen och snart avfärdades dessa tidiga rapporter som de sensationslystna tidningsankor de var.

Det andra misstaget är mer subtilt – det handlar om att välja fel begrepp för analysen, eller bättre: fel upplösning på modellen. En hel del seriösa forskare utgick från följande mycket enkla förhållande: automatisering betyder att en mängd uppgifter kan utföras av robotar, och därför borde det betyda att vi förlorar en massa jobb till automatiseringen. Ser ni vad som hände där? Vi gick från en upplösning – uppgifter – till en mer grynig upplösning – jobb – och drog en slutsats som baserade sig på att vi såg en oundviklig förändring på en nivå och antog att den ledde till en förändring på nivån ovanför. Här måste vi välja, och för arbetsmarknaden är förmodligen rätt upplösning just uppgifter. Jobb är kompetenskorgar, knippen av uppgifter, och att ett urval uppgifter kan automatiseras betyder inte att hela jobb försvinner. Däremot betyder det att de uppgifter som utgör ett jobb — innehållet i kompetenskorgarna — förändras. Detta i sig är inget nytt, utan har varit en ständig del av arbetsmarknadens utveckling. Vi ser det exempelvis i den förmodligen apokryfiska anekdoten om Herbert Simons läkare, som före bilen var tvungen att lära sig rida under läkarutbildningen för att nå sina patienter, och som efter bilens tillkomst kunde klara sitt yrke utmärkt utan denna kompetens i korgen

Det tredje misstaget är inte så mycket ett misstag som en metod: att hålla allt annat lika medan vi ser på en specifik fråga som vi vill försöka förutsäga. När vi frågar om hur automatiseringen kommer att påverka jobben så antar vi att jobben är statiska och att automatiseringen ökar. Vi håller allt annat lika. Ingen social förändringen sker på detta vis, eftersom det som händer är ett en förändring i en del av systemet genererar andra förändringar i systemet. Våra jobb är inte sociala atomer som alltid funnits — de är produkten av industrisamhällets organisation av arbete och det medvetna sociala valet att inkludera social trygghet och status i just jobbet, i det sätt på vilket vi förpackade arbete. Om automatiseringen ökar så ökar också trycket på resten av systemet och vi borde försöka se till systemförändringar i stället för att koncentrera oss på en enda nod i systemet och förutsäga den.

När det gäller framtidens arbetsmarknad har detta vittfamnande konsekvenser. Den som frågar hur AI kommer att påverka arbetsmarknaden i dag frågar oftast efter hur automatiseringen kommer att påverka jobben. Det går emellertid att undersöka andra delar av systemet också. AI — eller kanske snarare maskininlärning – skulle kunna komponera olika kompetenskorgar dynamiskt och skapa en helt ny sorts organisation av arbetet i vårt samhälle, och därför också en helt ny arbetsmarknad. Det skulle kunna betyda att den modell i vilken vi arbetar för en enda arbetsgivare – där jobbet är en 1:1 relation med en arbetsgivare – också försvinner och de sociala trygghetselementen organiseras på ett helt annat sätt. Poängen är enkelt — en teknik, särskilt en s.k. General Purpose Technology, påverkar aldrig bara en del av systemet.

Att fråga hur AI kommer att påverka arbetsmarknaden är litet som att fråga hur elektriciteten påverkade arbetsmarknaden.

Ett systemperspektiv är ofta komplext och dynamiskt, och det är därför vi förenklar våra modeller — men vi bör vara medvetna om att när vi gör det blir resultatet av våra undersökningar ofta haltande. Ett systemansats till frågan om framtidens arbetsmarknad skulle förmodligen utmana ett flertal olika föreställningar vi har om arbetsmarknaderna:

Måste de vara nationella? Varför ska ett jobb vara nationellt, när det är fullt möjligt att arbeta internationellt idag? Outsourcing kan mycket väl bli pansourcing där de kompetenser som behövs i en organisation hämtas där de möter kraven bäst.

Måste det finnas arbetsgivare? Företag beskrevs av Coase som logiska konsekvenser av transaktionskostnader. Dessa kostnader förändras kontinuerligt, och kanske borde vi också ställa frågan om hur AI påverkar företagets natur? Kommer vi att ha flashföretag som uppkommer för att lösa en komplex uppgift och sedan försvinner?

Kan de integrera utbildningssystemen helt? Arbetsmarknadens matchningsproblem har att göra med att signalerna från arbetsmarknaden överförs till utbildningssystemen mycket långsamt, och dessa systems förmåga att dynamiskt allokera resurser är ganska låg. Varför skulle inte en pulvriserad utbildningskostnad i systemet via olika sorters försäkringslösningar kunna skapa en kombinerad utbildnings- och arbetsmarknad? Invändningen att detta skulle skada långsiktig forskning är ett enkelt missförstånd — marknader kan lika gärna vara långsiktiga som kortsiktiga.

Och så vidare. Om vi väljer att undersöka alla begrepp i våra mentala modeller och se hur de kan förändras tillsammans, blir resultatet förmodligen mer intressant än om vi bara fokuserar på ett enda element i modellen.

Att ha fel om framtiden är emellertid inte det sämsta, det gör att vi kan diskutera den och försöka hitta bättre mentala modeller för de olika förändringar som vi vill se, och det är ju en fördel.

Mekaniska regler och restjobb

Denna intervju med Lorraine Daston är värd att läsas i sin helhet. Hennes arbete med kalkyler, regler och hur dessa formaliseras i samhällen är enastående intressant. Särskilt en sak framstod för mig som intressant i intervjun, och det är när hon noterar att framtidens arbetsmarknad har två olika sorters jobb:

There’s another aspect to your initial question: the analogy to the current day. The people behind the curtain in modern AI projects are of two sorts: those who are thinking about how to divide a very complicated task into the tiniest possible steps, very much in the tradition of the history of mechanical calculation; and those whose work is compensatory for algorithmic systems — Facebook moderators, for example, who monitor objectionable content missed by the algorithms meant to eliminate it automatically. It’s really important to distinguish between these two groups of people, because they are performing two very different tasks.

”Historicizing the Self-Evident: An Interview with Lorraine Daston
Jack Gross interviews Lorraine Daston” LA Review of Books, 25 januari

Denna tanke — att algoritmiseringen skapar en nisch som kompletterar den där reglerna helt klarar av att lösa problemet — är en av de kanske mest framträdande idéerna i mycket av diskussionen om framtidens arbetsmarknad. Samtidigt är det inte uppenbart att denna föreställnin om ”restjobb” har någon grund i verkligheten — många arbeten förändras så i grunden att de visserligen innehåller en del uppgifter som har att göra med regelmisslyckanden, men också innehåller andra uppgifter som adderar värde.

Samtidigt är det intressant att se diskussionen om mekaniserade regler så tydligt artikulerad och genomlyst.

Kommer det att finnas mat åt alla på jorden?

Intressant nog är svaret på den frågan i stigande utsträckning ”ja”. Vi producerar idag mat snabbare än den genomsnittliga befolkningsökningen på planeten (som ligger på 1.1%). Det i sin tur betyder att det blir mer mat till fler — och dessutom kostar den mindre över tid. Matkostnaderna som en del av den disponibla inkomsten sjunker. I USA:

Matkostnaderna som en andel av total inkomst har i USA sjunkit från 25% ned till 10%.

Det finns en mängd intressanta frågor kopplade till denna trend, och ofta underskattar vi betydelsen av just mat i framtidsstudier. Matsäkerhet – den robusthet och säkerhet som finns i produktionskedjan när det gäller mat – är en av de kanske främsta faktorerna när man ska bedöma stabiliteten i ett land, eller dess sårbarhet. Samtidigt som maten blivit billigare har vi nämligen strukturerat om matproduktionen så att en majoritet av produktionen på olika sätt nu är skörare. Städerna producerar inte sin egen mat – och det kan skapa olika typer av nya risker (något som i dag möts med idéer om ”urban agriculture”).

Och naturligtvis finns det fortfarande människor som inte får tillräckligt med mat, eller någon mat alls — men trenden är tydlig. Vi producerar mat snabbare än världens befolkning växer. Det ger anledning till viss optimism.

Finns det då något som komplicerar bilden? Vi bör ju alltid försöka förstå världen som komplex? Jo – det finns det så klart. En sådan sak är att antalet matmil ökar; maten reser längre. Det har att göra med hur vi organiserar produktionen och förblir en utmaning. Klimatförändringarna skulle också kunna leda till att vi får problem med att hitta jord att odla i — men där skulle det kunna kompenseras av att väldiga jordområden också öppnas upp när tundran försvinner. Den som vill formulera den tanken i en förutsägelse skulle kunna fundera på om det någonsin kommer en tid då Ryssland exporterar mer spannmål än olja. Idag exporterar man oljeprodukter av olika slag för runt 180 miljarder dollar, och vete för 8 miljarder dollar — så det vore en ganska fundamental omstrukturering av den ryska ekonomin (kanske också en som skulle innebära att det är svårare att införa sanktioner?).

Kärnan i detta resonemang är dock en annan: matsäkerhet och matfrågor är egentligen alldeles avgörande för frågor om politiska, sociala och ekonomiska framtidsstudier, men ofta lyfts de inte fram på just det sättet. Här finns en del att göra för den som är intresserad av geopolitiska framtidsstudier.

Två klockor, två ideologier – om domedagar och långa framtider

Dagens nyhet är att det är 100 sekunder kvar till midnatt på den stora domedagsklocka som en grupp vetenskapsmän använder för att visa hur allvarlig världens situation är. Klockan, som specifikt använts för att mäta risken för ett kärnvapenkrig, är artefakt i tiden. Vår politik drivs till dels av rädsla och en föraning om världens undergång – och framtiden ser nu ut som Hobbes en gång beskrev livet självt: otäck, brutal och kort.

Domedagsklockan är nu 100 sekunder från midnatt

Problemet är bara att framtiden inte är given eller förutbestämd. Domedagsklockan är konstruerad så att den med nödvändighet når slutet. Den innesluter en ideologi som förutsätter att slutet är på väg — och att det måste vara nära. När klockan klämtar midnatt är det slut.

Det är inte det enda sättet att bygga en klocka på. Man kan istället göra som Stiftelsen för det långa nuet och bygga en klocka som gör ett varv på tiotusen år, och klämtar var tusende, och börja planera för ett långt nu — tio tusen år bakåt och tiotusen år framåt. Den klockan drivs av människors ständiga omsorg, eftersom det är det enda sättet att garantera att den överlever så lång tid.

Det långa nuets klocka öppnar upp tusentals år framåt

Den klockans ideologi är djup tro på människan, och en påminnelse om att framtiden är lång. Den implicerar inte att vi inte står inför utmaningar, men att vi kan lösa dem med rätt verktyg, inspiration och mänsklig innovationskraft. Slutet är varken nödvändigt eller nära.
Domedagsklockan lägger ansvaret för slutet på oss. Den tiotusenåriga klockan lägger ansvaret för framtiden på oss.

Jag finner det inte särskilt svårt att välja vilken av dessa klockor jag vill ställa mig bakom.

Dags för ett decennielöfte?

Eftersom vi nu inleder ett nytt decennium har vi chansen att gradera upp de nyårslöften som vi normalt avger med någon sorts insikt om att de kommer att vara minnen blott i februari. Vi kan nu, om vi vill, avge decennielöften.

Att tänka tio år framåt kan verka avskräckande, men det öppnar också enorma möjligheter. Det är mycket litet som inte kan åstadkommas på tio år. i de första avsnittet av The Institute for The Futures framtidsforskningsserie konstaterar föreläsaren att på tio år kan man bli expert i ett nytt ämne, skriva fem böcker, byta karriär, helt lägga om sin livsstil, skapa och växa ett företag till en marknad på miljarder och revolutionera vetenskaper. Tio år är en hel del tid.

Därför, noterar hon, är svaret på när framtiden börjar också lämpligen om tio år. Om vi sätter tio år som riktmärke så kommer vi nämligen att verkligen våga tänka fritt.

Här då dagens övning: sitt ned och skriv ned hur du vill att ditt liv ska se ut 2030, och hur du tog dig dit. Eller, om du är mer orolig – hur du vill att ditt liv inte skall se ut och hur du hamnade där.

Om tio år är jag 58 år (!) och då tänker jag mig att mitt liv kommer att se ganska annorlunda ut mot hur det ser ut i dag. Här är några saker jag är ganska säker på:

– Jag kommer att ha en annan arbetsgivare, eller i alla fall en annan roll. Förmodligen en annan arbetsgivare.

– Jag kommer att ha skrivit mer, och om jag får som jag vill kommer jag att ha skrivit fler böcker.

– Jag kommer att vara i bättre form. Resor och arbete har eländigt nog saktat ned mig, och det är en av mina prioriteter att få det på rätt köl igen.

– Jag kommer att ha lärt mig massor om saker som jag inte kan något om i dag – och över en mängd olika ämnen. Kommer jag att ha lärt mig ett nytt yrke? Det är inte omöjligt. Ibland funderar jag på att hitta tillbaka till den mer klassiska juridiken, exempelvis.

– Jag kommer att ha barn som är unga vuxna!

Det är bara en skiss, och jag ska under de veckor som är kvar skriva ned mer i detalj hur jag vill att de kommande tio åren ska se ut. Det kunde man givetvis ha gjort när som helst, men det roliga är att decennieskiften och annat faktiskt har en viss betydelse – de är symboler och vi bör nog låta dem bli det. Vikten av symbolik är lätt att underskatta, och då förlorar vi möjligheten att dra nytta av deras ofta subtila påverkan på våra liv.

Berättelser i ekonomin – Schiller och narrative economics

I Schillers senaste bok ”Narrative Economics” möter läsaren ett intressant perspektiv som verkligen är värt att tänka mer kring — Schiller menar att ekonomin till mycket stor del styrs av berättelser, och således också att om vi vill förstå ekonomin, eller förutsäga den, så måste vi etablera de berättelser som för närvarande dominerar vår gemensamma syn på ekonomin.

Konstellationer av berättelser eller narrativ skapar en gemensam syn, och denna syn präglar sedan den ekonomiska verkligheten.

Det kanske mest intressanta i Schillers analys är de metoder han använder för att försöka rekonstruera berättelser — det är ju där den stora svagheten ligger; vi vet inte riktigt hur vi kan avtäcka narrativ mer objektivt. Vilka är berättelserna som vi nu kämpar med? Här finns det en hel del att diskutera och det är värt att återkomma till.

Schiller använder frekvensanalys av olika textmängder över tid, och redan där kan man hitta en hel del intressanta resultat. Mer snart!

Har du gjort ditt premortem? Några grundläggande artiklar

Ett premortem är en enkel sak — det handlar i princip om att göra följande mycket enkla övning. Se över de mål och planer som du har, gå igenom dem med teamet och be sedan var och en i enskildhet att tänka sig att ni samlas igen om 18 månader och allt har gått helt fel. Hur gick det till?

Formatet är en berättelse. Den kan börja med prompten ”Alla våra planer gick om intet, och vi är i dag i en mycket värre situation än tidigare…” och sedan fortsätta därifrån. Var och en bör producera ungefär en halvsida, åtminstone, och detaljera hur det gick till. Det finns endast ett krav på denna berättelse och det är att den är så trovärdig som möjligt, och att den litar till mer en enda orsak. Det är exempelvis inte till stor hjälp om någon skriver ”…eftersom jorden blev invaderad av utomjordingar som förintade mänskligheten”. Det är både otroligt och berättelsen litar till en enda orsak. Som huvudregel bör det finnas åtminstone tre bidragande orsaker till det tänkta misslyckandet.

Detta är inte en gruppövning, utan en övning som måste göras enskilt för att undvika konsensusdöden som hotar varje ledningsfunktion. Konsensus är fienden: du vill inte ha samma tre orsaker från alla, utan olika orsaker till det egna misslyckandet.

När du sedan har dessa berättelser blir nästa steg i övningen enkelt – var och läser upp sin berättelse och ni arbetar tillsammans för att extrahera orsakerna till misslyckandet: vad var det som gick fel, egentligen? Varför?

När du så har detta har du något väldigt intressant: en karta över möjliga svaga punkter i den egna planen. Om det är möjligt bör du nu foga dessa punkter till de olika delar i planen som de påverkar och göra en karta över dem. Planens mål och de olika svaga punkterna tillsammans blir din misslyckandekarta, och den bör du sedan gå igenom åtminstone varje kvartal för att se att du har rätt åtgärder på plats för att undvika misslyckandena.

Det är också möjligt att den här övningen ger till resultat att gruppen inser att den behöver nya mål, eller nya förmågor som saknas i dag, och i så fall kan de inkluderas i planen.

Ett premortem är inte svårt att göra, men det är litet obehagligt – eftersom vi så ofta förväxlar planer med trossatser som man måste vara med på. En plan är inget man tror på, det är något man kritiskt granskar och reviderar — särskilt varefter man lär sig nya saker.

Mer läsning om ämnet:

  • Gary Klein om premortems i HBR.
  • En detaljerad workshop för premortems från Atlassian.
  • En bra artikel i The Guardian om hur du kan använda tekniken själv.
  • Richard Thaler om premortems – med den intressanta frågan ”Hur många krig hade startats om någon först frågat ”Vi förlorade – hur?”.

Vad bör man inte läsa?

I den här artikeln om Superforecasters finns en liten passus som är intressant att notera: en av de personer som visat sig vara bra på att förutsäga framtiden säger att han inte läser tidningen särskilt mycket. Det återkom i den workshop vi hade, och var en av de där kontraintuitiva sakerna som vi ville veta mer om, så vi ställde en mängd frågor. Det visar sig att det förhåller sig, ungefär, såhär – enligt deras forskning.

Kunskap spelar en betydande roll i förmågan att förutsäga saker och ting bra, men det är en speciell sorts kunskap: beständig kunskap som kanske inte har lika stort nyhetsvärde, och just därför inte nödvändigtvis publiceras dagligen eller veckomässigt. TV bör man helt hålla sig borta ifrån, och dagliga nyheter har mycket lågt näringsvärde för den som vill förstå världen. Vad man i stället bör göra är att söka sig läsning som har en helt annan rytm: böcker är bra och sällanpublikationer (månatliga) är också nyttiga – och om man styr om sin läsning mot dessa och skippar den tid man spenderar på dagliga nyheter, så får man en bättre och klarare bild av verkligheten.

Dagliga nyheter är, menar man, i allt väsentligt bara brus.

Det är en provocerande åsikt för någon som läser så mycket man kan komma över, varje dag, och en möjlig invändning är att det inte handlar så mycket om att det är dagliga nyheter som att det är få nyhetskällor. Den som bara lyssnar till TV-nyheterna varje dag får en bild av världen som är fullständigt felkalibrerad. Den som använder en nyhetsläsare som Feedly och följer tiotals olika källor i flera olika ämnen kan börja se mönster i bruset.

Men allt annat lika är den invändningen nog ändå en invändning på marginalen — och det ger anledning till eftertanke även för den som skriver. Jag skriver dagligen, men gör det inte för att förmedla nyheter, utan för att just samla och fånga mina anteckningar i olika ämnen — samtidigt som jag kan se värdet i att samla sina tankar om ett ämne över en litet längre tid, och testa dessa åsikter för att kanske publicera i ett särskilt ämne månatligen.

Ett sätt att göra detta är att samla artiklar över tid och sedan återvända till dem för att undersöka mönster och idéer. I exempelvis Feedly kan man använda s.k. boards och sätta upp artiklar där över ett par månader och sedan gå igenom dem för att se vilka olika trender och mönster som kan skönjas i dem.

Vad blir då slutsatsen? Kanske denna: att läsa fler böcker och se mindre på TV. Åtminstone om du vill förstå världen. Och läs inte bara en tidning, utan se till att läsa flera – gärna med olika perspektiv. Inte så överraskande, kanske.

Vill du bli bättre på att förutsäga framtiden?

I London. I går hade vi en workshop med The Good Judgment Project, som är en idé som har sina rötter i Philip Tetlocks arbete med Superforecasters — vanliga personer som är extremt duktiga på att förutsäga framtiden (en recension av den som jag skrev 2015 här).

Tanken med workshopen är att försöka visa vilka intellektuella vanor som hjälper om man vill förbättra sin egen förmåga att skatta sannolikheten att olika framtida händelser skall inträffa. Det finns en mängd olika tekniker och mycket intressanta metoder som man kan använda – men de kanske viktigaste faktorerna är två kanske något oväntade insikter.

Den första är att grupper nästan alltid är bättre än individer. Och ju bättre individerna är, desto bättre blir grupperna — men att sätta samman en grupp med 5-10 personer är det kanske absolut bästa sättet för företaget att se framtiden tydligare. Eller varför inte göra det privat? Jag skulle mycket väl kunna tänka mig att ha en prognosklubb i stället för en bokklubb; en grupp som enas om tio frågor om framtiden som man försöker förutsäga så bra som möjligt — det skulle onekligen leda till intressanta diskussioner!

Den andra insikten är egentligen uppenbar, men ändå viktig: man måste dokumentera sina egna förutsägelser och börja räkna poäng – och dessutom redovisa skälen till de egna uppskattningarna.

Det här är intressant — och ett fenomen som återkommer i flera olika discipliner. Vill du bli bättre på att fatta beslut? Skriv ned besluten och grunderna för dem och utvärdera sedan efter ett tag. Vill du bli bättre på att spela schack? Skriv ned dina partier och utvärdera dem, och gör det gärna detaljerat – vilka drag trodde du att motståndaren skulle göra? Och samma sak gäller förutsägelser: om du vill bli bättre måste du börja hålla dig själv ansvarig för resultatet.

Så enkelt, men ändå så svårt. Ingen vill ha fel, ingen vill misslyckas – så vi ger bort förmåga för att slippa den intellektuella smärtan som följer av att ha fel.

Nu blir nästa steg för den lilla grupp jag leder att implementera detta — det skall bli intressant; inte minst ur ett organisationspsykologiskt perspektiv.

Vetenskapens framtid

I en artikel i Nature nyligen redovisas resultat som antyder att vetenskapen i stort håller på att bli mer tvärvetenskaplig — referenserna i de vetenskapliga artiklar som produceras griper över alltfler olika områden. Trots att det finns några strukturella förklaringar – som en alltmer detaljerad datamodell för olika vetenskapliga grenar och en tendens att referera mer (eller alls — artikeln innehåller det häpnadsväckande historiska faktumet att tidiga artiklar inte hade några referenser alls – något som får mig att undra om det skulle vara bättre, och vilket värdet av referenser egentligen är) – så är detta intressant. Det speglar en alltmer komplex värld där vi måste knyta samman olika kunskapsdomäner för att komma vidare överhuvudtaget.

Detta är inte utan baksidor dock. En alltmer komplex vetenskap kan bli allt svårare att ta sig in i. Hur bör den som börjar forska i dag förhålla sig till dessa resultat? Bör man försöka läsa flera olika ämnen, eller koncentrera sig på smalare ämnen eller helt ignorera ämnesuppdelningen och koncentrera sig på problem? Det finns en mängd frågor här om hur vetenskap bäst organiseras, och dessutom finns det en mängd frågor om hur den vetenskapliga praktiken håller på att förändras.

Vi vet att vetenskapen i dag är enormt mycket mer kollaborativ än den var tidigare — den ensamme vetenskapsmannen som i sitt geni sitter och upptäcker världen är i allt väsentligt både en atavistisk figur och ett hinder mot vidare framsteg. Dagens vetenskap bedrivs ofta i nätverk och i djupt samarbete mellan olika individer och länder. Trösklarna är dock fortfarande höga och vetenskapen är fortfarande en i allt väsentligt elitistisk verksamhet — något som inte är hållbart givet de vetenskapliga utmaningar vi står inför. Vi behöver återvända till en vetenskap som välkomnar vetenskapsmedborgaren vid sidan av och som jämställd med vetenskapsmannen.

Det finns flera skäl.

För det första har var och en i dag verktygen och tillgången till kunskap för att kunna dyka djupt i olika problem – med nätets framväxt och de moderna verktyg som finns (Wolfram Alpha är ett exempel) finns inga skäl till att utesluta det frågande som finns utanför ett fåtal institutioner från det vetenskapliga projektet.

För det andra har vi för få vetenskapare. Detta är en poäng som Stanislaw Lem tog upp redan 1964 i sin märkliga Summa Technologiae. Lem skriver att varefter den vetenskapliga fronten växer – och varje nytt resultat öppnar upp nya områden och fält som måste undersöka – kommer vi att få allt svårare att allokera vetenskaplig uppmärksamhet eftersom vi inte på förhand vet vad som är fruktbart och vad som leder oss i cirklar. Därför behöver vi, menar Lem, mycket mer vetenskaplig uppmärksamhet för att hantera denna växande, alltmer komplexa vetenskapliga horisont. Hans två förslag – det ena lekfullt och det andra allvarligt – är att tvångsrekrytera studenter till vetenskaplig forskning eller bygga artificiella vetenskapsmän. För Lem är AI ett sätt att hantera den växande komplexiteten i världen runt oss och i vetenskapen.

För det tredje är det vetenskapliga systemet i dag riggat så att det mycket snabbt söker sig till det tillstånd som Kuhn kallade normalvetenskap – det triviala producerande av resultat som maximerar inte framsteg utan sannolikheten att få finansiering i ytterligare några år. Systemet i sig måste reformeras, men det behöver också externa chocker och med en parallell organisation av vetenskapligt arbete i vetenskapsmedborgarens regi skulle åtminstone de värsta exemplen på bruspublicering av minsta möjliga resultat kunna elimineras.

En problemorienterade inkluderande vetenskaplig verksamhet skulle kunna vara ett sätt att förnya vetenskapen i sin helhet.

När det gäller frågan om hur man bör studera så är den mycket svår. Jag har en tendens att tro att ordet ”tvärvetenskap” sätter fokus på fel saker — antingen tror vi att man skall läsa litet av varje i dag kodifierad vetenskap eller så att man måste hitta två olika vetenskaper och läsa över dem. Förmodligen håller inte detta — man behöver ett djup för att kunna nå en bredd. Samtidigt tror jag inte att detta djup måste vara disciplinärt. Det som gör att det disciplinära djupet oftast vinner är dock att kunskapen är organiserad i nätverk och den som vill gå på djupet måste söka sig till ett nätverk som organiserats kring ett ämne, och då blir det ofta en disciplin. Det finns dock intressanta undantag — jag tror att man kan gå på djupet i komplexitet vid Santa Fe-institutet exempelvis.

Det är svårt att mäta det vetenskapliga framstegets hastighet, men vad vi vet är att vi inte skulle ta skada av ett snabbare framsteg — och kan vi organisera oss så att vi löser ut fler samhälleliga resurser i det vetenskapliga projektet så vinner sannolikt alla.

Här finns en annan tanke också – vi lever i ett samhälle som har det allt svårare att skilja ur fakta mot en bakgrund av politiskt oväsen. Vi har gjort det alldeles för billigt att tvivla på något, det krävs ingen som helst ansträngning eller investering för att tvivla på vaccin, att jorden är rund eller att det finns antropogeniska klimateffekter. Vetenskapen behöver en renässans eftersom den har ett inbyggt pris på tvivel: det empiriska arbete som ger vid handen att det finns ett problem.

Till sist: det finns i artikeln en fascinerande bild som visar hur olika vetenskaper refererar till varandra. Den är en underbar nyckel för de forskare som vill pröva något nytt: leta reda på de två vetenskapliga grenar som är minst sammankopplade och börja ställa frågor om hur de skulle kunna informera varandra:

Om värdet av att veta när man inte vet

Den som är intresserad av framtidsstudier har ett rikt bibliotek med verktyg att utforska. De två kanske mest grundläggande teknikerna är olika sorters prognoser och scenarier. Prognoser – forecasts – handlar ofta om att försöka ange sannolikheten för en viss given händelse i framtiden. Scenarier handlar om att försöka kartlägga möjliga utfall utan att enkelt tillskriva dem någon särskild sannolikhet. Bortom en viss gräns blir framtiden otillgänglig, och den gränsen kan vi flytta på olika sätt — men den förblir en verklighet. I en bild:

I denna bild ser vi hur osäkra och säkra faktorer varierar över tid, och så fort vi får en kritiska massa osäkra faktorer så bryter prognosmetoderna samman, och får då ersättas av scenarier. När så de osäkra faktorerna blir fler än de säkra bryter även scenarierna samman och vi får lita till hoppet.

Just dessa två gränser är intressanta att studera.

Den första handlar om när det blir i stort sett meningslöst att försöka göra prognoser. Det är ingen absolut gräns, och den kommer att variera över olika ämnen och frågor, men det är en viktig gräns att hålla reda på. Om man, i en organisation, är intresserad av framtiden finns ett värde av att se till att man inte överskattar hur långt fram den gränsen går.

Den andra gränsen handlar om när framtiden blir otillgänglig för förnuftet. Även den gränsen kommer att variera, men den är intressant, eftersom den visar var avkastningen på framtidsstudier omedelbart sjunker till noll. Detta är också en gräns som varierar med den samhälleliga komplexiteten.

Vi kan med dessa två gränser leka med en mängd olika tankeexperiment och fråga oss exempelvis var dessa gränser har legat historiskt för ekonomiska frågor. Givet att vi vet att den historiska BNP-kurvan såg ut ungefär såhär (se nedan) så tycks det som prognoshorisonten historiskt varit flera hundra år under många hundra år – åtminstone för lågupplösta prognoser.

Det är förstås en förenkling, men det tycks stämma. Ju längre fram i historien vi kommer desto kortare blir prognoshorisontent för vissa frågor, och vissa ämnen.

Nå, det som jag ville komma till var att det finns ett värde i att ha en uppfattning om både prognoshorisonten och scenariehorisonten i de olika frågor man arbetar med, och inte bara fastna för jämna årtal eller klichéer som 3-5 år. Alltför ofta bestäms dessa horisonter slumpmässigt, trots att deras position säger något intressant om vår samtid. Ett samhälle i vilket horisonterna kryper närmare och närmare nuet får allt svårare att handla långsiktigt – och medvetenheten om detta har ändå ett värde.

Hur nöjd är du med livet?

Eurostat publicerade nyligen sin årliga undersökning av hur nöjda med livet medborgare i olika EU-länder är. Det är en skala från 1-10 som varierar från 5.4 för Bulgarien till 8.1 för Finland. Sverige ligger högt på 7.8.

Livsnöjdheten varierar stort i EU

Man frågar också delfrågor – om exempelvis finansiell situation och personliga relationer. Sverige ligger mycket högt även där, och typiskt sett ligger alla högre på personliga relationer än finansiell situation – och när det gäller personliga relationer är svenskarna till och med nöjdare änn förra gången undersökningen publicerades, 2013 – med enorma 8.5 av 10.

I alla länder är medborgarna mer nöjda med sina personliga relationer än sin finansiella situation.

Hur rimmar det med Sverigebilden i stort? Bilden av en ensamhet som breder ut sig, ett alltmer sönderslitet samhälle? Det finns förstås flera olika möjliga tolkningar här: den som vill läsa något oroande i siffrorna kan påpeka att extrem nöjdhet med de personliga relationerna kanske tyder på att man vänder sig inåt, mot den egna gruppen och att det är en reaktion mot samhället i stort. Det kan också läsas som en anklagelse mot det sätt på vilket vi rapporterar mot Sverige, som en bekräftelse på att Sverige faktiskt kommit att bli ännu varmare och mer relationsdrivet än tidigare. Jag har ingen aning om vilken läsning som är den rimliga – men intressant är det.

Det som kanske är än mer fascinerande är, som alltid, frågan om var idealet ligger på den, givetvis grovhuggna, skalan mellan 1 och 10. Hur skulle ett land se ut där medborgarna gav 10 på alla frågor? Eller ett samhälle där alla låg på Bulgariens nivå? Är 7 idealt? Eller för högt? För lågt? När blir ett samhälle så nöjt med sig själv att det kanske till och med stagnerar?

Undersökningar av det här slaget blir lätt parodiska, men det finns några möjliga spår att peka på: både Polen och Österrike ligger i topp, medan Portugal och Grekland återfinns mot botten. Finns det en nord-syd dimension här? Det verkar så. Tyskland ligger nära mitten, men litet under medel när det gäller personliga relationer. Nederländerna ligger nära toppen i livsnöjdhet generellt, men under medel när det gäller personliga relationer – vad är det som händer där? Om nu skillnaderna alls är signifikanta.

OECDs motsvarande index ser ungefär likadant ut, men inkluderar också USA som ligger litet under Sverige, men över OECD-genomsnittet som tyngs av länder som Ryssland och Turkiet:

OECDs Better Life index innehåller livsnöjdhet också –

Det finns till och med ett världsindex som presenteras av Our World in Data — det ger en mer global bild.

Här finns också ett lyckoindex – där människor själva får rapportera om de är lyckliga (även om jag inte tror lycka är något att sträva efter).

Samtidigt som dessa index är intressanta är deras motsats nästan ännu mer intressanta. Gallup har ett stress och ilskeindex som man nyligen publicerades. Se på ilskan i USA över tid och vad som händer med den:

Ett argare USA

Deras stressindex globalt ger en märklig bild:

USA i märkligt listsällskap

Ett USA som är mer stressat än Uganda, Rwanda, Turkiet och på samma nivå som Iran? Det känns nästan som om ordet ”stress” måste ha använts på två olika sätt, eller hur? Samtidigt är det en intressant påminnelse om hur svårtolkade olika undersökningar är: i USA är man mycket mer nöjd med livet (6.9 i OECD) och mer stressad, samtidigt som man i Turkiet är mycket mindre nöjd med livet, och samtidigt massivt stressad. Stress och livsnöjdhet i kombination ger en bild av oss människor som är ganska intressant.

Världens emotionella tillstånd är svårgripbart, men förmodligen viktigare än vi tror, särskilt för framtidsstudier. Frågan är om de undersökningar vi har i dag fångar det tillståndet särskilt väl. Om jag bara fick en enda variabel för att försöka förutsäga ett lands framtid skulle jag kanske trots allt välja en emotionell snarare än en ekonomisk variabel — och det är i sig intressant för de av oss som vill fördjupa oss i scenarier och forecasting. Frågan är vilken emotionell variabel jag skulle välja.

Innovationsvinter eller ny kapplöpning?

Mycket av analysen av relationen mellan Kina och USA handlar om hur en alltmer ansträngd relation kommer att påverka innovationstakten i världen i stort. Det fascinerande är att det tycks finnas två diamertralt olika sätt att se på den saken. Dessa två olika perspektiv är värda att studera, eftersom utvecklingen på detta område kommer att ha en djup inverkan på världen de kommande åren.

Först: antagandena. I diskussionen antas att USA inte kommer att kunna välkomna Kinas utveckling, och att det därför kommer att utvecklas en konflikt mellan de två länderna i både handelsfrågor och andra politiska frågor. Som ett resultat av detta kommer teknik och forskning mellan de två länderna att sluta flöda, och nätverken knoppas av – så att vi får ett amerikanskt och ett kinesiskt innovationsnätverk. Frågan blir då om detta kommer att sakta ned innovationstakten globalt eller om det kommer att leda till en ny kapplöpning inom områden som AI, syntetisk biologi och neuroteknik.

Det första perspektivet förutspår en innovationsvinter. Innovationstakten kommer att sakta av och de ekonomiska konsekvenserna betydande. Forskningsnätverken – som i dag är integrerade – kommer att falla sönder och viktiga samarbeten kommer att lösas upp. De gemensamma resurser som kunde ha satsats på att slutföra stora projekt kommer nu att hamna i militärens händer.

Det andra perspektivet förutspår en tekniska kapplöpning. När nätverken faller i sär och den nationella säkerheten blir drivfaktor i forskningen och utvecklingen kommer resurserna att öka och dessutom organiseras helt annorlunda. Vi kommer att se en utveckling som påminner om den runt DARPA och militär effektivitet och forskningens innovation kommer att kombineras och ge en mycket högre innovationstakt – först inom de områden som kan ge militära övertag, men sedan inom alla områden.

Det är inte självklart vilket av dessa perspektiv som är det rätta. Det första är det något vanligare, men det andra kommer snabbt.

Ett av problemen är förstås att vi saknar bra sätt att mäta innovationstakt på – men vi vet vad vi menar med innovationstakt i alla fall. Vi känner igen det när vi ser det.

De historiska exemplen är svåra att generalisera ifrån: spänningarna mellan Ryssland och USA ledde förmodligen till en acceleration av innovationstakten, främst i Väst. Andra världskriget ledde förmodligen också till en acceleration av innovationstakten – och till några av de mest effektiva institutionella mekanismerna i innovationssystemens historia. Samtidigt skedde detta inte från ett utgångsläge där forskningsnätverken blivit alltmer sammanflätade och integrerade.

Å andra sidan kan den som argumenterar för det andra perspektivet säga att det är just det som är problemet: det finns ingen känsla av angelägen brådska längre – det finns ingen spänning som driver forskningen. När forskningen förenas globalt sysselsätter den sig mest med normalvetenskap och finansiering – det finns inga incitament att vara snabb.

Vem som har rätt? Jag vet inte, men det är en nyckelfaktor i flera olika framtidsscenarier, tror jag.

Hur stora bör dina mål vara?

Hur stora mål bör vi sätta för oss själva? Det talas ofta om “moonshots”, men hur vet vi om ett mål är stort nog och vad betyder det att säga att ett mål är “stort”? Jag tror att det finns några olika dimensioner i mål som är intressanta att funder över.

Målets framstegsdimension. Hur förhåller sig det du sätter upp som ett mål till vad som åstadkommits tidigare? Om du försätter dig att lösa ett visst givet problem på 10 sekunder, och det i dag tar 10 månader att lösa det så är det ett enormt framsteg. I den här dimensionen talar man ofta om 10x, eller att förändra lösningen med en storleksordning i olika riktningar. Att åstadkomma något som aldrig tidigare åstadkommits blir naturligtvis då ännu mer omfattande. Ett stort mål kan alltså vara stort i den meningen att det förbättrar eller förändrar det gällande läget på ett omfattande sätt. Här kan vi tala om ett måls prestandadimension.

Målets omfattning. Om du sätter upp ett mål om att 10 miljoner människor skall ha tillgång till något som 100 människor har tillgång till idag är detta en delvis annan dimension än den prestandaorienterade dimensionen. Att öka tillgången till en viss tjänst, eller deltagandet i val eller andra samhällsfunktioner är andra exempel (en god forskningspolitik borde exempelvis som mål ha att öka deltagandet i svensk forskning och återintroducera amatörforskaren som en respektabel bidragsgivare – nätverksforskning skulle kunna involvera många fler i samhällets framsteg). Denna dimension skulle vi kunna kalla målets omkrets.

Målets längd. En annan dimension som ofta hamnar på undantag är hur långt bort målet ligger. Vi sätter ofta mål som ligger inom en kortare period, men all mål kan också ha en tidsdimension. Ett ofta citerat exempel är katedralbyggen och olika andra samhällsbyggen, men även The Long Nows klocka är ett annat exempel. Riktigt långa mål kan vara intressanta exempel på en sorts mål som vi sällan ser idag. De flesta mål är mycket mer kortsiktiga. Här finns en intressant kognitiv utmaning: hur tänker vi som individer på mål som vi vet att vi inte kommer att se uppnådda under vår egen eller våra barns livstid? Hur motiverar vi dem? Och – kanske – finns det inte en politisk invändning här? Längden på våra mål riskerar att kringskära individens frihet, eller hur? Kan den individuella liberalismens omfatta ett 200-årigt mål? Jag tror ju det, men kan se spänningen.

Så, bör vi då sätta mål som handlar om att förbättra 100x för miljoner av människor om 200 år? Eller bör vi sätta mål som handlar om en 10% förbättring för 25% fler om 6 månader? Det finns givetvis inga enkla svar på den frågan, men det är intressant att se på sina egna mål och åtminstone utmana sig själv, eftersom tendensen i de flesta mål vi sätter är att de blir mindre i ljuset av vår förhoppning om att kunna uppnå dem.

Helt ouppnåeliga mål är inte heller ideala, naturligtvis — eftersom de rimligen är både demoraliserande och kanske ett slöseri med tid. Eller? Det beror helt på vad man uppnår om man misslyckas med dem. För vissa ouppnåeliga mål kan misslyckandet vara väl så värdefullt som framgången. Att kolonisera Mars kanske hjälper oss att utvinna resurser ur asteroidbältet i närtid. Det vore värdefullt i sig.

Det sägs i bland att vi lever i en tid som lider brist på mening, och att det i det postsekulariserade samhället är svårt att skapa någon sorts motiverande syfte för individen. Ett möjligt svar på detta är att i olika gemenskaper sätta upp riktigt stora mål och förbinda sig att nå dem — åt var och en ett eget Manhattanprojekt, ett eget månfararuppdrag. Kanske.

Den riktiga frågan är nog om våra mål inte är för små idag, paradoxalt nog. I en alltmer komplex tid med globala utmaningar är det lätt att känna sig maktlös, och maktlösheten krymper målen. Det är en tendens att se upp med.

Att tänka tillsammans om risk – en liten workshop för riskanalys

All organisationer gör klokt i att tänka igenom de risker de står inför – och verkligen försöka förstå hur de kan angripa dem. Det finns en mängd olika tekniker för detta, men i mitt nya jobba har jag hittat ett minimalistiskt format som jag gillar att arbeta med och som säkert kan utvecklas gemensamt, och där andra säkert har idéer och tankar om hur det kan förbättras, så jag tänkte summera formatet här om någon är intresserad och efterlysa idéer om förbättringar.

Den här workshopen tar inte mer än 3 timmar och man bör inte vara fler än 10 personer, åtminstone inte om man vill ha en ordentlig diskussion. Formatet är avskalat och enkelt – eftersom syftet är att fokusera på en första diskussion om risk ur ett strukturerat perspektiv.

När jag satte mig ned och skulle skriva ned workshopen slog det mig att det inte finns någon given notation för hur man sprider workshops eller gruppövningar – och att detta onekligen är en brist — en enkel notation gör det möjligt att konstruera och diskutera workshops på olika sätt. I det följande kommer jag att använda följande notation – och vidare fundera på hur man kan bygga ut den.

M – moderatorledd del av workshopen.
IG – individuellt arbete för hela gruppen, exvis skriva ned något på en post-it notis.
G – gemensamt arbete (som diskussion) för hela gruppen.
Post – efter workshopen
Pre – före workshopen

Dessutom kommer jag att beskriva workshopen som en serie numrerade steg, men utan tidsangivelser – eftersom jag tror att tiden kan variera med ämnet och gruppen.

  1. Pre: ett introduktionsbrev till alla deltagare som introducerar syftet med workshopen – att bättre kartlägga de olika risker som företaget står inför och förstå dem i flera dimensioner. Be alla fundera på tre-fyra risker som de kan ta med sig men inte prata med någon annan (undvik konsensus så länge det överhuvudtaget går).
  2. M: Introduktion till workshopen, översiktlig tidsplan (varierar per grupp) och gemensam introduktion av deltagarna i kort format. De frågor som brukar fungera är vad heter du, vad gör du och vad vill du ha ut av workshopen. De är triviala, men matnyttiga.
  3. M: “Det första vi skall göra är att samla in de olika risker som ni har funderat på. Framför er har ni material att skriva på och jag vill att nu tar er tid och skriver ned så många risker ni kan och sedan sätter upp dem på väggen/tavlan här.” Här kan moderatorn också – om gruppen är litet mer insatt – påminna alla om skillnaden mellan en bred riskgrupp och en individuell risk – skillnaden mellan “ekonomin” och “sjunkande kundunderlag för produktgrupp B”. En riskgrupp är bred och kan inte sannolikhetsbedömas särskilt väl, en individuell risk kan ofta prissättas till både inverkan och sannolikhet. Det är vanligt att få breda riskgrupper i workshops med deltagare som inte är inblandad i riskarbete – och det går också att arbeta med, men det bästa är om deltagarna kan formulera risker som är mer högupplösta.
  4. IG: Alla arbetar igenom sina risker och sätter upp dem på tavlan utan någon särskild ordning.
  5. M: ”Nu skall vi organisera riskerna i olika steg för att se hur de ser ut. För det första kommer vi att organisera dem i stora grupper för att se att vi har täckt alla olika typer av risker som organisationen står inför: vi kommer att grupper riskerna i politiska, ekonomiska, sociala, tekniska, rättsliga och miljömässiga”. Moderatorn skriver upp dessa områden på tavlan – helst en stor whiteboard – och sedan börjar sorteringen. (Tillval: moderatorn kan också lägga till rader med 6 12 18 36 månader och sortera riskerna efter vilken tidshorisont de existerar på. Resultatet blir vanligtvis att gruppen är närsynt och tittar på närtida risker. En mer erfaren grupp kan ha mycket utbyte av att diskutera vilka risker som ligger på 36-48 månaders sikt.) Screenshot 2019-10-30 at 11.03.24
  6. G: Moderatorn läser upp en risk och gruppen bestämmer var den bör hamna. Risker som är snarlika summeras till en risk. Steget är klart när alla risker är sorterade.
  7. M: Går igenom de olika kategorierna och ser om det finns risker listade i alla olika områden. Om det inte gör det leder moderatorn en diskussion med gruppen om varför det saknas tydliga risker inom vissa områden – är det rimligt?
  8. M: “I nästa steg ska vi bedöma riskerna i två dimensioner – vilken inverkan de skulle ha på organisationen om de realiserades och vilken sannolikhet vi bedömer att det är att riskerna realiseras. Resultat kommer att bli en enkel fyrfältare som ser ut såhär:“
  9. Screenshot 2019-10-30 at 10.59.29
  10. G: Moderatorn sorterar riskerna efter gruppens indikationer. Dokumentera med ett foto eller liknande. Uppmuntra oenighet – och lista de största oenigheterna tydligt på tavlan. Om gruppen är konsensussökande kan en person utses till “Herr/Fru Oenig”, som utmanar sorteringen.
  11. M: “De risker som vi kommer att fokusera på nu är de risker som är sannolika och dessutom har en stor inverkan på organisationen – de i övre högra hörnet. Men innan vi börjar diskutera riskerna ska vi ordna dem i två andra dimensioner: insats och utväxling. Vad jag vill att ni gör här är att ni funderar på hur mycket arbete som behövs för att möta de olika riskerna och hur stor inverkan ni kan ha, med ert arbete, på riskerna – i någon av de två tidigare dimensionerna. Kan ni göra risken mindre sannolik eller mindre skadlig? Hur mycket arbete skulle krävas? Resultat kommer att bli en fyrfältare som ser ut såhär.”Screenshot 2019-10-30 at 11.01.07
  12. G: Moderatorn sorterar riskerna efter gruppens indikationer. Dokumentera med ett foto.
  13. M: “Nu är det dags att börja skissa på en åtgärdsplan. Här är några regler: de risker som ligger i den övre vänstra kvadranten är “no brainers” – med liten insats kan ni få stor utväxling på arbetet för att reducera en större risk. Börja med dessa risker, och beskriv hur de kan åtgärdas i bägge de dimensioner vi diskuterat: sannolikhet och skadlighet. De som finns i övre högra hörnet är “heroiska” – och det kan vara värt att även ta sig an någon enskild av dessa – men med tanke på att alla organisationer har begränsade resurser bör det först ske när de “no brainers” ni identifierat är hanterade. Under alla omständigheter bör ni undvika de risker som ligger i under högra hörnet – era “Sisyfosuppgifter”: där ger enorma insatser knappt någon utväxling alls. De risker som ligger i undre vänstra hörnet är de risker som ni får betrakta som en del av er verksamhetsmiljö – ni kan inte påverka dem, utan får leva med dem.”
  14. G: uppbruten i mindre grupper. Arbeta på en risk och producera en plan för att flytta risken i en eller båda av de dimensioner som först identifierades – sannolikhet och skadlighet.Screenshot 2019-10-30 at 11.06.50
  15. G: presentera preliminära tankar kring hur risken de valt kan hanteras.
  16. M: Summera och tacka.
  17. Post: dokumentera workshopen noga, med alla olika element och grafiska diagram.
  18. Post: Sätt ett datum för uppföljning och check-in. Vid en check-in skall åtminstone följande frågor behandlas: är riskerna desamma eller har några tillkommit/fallit bort? Har någon av riskerna framgångsrikt hanterats i någon av de två dimensionerna sannolikhet / skadlighet?. (Tillval: en uppföljningsworkshop som diskuterar de riskera som har extremt låg sannolikhet men extremt hög inverkan – svarta svanar).

Fini. Ett mycket enkelt, snabbt format för en första diskussion och därefter kan man välja att gå vidare med mycket mer avancerade frågor (som att prissätta risker i olika intervall mm). Nå — detta kan utvecklas på massor av sätt, men det är en liten början. Alla åsikter välkomna!

Det dialogiska tänkandets ljusa framtid

Dialogen är en av de kanske mest intressanta formerna för tänkande. Inte bara fångar den flera olika synpunkter och invändningar på ett sätt som en egocentriska monografin inte mäktar med, den speglar också det egna tänkandet bättre. Som Platon låter Sokrates noterar i Theaitetos är dialogen en spegel av hur vi tänker, själva tänkandet är inte symboliskt logiskt, vi tänker inte i propositioner — nej, vi tänker i frågor och svar och när frågorna till sist – tillfälligtvis – tystnar så kallar vi den jämvikten kunskap.

Allt du vet, som RG Collingwood påpekade, är ett svar på en fråga, inte en oberoende proposition om världen. Se på ”jorden är rund”. Den satsen är sann som svaret på frågan ”Vilken är den bästa grova, förenklade geometriska approximationen på jordens form?” – men satsen är falsk om frågan istället lyder ”Hur bör vi modellera jorden så exakt som möjligt?”.

Platon väljer, tror jag (och jag har sagt detta förut), dialogen som form eftersom den är helt interoperabel med det egna tänkandet – det sätt på vilket vi tänker. Det maximerar också chansen att hans text får effekt, att vi ändrar oss. En monolog blir snabbt en glatt yta där intresse och engagemang halkar av.

Dialogen som form klingar av efter medeltidens, men det finns undantag — men de är just undantag. Det är inte kontroversiellt att säga att dialogen som litterär form håller på att falna bort.

Brevskrivandet har tydliga släktskapsband med dialogen – det är en långsam dialog som spänner över stora geografiska avstånd, ett resonemang utspritt över tid och rum i akt och mening att öppna upp varandras tankar. Det är nog inte fel att säga att brevskrivandet fram till helt nyligen utgjorde en egen kunskapsform – både för förmedling och upptäckter av kunskap. I brevskrivandet kunde en sfär skapas och upprätthållas som i sig kunde bära mycket av den nyfikenhet som präglar oss som människor.

Den brevens republik som man ibland talar om var en tidig infosfär som verkligen accelererade det mänskliga vetandets framsteg – det var en gemenskap, en sorts tidig – om än elitistisk – webb. I breven fångar vi inte bara de tillrättalagda resultaten – som i den övervärderade vetenskapliga artikeln – utan hela processen, hela den utveckling som ledde till slutsatserna. Att följa exempelvis hur sannolikhetslärans tidiga konturer växer fram i brevväxlingen mellan Fermat och Pascal är ett intellektuellt äventyr av sådan halt att forskare verkligen beklagar att det första brevet i den brevväxlingen gått förlorat.

Hur ser det då ut i dag?

Det är lätt att dra slutsatsen att det dialogiska tänkandet ersatts av en monologens kultur – ett samhälle där ingen egentligen samtalar, utan alla istället hänger sig och känslomässiga yttringar – och då använder jag ordet i den basala, biologiska bemärkelse som Wittgenstein använder termen Äusserungen. Samtidigt är pessimismen alltid historielös — historien lär oss att världen inte tar slut, att den inte blir sämre, att den inte kollapsar i intighet bara för att vår egen trötthet i medelåldern gör att vissa av oss nästan hoppas att vår generation skall vara den sista. Nej, historien lär oss att vi utvecklas och hittar nya former.

Bloggen är en. Det skriver jag inte för att jag bloggar sedan ett tjugotal år, utan för att jag har sett den användas dialogiskt i olika sammanhang. Min egen erfarenhet från den tidiga bloggosfären var verkligen att vi då hade fröet till en egen bloggens republik, men den föll samman — av flera olika skäl. Jag skall inte spekulera om det nu, men det är intressant. Ett exempel på rent akademisk användning av bloggen för att skapa en forskningsgemenskap ser vi hos Terence Tao, en av världens främsta matematiker. Med sin blogg har han skapat ett fantastiskt rum mellan den vetenskapliga artikelns döda materia och klassrummets omedelbara spekulation.

Twitter, rätt använt är en annan dialogisk form. Där får man dock se upp. De korta formaten och mediets inbyggda öppningar mot emotionella svador och nonsens gör att man måste välja sina följare och de man följer noga. Twitter är inte som ett vardagsrum – eller jag vill inte att mitt twitter skall vara det – utan som ett kafé eller en salong. Det tar tid att hitta dit med Twitter, men är det omöjligt? Alls inte.

Internets alla forum och grupper är ett annat exempel. Quora och Reddit, Facebookgrupper och andra liknande sajter skapar en större dialog mellan flera olika personer. Det är djupt fascinerande att stiga in i en Quoratråd och se hur diskussionen utvecklas över tid — det är dialogiskt tänkande, och paradoxalt nog tror jag att det idag skrivs mer dialoger än någonsin tidigare i människans historia. De skrivs dock inte litterärt, utan dialogen har kommit att bli en sorts grundform för den text som växer fram på nätet.

Det betyder dock inte att allt är i sin ordning — jag tror att parallellt med dialogens spridning på nätet så har vi också sett spänningen med det monologiska tänkandet öka. De som skriker och inte samtalar, de som ser tvivlet som en rättighet utan investering, de som samlas kring rädsla och hat. Hat och rädsla är monologiska känslor, förresten, har du tänkt på det? Vi kan hata tillsammans, men vi hatar alltid under tystnad och utan egen åsikt. Hat är asymmetriskt, riktat mot den Andre. Hat löses upp i samtalet. Att vara rädd med någon annan i dialog är att bekämpa rädslan, att hitta strategier för att förändra den.

Här finns ett tema som jag tror är värt att fundera över: monologen mot dialogen i teknikens framtid, spänningen mellan påståendet och frågan. Vi saknar inte förutsättningar för att ställa oss på dialogens sida: verktygen och formerna finns, men det kräver litet medvetet arbete.

Här en hypotes: den mänskliga civilisationens utvecklingstakt beror direkt av kvoten mellan dialogiskt och monologiskt tänkande. I en tid då denna kvot blir mindre än 1 och det monologiska tänkandet dominerar så saktar vi in, förfaller. När dialogen i stället tar plats så firar människan triumfer.

Det är egentligen inte så konstigt. Människan är ju en dialog.

Modeller av framtidens arbetsmarknad

En hel del av de framtidsdiskussioner som vi deltar i handlar om framtidens arbetsmarknad. De är absolut centrala för hur vi utvecklas som samhälle, och just därför är det intressant att försöka locka fram de mentala modeller som ligger bakom de olika synsätten som vi råkar på. I det följande tänkte jag gå igenom dessa i sina idealtypiska former – och därför blir de också litet förenklade – men jag tänkte att det kan ha ett visst egenvärde att försöka visa hur olika de mentala modellerna i diskussionen faktiskt är.

Den första modellen, den kanske vanligaste, ser ut såhär: det finns människor som har jobb. Nu kommer maskiner som kommer att ta dessa jobb. I framtiden kommer det alltså inte att finnas jobb kvar åt människor. I en bild:

Screenshot 2019-10-16 at 12.20.18

Frågan blir då – automatiskt – vad ska människorna göra nu när robotarna tagit jobben? Där finns det två olika modeller också – en i vilken det kommer nya jobb som människorna kan göra:

Screenshot 2019-10-16 at 12.23.17

I denna modell är allt frid och fröjd. Nu arbetar människorna igen, och det stora problemet är hur man kan se till att de lär sig de nya jobben. Ofta tror vi att dessa nya jobb kommer att vara mer komplicerade, och frågeställningen ser ut ungefär såhär, förenklat: förut behövde vi en massa bagare, men nu kan maskiner baka bröd. nu behöver vi läkare istället och alla bagare kan inte bli läkare, så hur ska vi lösa det? Den som håller fast vid den här modellen måste lösa ett omfattande omställningsproblem där hela kompetenskorgar – jobb – måste bytas mot nya, förmodat mer avancerade och komplicerade jobb.

Den andra möjligheten är förstås att det inte kommer några nya jobb. Det här var vad som oroade bland annat Keynes:

Screenshot 2019-10-16 at 12.27.54.png

Vad gör vi nu? Dessa människor som inte har ett jobb – och Keynes trodde att de skulle förvandlas till en sorts avdankade aristokrater som spelade bridge och hade affärer – måst vi ju ta hand om. Nu blir problemet ett rent försörjningsproblem: hur försörjer vi en växande skara arbetslösa människor?

Sedan finns de de som har en mer högupplöst syn på problemet. De menar att jobb är fel analysenhet: vi måste istället konstatera att jobb består av olika arbetsuppgifter – och vissa av arbetsuppgifterna kan automatiseras, andra kan det inte. I framtiden delar vi alltså arbetsuppgifter med robotarna:

Screenshot 2019-10-16 at 12.34.31

Möjligen kan detta också låta oss hitta på nya arbetsuppgifter som vi inte gjorde tidigare alls. Här finns ett omställningsproblem, men framförallt ett innovationsproblem – hur använder vi den nu tillgängliggjorda mänskliga förmågan på bästa möjliga sätt? 

Det finns en variation på detta tema, som förekommer exempelvis i en del av schackmästaren Garry Kasparovs skrifter, och det är att vi kommer att smälta samman med robotarna, eftersom en människa och en maskin alltid slår en maskin. Vi kommer att bli kentaurer, eller cyborgs, och helt enkelt bli mycket bättre på det vi gör:

Screenshot 2019-10-16 at 12.39.58.png

Skillnaderna mellan IV och V kan tyckas små, och har egentligen mest att göra med hur man organiserar arbetsplatsen, men de är ändå intressanta att fundera kring. Om vi smälter samman alltmer med tekniken blir distinktionen mellan människa och maskin allt mindre intressant — frågan om robotarna kommer att ta ditt jobb, blir enkel att besvara: nej, men du kommer att bli en robot, också. Det intressanta med denna modell är den antagna uppdelningen mellan maskinautomation och mänsklig verksamhet blir mycket mindre intressant att fundera kring. I stället blir det möjligt att fråga vad vi kan göra nu, och vilka typer av kompetenser som behövs för att smälta samman med en robot. I schack, menar Kasparov, är det inte de bästa enskilda spelarna som blir de bästa cyborgspelarna, utan andra kvaliteter – som en expertis på maskinens svagheter – blir viktiga kärnkompetenser. I IV blir människor bättre på sånt bara människor kan, och uppdelningen mellan människa och maskin är strikt. I V måste människor utveckla en viss kompetens som handlar om just maskinen och sammansmältningen blir målet.

Sedan finns de de som menar att föreställningen om ”jobb” är dömd att förlora i betydelse. För dem handlar framtiden om att organisera arbetsuppgifter och koordinera dem så att de blir till arbete som ger sådan avkastning att man kan leva på dem, och detta kommer man att göra med olika typer av intelligenta verktyg:

Screenshot 2019-10-16 at 12.47.52.png

I modell VI kan vi komplicera bilden ytterligare. I stället för den 1:1 relation som idag finns mellan arbetstagare och arbetsgivare, kan man tänka sig att en cyborg specialiserar sig på att göra en viss typ av arbetsuppgifter åt en stora mängd olika arbertsgivare. Då uppstår ett koordinationsproblem förstås, just det problem som ett jobb löser: hur kan man få stabilitet och förutsägbarhet i ekonomin om man lever i den s.k. gigekonomin? Här kan vi tänka oss en mängd olika svar, men ett exempel skulle vara att man litar till en tjänst som kombinerar arbetsuppgifter, arbetsgivare och schemaläggning på ett sådant sätt att du får förutsägbarhet och den arbetsbörda som du är bekväm med. Ett jobb går från att vara en statisk uppsättning arbetsuppgifter till att vara en dynamisk uppsättning arbetsuppgifter och relationer som lastbalanseras på samma sätt som exempelvis Internettrafik eller liknande. Här blir problemet att skapa den typen av tekniska, sociala och ekonomiska institutioner som kan bära atomiseringen av de klassiska jobben och bereda vägen för dynamiska jobb (djobb…?) istället. 

Olika modeller betyder alltså olika utmaningar och politiska problem, men också helt olika möjligheter och öppningar för en helt annat effektivitet i ekonomin.

*

Alla dessa modeller har det gemensamt att de gör antaganden om tillgången på arbetsuppgifter. Det är intressant att notera, eftersom det snuddar vid en fråga som jag diskuterat tidigare – och det är frågan om hur mycket arbete det finns. Jag tror fortfarande att mängden arbete är oändlig, men det är fullt möjligt att ha en avvikande åsikt. Jag tror också att den växande komplexiteten innebär att vi faktiskt måste utveckla automatiseringen och olika intelligenta verktyg så snabbt som möjligt, för att lösa de alltmer pressande problem vi ställs inför.

Att förutsäga terror

Tänk om man kunde förutspå hur dödlig en terrorgrupp kommer att bli genom en analys av, säg, de först tio attackerna. Det skulle låta olika säkerhetstjänster prioritera vilka grupper de attackerar och kanske till och med leda till att de dödligaste kunde undanröjas snabbast möjligt. Just detta menar ett antal forskare nu att de lyckats med. Studien, som kommer från Northwestern University, Kellog School of Management (!), har testats mot historiska data och forskarna menar att den är robust.

Modellen är enkel: forskarna betraktar terrororganisationer som företag som producerar – just det – död. Vi har modeller för att förutsäga hur framgångsrika företag bli och dessa, menar forskarna, kan vi nu använda också på andra organisationer. Nu tycks det ju finnas viss skillnad mellan död och, säg, choklad, men forskarna menar att det ändå finns modeller som kan vara användbara: när det gäller företag kan man sluta sig till vilka resurser de har genom att se hur de går tillväga när de lanserar nya produkter – ny attacker, i terrorgruppernas fall. Ett företag med goda resurser lanserar nya produkter regelbundet och planerat, ett företag som lanserar litet här och litet där har sannolikt inte så bra resurser, eller åtminstone inte effektiv management.

Även variationen i attackerna, i de vapen som används och liknande faktorer kan användas.

Drömmen om att kunna förutsäga hur terrororganisationer agerar är inte ny. Den är inte heller utan kontroverser. Den mest berömda skandalen var nog sen s.k. ”Policy Analysis Market”, där den amerikanska forskningsbyrån DARPA ville öppna en marknad för att förutsäga terrorattacker, men snabbt fick skrota projektet efter politisk upprördhet. Så här i efterhand kan man konstatera att det förmodligen var ett felaktigt beslut — det kan inte vara fel att samla in så mycket information vi kan om framtida katastrofer, och om en förutsägelsemarknad kan vara till hjälp så borde den användas — så enkelt är det nog.

Den kanske intressantaste risken diskuterades inte heller i skandalen: att den som förutsäger attacker också kunde tjäna på att de inträffade, och därför kanske finansiera just dessa attacker. Den som satsar på en viss förutsägelse om en attack blir ju automatiskt misstänkt — eftersom denne förmodligen sitter på någon sorts, legitim eller ickelegitim, information om framtida attacker. Det kan till exempel handla om att man har en mycket bra analysmodell, men det kan också handla om att man leder en terrorgrupp.

Det skulle väl sannolikt bli svårt för en terrorledare att casha in på en marknad som denna, men betänk vad som skulle kunna hända om man anonymiserade marknaden. Då skulle vi landa i ett annat intressant scenario som diskuterades tidigt i teknikkretsar. När David Chaum lanserade anonyma pengar (”DigiCash”) – långt före bitcoin – var det flera personer som föreslog att dessa skulle öka likviditeten i brottsligheten (Se Tim Mays fina artikel från 1997 här): man skulle kunna beställa brott genom att exempelvis slå vad om att de inte inträffade. Såhär:

(I) Jag vill mörda herr X.

(II) Jag sätter ut ett vad om 10 000 digicash att Herr X kommer att vara vid liv vid årets slut. Om jag förlorar vadet betalar jag, anonymt, 10 000 till den som sätter emot.

(III) Någon antar vadet.

(IV) Herr X skjuts före årets slut.

(V) Jag betalar ut pengarna.

Mördade den som antog mitt vad Herr X? Jag vet inte, och inte heller går det att spåra i DigiCash-systemet. Men nog känns det som att det finns ett tunt stråk av kausalitet här?

Det blir intressant även om vi ser på mycket lång vadslagning. Om vi kikar på LongBets.org – en underbar tjänst där man kan slå vad på lång tid – så hittar vi följande vad:

“A bioterror or bioerror will lead to one million casualties in a single event within a six month period starting no later than Dec 31 02020.”

Det är ett vad mellan den kungliga astronomen i Storbritannien, Martin Rees, och den kände spårkvetaren Steven Pinker. Pinker tror inte det kommer att hända, men nog borde vi övervaka vad Martin Rees har för sig under de kommande 16 månaderna?

 

Hur ser en bra förutsägelse ut?

Den som sysslar med planering och framtidsstudier gör klokt i att spendera en hel del tid med att formulera frågan rätt — en av de kanske mest klassiska kognitiva misstagen är att anta att vi vet exakt vad frågan är. Vi ägnar alldeles för litet tid åt att undersöka, formulera och strukturera upp problemet på ett sätt som gör att det kan lösas på ett intressant sätt.

I vad som nästan helt säkert är ett apokryfiskt citat, sägs Einstein ha hävdat att om han fick en timme på sig att lösa ett problem skulle han använda de första 50 minuterna åt att förstå det, och sedan de återstående minuterna till att lösa det. Poängen är enkel: formuleringen och förståelsen för problemet är helt central i gott tankearbete.

Omvänt finns det gott om lösningar på problem som är ointressanta, eftersom det problem de löser inte är ett problem som är väldefinierat, intressant, generativt (lösningen ger flera lösningar), generaliserat nog, långt (i meningen att lösningen är varaktig och stabil över tid) eller överförbar (analogier ur lösta problem är enormt värdefulla).

När man specifik sysslar med förutsägelser är det intressant att se på hur dessa kan formuleras för att a) leda till en intressant strategisk konversation, b) leda till en inhämtningspraktik som är värdefull och c) ge en intressant sannolikhetsprissättning.

Jämför ett par olika förutsägelser:

(I) President Trump kommer att lämna presidentposten.

(II) President Trump kommer att fällas i riksrätt och avlägsnas från presidentposten före 31.12 2019.

(III) President Trump kommer att åtalas i riksrätt, men ej fällas i senaten, och frias före 31.12 2019.

(IV) President Trump kommer inte att vara republikanernas presidentkandidat i valet 2020.

(V) President Trump kommer att förlora valet 2020 på grund av riksrättsförfarandet och problem associerade med detta.

(VI) Nästa president i USA kommer att vara en radikal demokrat.

Vilken av dessa förutsägelser har mest värde för den som arbetar med att förutse, planera för och arbeta med företags politiska arbete? (I) har en hel del brister, men också några förtjänster. En av de uppenbara bristerna är att denna förutsägelse inte är tidssatt. Det betyder att den är både trivialt sann och extremt osannolik. Vi vet att President Trump kommer att lämna presidentposten, och inte vara president 2024 om inte konstitutionen ändras. Vi vet att han absolut kommer att ha ”lämnat” presidentposten år 2100, om inte vi lyckats avbryta åldrandet. Vi vet att president Trump kommer att ha svårt att vara president när solen brinner ut — etc. Vi kan också säga att det är extremt osannolikt att han lämnar president posten inom de närmaste 2 timmarna. (I) är ett exempel på en förutsägelse som med tiden närmar sig 100 procents sannolikhet – frågan är bara vilket värde t som ger p(I)=1.

(II) Är bättre, ur ett perspektiv, eftersom sannolikheten inte varierar enformigt med tiden. Antingen så händer det eller så händer det inte – långsiktigt kommer (II) antingen att vara sann eller falsk. Det betyder att (II) formulerats på ett sådant sätt att den innehåller en genuin osäkerhet. Frågan är om denna genuina osäkerhet är intressant för oss eller ej — den har ett visst värde, men hur stort är detta värde? Vi har köpt oss precision till priset av att inte längre ha samma sorts förklaringsvärde. (III) är en variant på detta, och visar bara att endast precision inte ökar värdet i en förutsägelse.

(IV) är en intressant förutsägelse som är tidssatt, och dessutom har stort potentiellt värde i att analysera olika scenarier. Vem skulle denna andra presidentkandidat vara? Varför har han eller hon tillträtt och Trump avgått? Vad är det som har hänt? Det finns ett narrativt djup i (IV), tror jag man kan säga, som gör den förutsägelsen intressantare än (II) och (III). (IV) fordrar att vi ställer frågan: hur skulle världen behöva se ut för att detta skulle kunna ha skett – med en mångfald av olika möjliga orsaker.

(V) Är mer generativ, eftersom en Trumpförlust är en politisk händelse som kan ha andra efterverkningar i polarisering, politisk hätskhet mm. Problemet med (V) är dock att den låser sig till en orsaksförklaring. Det är inte en bra förutsägelse. En bra förutsägelse måste vara polyvalent, ta en mängd olika indata och invärden för att generera en intressant förutsägelse. Ett sätt att se det är att säga att en förutsägelse ska kunna representeras som ett träd: själv förutsägelsen är roten och sedan kan vi explodera de olika faktorer som vi tror ökar eller minskar sannolikheten för förutsägelsen. I en bild:

Skärmavbild 2019-10-07 kl. 07.27.04

Ett kausalitetsdiagram – en av många olika verktyg man kan experimentera med vid förutsägelsearbete.

Detta tar oss till (VI) som har fördelen att ha stort värde för att skissa ut ett företags framtid i USA, fokuserar på en egenskap – radikal – som i och för sig behöver definieras tydligare, men som är tydlig nog i dagens diskussion. Om man skulle välja en förutsägelse av de ovanstående, skull jag nog välja denna — även om det finns fördelar med alla olika varianter. Just adjektivet är intressant, förresten, eftersom det fordrar att man i kausalitetsdiagrammet bryter ut ett antal faktorer som just främjar sannolikheten för att en radikal demokrat skulle väljas i primärvalen mm.

Detta är långt från enkelt, förstås, men det är intressant. Det är en nyttig och viktig övning att ständigt fråga sig: vilka tio saker om framtiden skulle det vara verkligt värdefullt för mig att kunna förutsäga med en bättre än 70% sannolikhet eller så?

Finns det en alt-data marknad?

Nyheten om alt data providern Thasos problem har rest frågan om den s.k. alt data marknaden hajpats och om den egentligen finns. Det är i sig en ingång till en intressant fråga om hur vi samlar data för beslutsfattande och olika sorters analys.

Den mentala modell som ligger till grund för tanken på en alt-data marknad är enkel: det finns en uppsättning data som används för standardanalyser av företag och finansmarknader – denna ’finansiella’ information kan nu kompletteras med andra, ’alternativa’ datakällor som kan ge nya och unika insikter.

Det finns flera problem med den här modellen:

(I) Antagandet om en standardmängd är egentligen inte prövat — investeringsbeslut görs ofta på basis av rikt heterogena datakällor.

(II) Antagandet om ett bestående värde i alternativa datakällor är skakigt. Just nu verkar det som värdet minskar snabbt – och så fort information integreras i priset så försvinner värdet – ett intressant problem, eftersom det säger något om hur data som konkurrensfördel funkar: så fort data används förlorar den i relativt värde. Marknaden lär sig. Ur artikeln:

For instance, right now a datapoint that can measure tariff impacts on China would be extremely helpful, Tsafos said. But the current interest from hedge funds can dissipate quickly.

Marknaden har dessutom gått igenom en bubbla här och antalet företag har exploderat — vilket visar hur svårt det är att ringa in vilka sorters data som har unikt värde.

Det finns en lektion här för de som gått på metaforen att data är den nya oljan.

När pandemin kommer

som-pesten

Hanne Vibeke Holsts bok Som pesten är en välskriven och intressant studie i hur vi skulle kunna hantera en influensapandemi. När jag läste den upplevde jag hennes skildring av hur oförberedda vi är och hur svårt samhället skulle drabbas som överdriven, men det visar sig att jag hade fel: Holst var generös i sin skildring. WHO släpper nu en rapport i vilken en panel påstår att en pandemi inom 36 timmar kan bli global, med omfattande konsekvenser för säkerheten och ekonomi.

Endast 59 länder har planer för hur en pandemi skall hanteras och mycket få har finansierat sina planer. I Sverige ansvarar Folkhälsomyndigheten för arbetet och man redovisar på sin hemsida de planer som föreligger. När det gäller medicinsk beredskap redovisar man i en av rapporterna hur mycket antivirala medel och antibiotika som finns i våra beredskapslager — och det är intressant läsning. Antibiotika tros behövas för att hantera sekundära infektioner som lunginflammation och generella antivirala mediciner är mest till för att hantera sårbara grupper fram till det att ett vaccin kan tas fram – men ändå tycks siffrorna skakiga, och senast uppdaterade 2015:

Screenshot 2019-09-20 at 10.48.35

Screenshot 2019-09-20 at 10.47.41

Men min bedömning är förstås en amatörs — detta kanske är mer än nog. Planen för läkemedel uppger också att förhandlingar pågår för att se till att vaccin kan framställas snabbt och att dokumentet skall uppdateras när så skett — i vaccineringsplanen framgår separat att man avtalat med ett antal läkemedelsföretag om att få tillgång till vaccin så fort det existerar, och att man avtalat om 17 miljoner doser. Så möjligen är den svenska beredskapen ändå rätt god.

Världens beredskap i övrigt tycks dock skakig, enligt panelen, och frågan är om en pandemi kan hanteras som ett nationellt problem.

Den som är intresserad av framtidsstudier i stort intresserar sig också för händelser som en pandemi – oundvikliga överraskningar som Peter Schwartz kallat dem. Vi vet att det kommer en pandemi – vi vet bara inte när. Ett tips är att läsa Holst som ett optimistiskt scenario. Sedan är det bra att hålla ett öga öppet för händelser som denna

Den amerikanska butiksdöden fördubblas 2019 – men vad betyder det?

I den här studien rapporteras att antalet stängda butiker i USA 2019 kommer att stiga till 12000 från 6000-8000 förra året. Det är en anmärkningsvärd siffra. Samtidigt är den meningslös om vi inte också kan svara på frågan om hur många nya butiker som öppnas. I denna studie hävdar författarna att mer än 12000 butiker öppnade 2018, samtidigt som runt 8000 lades ned. Det betyder att netto ökade antalet butiker alltså kraftigt – och allt tal om en ”butiksdöd” blir genast suspekt.

Det här illustrerar ett vanligt misstag i framtidsstudier och diskussioner om framtiden i stort: att fokusera på endast en faktor i en större ekvation: att bara titta på butiksdöden utan att titta på nyöppnade butiker är att falla för vår förkärlek för det negativa.

Det leder emellertid till en annan intressant fråga — hur skall vi tolka de relativa faktorernas tillväxt? Antag att vi ett år har 5000 nya butiker och att 2000 stängs, och ett annat år 12000 nya butiker och 8000 stängs – vad kan vi lära oss av det i såfall? Deltat är detsamma, men omsättningen eller aktiviteten är mycket större i det senare fallet — dynamiken ökar. 

Brottslighet som komplext system i städer

14576812059_1a23f64f79_z

Är det mer sannolikt att du utsätts för brott i en stad än på landet? Svaret tycks vara ja, och förklaringen är enkel: även brottslingar kan dra nytta av det faktum att en stad erbjuder flera samarbetsmöjligheter och fler potentiella samarbetspartners.

Städers innovationskraft diskriminerar när det gäller syftet med innovationen, och även brott kan beskrivas som en entreprenöriell verksamhet. Det är i sig inte särskilt uppseendeväckande, men en observation i studien förtjänar att lyftas fram: brottsligheten ökar snabbare än stadens storlek ökar. Det betyder att när en stad växer till dubbla storleken, så mer än dubblas brottsligheten.

Det gäller också, påpekar författarna, antalet patent och företagandet och konstnärlig verksamhet — alla sociala verksamheter ökar snabbare med en ökande stadsstorlek – de är superlinjära. Även tidigare studier har visat detta, med en intressant modifikation: för de riktigt stora städerna blir resultaten sublinjära för våldsbrott och egendomsbrott. Om du vill bo i en stad, men bo i en relativt sett säkrare stad, så blir rådet alltså att flytta till en riktigt stor stad – topp 10 verkar duga i USA.

Som de flesta också vet handlar det inte bara om en skillnad mellan stad och land, utan också om var i staden man bor. Brottsligheten är inte jämnt fördelad över staden, utan koncentrerad till vissa områden – och olika sorters brottslighet är olika koncentrerad. En studie visade att stöldbrott är mer koncentrerade till vissa områden än rån, och att rån i sin tur är mer koncentrerade till platser i en stad än inbrott.

Några hypoteser för framtidsstudier:

  • Det tycks vara säkert att förutsäga att till en viss gräns kommer brottsligheten i en stad att öka snabbare än stadens storlek ökar — det betyder i sin tur att städer som växer kommer att ha ett större problem med brottslighet – tills dess att de blir riktigt, riktigt stora.
  • Urbaniseringen kommer att öka innovationstakten – även i brottsligheten.
  • Varje typ av brottslighet uppvisar någon sorts geografisk koncentration – områden som i dag är utsatta kommer, när en stad växer, att bli mer utsatta och svårare att få ordning på.
  • Ordningsmakten är inte organiserad på samma sätt som brottsligheten – där ordningsmakten är strukturerad som ett hierarkiskt system är brottsligheten ett komplext adaptivt system. Hierarkiska systems effektivitet ökar sublinjärt med stadens storlek. Den kanske mest intressanta frågan blir då om säkerheten i en stad kan organiseras som ett socialt komplext nätverk, och därmed också öka superlinjärt med stadens storlek? Utan att det urartar till medborgargarden? (Detta sker spontant idag med nattvandrande nätverk och andra liknande initiativ — skall de uppmuntras eller ej?)

Hur städer minns jordbävningar

I en intressant artikel visar CEPR att vi såg en relativ förändring av städers storlek – i jordbävningsdrabbade områden – efter den jordbävning som drabbade San Francisco 1906:

In a recent paper (Ager et al. 2019), we exploit newly collected data on population sizes of 412 cities and towns located in the American West, for every decade from 1890-1970, to show that the 1906 San Francisco Earthquake left a permanent mark on relative city sizes. This finding supports the notion that ‘economies of scale’ have been a prominent force in shaping the distribution of economic activity in the region. We provide evidence suggesting that this long-lasting effect is largely a result of individuals’ high geographical mobility at that time: less earthquake-affected areas became more attractive migration destinations in the immediate aftermath of the earthquake.

Forskarna har tittat på olika städer på västkusten och jämfört hur de utvecklats i storlek. Fram till 1900 växte de alla ganska jämnt, men efter 1906 ser man en tydlig effekt: de städer som drabbades hårdare av jordbävningen växte långsammare än de som undkommit den – och, det mest fascinerande, denna trend fortsatte ända in på 1970-talet. Minnet av jordbävningen formade alltså städernas utveckling under mycket lång tid — städer minns:

The results shown in Figure 2 reveal that cities with different earthquake intensities experienced similar population growth from 1890 to 1900, supporting the so-called parallel trend assumption, while after the disaster had taken place, more affected cities experienced less population growth, relative to less or non-affected cities. These empirical patterns indicate that the effect of the earthquake, in terms of relative city sizes, is still measurable in the second half of the 20th century. For example, a one standard deviation higher earthquake intensity is associated with a reduction in population size of 30% in 1970, corresponding to a decrease in the annual population growth rate of 0.7 percentage points.

Det skulle vara intressant att se hur länge de minns, och om man kan identifiera mönster i relativ tillväxt som kanske till och med skulle kunna låta oss upptäcka olika katastrofer längre tillbaka i tiden. Det skulle också vara intressant att se hur städer minns idag. Om en ny jordbävning inträffade i dag (gud förbjude!) – hur skulle Bay Area minnas den om 100 år?

Kommer Mello att samla in pengar mot klimatförändringarna?

Tyska Deutsche Welle rapporterar om hur man i Danmark haft ett insamlingsrejs på TV för att plantera 1 miljon träd i Danmark. Tydligen fick man in 2.4 miljoner danska kronor – och hela projektet bygger på en studie som säger att om vi bara planterar en väldig massa träd så kan vi stoppa klimatförändringarna.

Det är en intressant utveckling, och eftersom det tycks finnas ett växande behov av att göra något så är det inte osannolikt att vi kommer att se liknande insamlingar i Sverige. Det perfekta föremålet för en sådan aktion vore förstås den älskade melodifestivalen.

Det som intresserar mig här är hur den växande klimatoron söker sig utlopp i olika typer av (förenklade) kampanjer och rörelser. Det är inte osannolikt att vi kommer att se flera olika exempel på detta i framtiden – men frågan är hur underbyggda dessa kommer att vara. Balansen mellan att göra det rätta och göra det lätta är alltid svår att finna – men det står nu klart att det finns en klimatvilja som inte kan ignoreras i politiska analyser och framtidsstudier; frågan har förblivit en av de viktigare i Sverige under lång tid och med den fokalpunkt som Greta Thunberg erbjuder så måste klimatfrågan värderas upp i de olika framtidsscenarier vi funderar över. Det danska exemplet sätter ett pris på engagemanget som ger oss en bättre uppskattning av styrkan i denna faktor.

Samsung om livet 2069

Framtidsstudier är svåra – särskilt när de handlar om framtiden. Det är inte utan att man känner för att parafrasera Yogi Berra när man läser olika typer av framtidsstudier, och det gäller särskilt de riktigt långsiktiga, som denna studie där Samsung försöker förutsäga 2069. Bland förutsägelserna finns medicinska implantat och självstädande hem – och undervattensvägar av olika slag. Rymdturism och virtuella assistenter förekommer också i rapporten. Något med allt detta känns litet … tråkigt? Men det kan vara en poäng! Kanske kommer framtiden att vara litet tråkig. 50 år sedan var 1969 – och om vi använder det som modell inser vi att det kanske är så att det är mer av allt vi har idag och med nya användningsområden som är den bästa gissning vi kan erbjuda?

1969 fanns tydliga tecken på Internet, mobiltelefoner och AI var redan uppfunnet. Visionerna då skiljde sig kanske inte radikalt från vad vi ser idag. Men kanske handlar det om upplösningen i förutsägelserna? Det är lätt att göra ganska grovkorniga och intressanta förutsägelser, men riktigt svårt att göra mer detaljerade prognoser – frågan är vid vilken upplösning en prognos blir meningslös?

Vi påminner oss om Keynes: ”in the long run we are all dead” – en riktigt prognos, men så grovkornig att den saknar mening för oss (pace Kurzweil). Just detta – förutsägelsers upplösning – är en nyckelfråga för den som är intresserad av framtidsstudier. Här finns också frågor om upplösningen i de dataserier som vi använder för att försöka förstå framtiden — vilken upplösning är idealisk? Vad bestämmer detta, egentligen? Jämför:

(i) Börsen kommer att stå i X kl 12:23:21

(ii) Börsen kommer att gå upp 10% under det kommande året

Vilken av dessa skulle du föredra att kunna göra med 90% sannolikhet? Varför?

Eller jämför dessa:

(i) UK kommer att lämna EU under 2019.

(ii) UK kommer att lämna EU 31.10 2019.

Vilken av dessa är mest intressant? Spelar det roll att de hänger ihop i detta fall (den ena är en delmängd av den andra)?

Nå, Samsung erbjuder en grovkorning förutsägelse om 2069 som ändå innehåller en hel del intressant att fundera på, men kanske är det just upplösningen som gör att jag ändå inte riktigt går igång på materialet?

Förutsägelsemarknader – när fungerar de?

Predictit – en av många framtidsmarknader – handlar i sannolikheter för olika händelser. En av de händelser man kan handla i (om man bor i USA) är en recession under Trumps första mandatperiod. Prisbilden ser ut såhär:

Screenshot 2019-09-08 at 21.10.12

Det är fascinerande att se hur sannolikheten ändrats i de olika bedömningarna sedan i slutet av juli. Förutsägelsemarknader är viktiga verktyg, men de är svåra att sätta upp på rätt sätt. Ur Mother Jones:

Hal Varian’s answer is that the most valuable predictions are very sensitive, and you don’t want those to be public. My answer is different: prediction markets are too easy to game. They work decently as long as no one really cares about the answer, but as soon as someone does care—i.e., someone can make a lot of money from influencing the results—then the prediction market will be rigged. The only way to stop that from happening is to make the market expensive, but then you lose almost all your players.

Det finns en allmän insikt här, en viktig generell sanning — det är inte lätt att sätta upp en marknad – oavsett vad den är till för! Marknader är komplexa institutioner. En fin genomgång av denna komplexitet finns här. Oaktat detta utgör dock de protomarknader som finns idag intressanta signaler som sedan kan användas i det egna arbetet med forecasting.