Crowdsourcing og kunstig intelligens: data, medier og virksomheder

Kombinationen af crowdsourcing og kunstig intelligens Det ændrer fundamentalt, hvordan vi forsker, innoverer, kommunikerer og designer produkter. I en kontekst, hvor kunstig intelligens er blevet dybt integreret i journalistik, kommunikation, erhvervsliv og endda offentlig sikkerhed, er udnyttelsen af ​​den kollektive intelligens hos tusindvis af forbundne individer blevet en nøglefaktor i træningsmodeller, reduktion af bias og acceleration af innovation.

Samtidig øger dette massive samarbejde etiske udfordringermetodologisk og organisatoriskHvordan kan vi sikre kvaliteten af ​​de data, som crowdsourcing leverer? Hvad med privatlivets fred og arbejdstagerrettighederne for dem, der deltager? Hvordan kan vi integrere crowdsourcing i redaktioner, innovationsafdelinger eller retshåndhævende myndigheder? Vi vil udforske dette landskab roligt og i detaljer, ved at trække på akademisk forskning, casestudier fra den virkelige verden og markedstendenser.

Hvad er crowdsourcing, og hvorfor passer det så godt sammen med AI?

Crowdsourcing er en samarbejdsmodel I denne model delegerer en organisation (virksomhed, medie, offentlig institution, universitet, NGO osv.) opgaver, projekter eller problemer til en lang række mennesker, der primært deltager via internettet. Udtrykket blev populariseret af Jeff Howe i 2006, hvor han kombinerede ordene "crowd" og "outsourcing" for at beskrive, hvordan virksomheder begyndte at åbne deres processer for eksterne samarbejdspartnere.

Essensen af ​​crowdsourcing er at udnytte kollektiv intelligens og mangfoldigheden af ​​færdigheder at opnå mere kreative, hurtigere og ofte billigere løsninger end med et lukket internt team. Det bruges inden for teknologi, videnskab, design, markedsundersøgelser, softwareudvikling, journalistik, virksomhedskommunikation og, især relevant i det sidste årti, i træning af kunstig intelligens-algoritmer.

I denne model kan bidragene være frivilligt eller betaltOg motivationen spænder fra økonomiske incitamenter til prestige, nysgerrighed, læring eller tidlig adgang til produkter. Det er ikke et marginalt fænomen: det har givet anledning til giganter inden for det kollaborative web, videnskabelige benchmarkprojekter og globale platforme for distribueret arbejde.

Det, der gør crowdsourcing og AI til et så godt match, er, at maskinlæringsmodeller er afhængige af store mængder af mærkede data og kontinuerlig testning i forskellige sammenhænge. Grupper af brugere er ideelle til at generere, gennemgå og berige disse data, forudsat at kvaliteten er velforvaltet, og potentielle bias kontrolleres.

I modsætning til traditionel outsourcing – at hyre en specifik virksomhed til at udføre en opgave – fokuserer crowdsourcing på en åben, distribueret og skalerbar deltagelseDenne åbenhed giver adgang til profiler, som en organisation aldrig ville kunne rekruttere på en traditionel måde, men det indebærer også mindre direkte kontrol, et større behov for procesdesign og konstant opmærksomhed på etiske aspekter.

Crowdsourcing i AI: data, bias og ansvar

I udviklingen af ​​robuste og etiske AI-modeller er et kritisk punkt at have omfattende, forskelligartede og træningsdata af høj kvalitetSom initiativer og virksomheder, der specialiserer sig i data til AI, påpeger, vil systemer kun være så gode som de datasæt, de er trænet på. Hvis informationen er ufuldstændig, homogen eller dårligt mærket, kan modellen inkorporere bias og producere urimelige eller fejlagtige resultater.

Platforme dedikeret til datagenerering, såsom Lionbridges Aurora AI Studio-værktøjer, demonstrerer, hvordan crowdsourcing muliggør indsamling af data. globale teams af samarbejdspartnere De bringer erfaringer fra forskellige kulturer, sprog og demografiske profiler. Denne variation letter oprettelsen af ​​datasæt, der er mere repræsentative for den virkelige befolkning, et væsentligt krav for at designe AI, der fungerer godt for meget forskellige grupper.

Ud over diversitet insisterer disse initiativer på, at data til AI så vidt muligt bør genereret af mennesker og ikke af andre AI'erOverdreven afhængighed af syntetisk indhold kan introducere svært opdagelige bias, kaskader af gentagne fejl og et tab af grundlæggende nuancer i menneskelig adfærd. Menneskelige bidrag, med deres variationer, kontekster og tvetydigheder, muliggør træning af mere robuste modeller, der er i stand til at forstå den virkelige verdens kompleksitet.

Crowdsourcing er også nøglen til opgaver vedr. mikroarbejde til AIBilledtagging, tekstklassificering, fejlkorrektion, resultatvalidering, generering af positive og negative eksempler osv. Platforme som Amazon Mechanical Turk eller Clickworker har vist, at opdeling af projekter i mikroopgaver og distribution af dem blandt tusindvis af samarbejdspartnere er en effektiv måde at producere store mængder annoterede data.

Al denne udvikling medfører dog intense debatter om retfærdighed, arbejdsvilkår og gennemsigtighedAnsvarlig AI kræver ikke kun gode data, men også klare samtykkeprocesser. beskyttelse af privatlivets fred De, der bidrager, bør modtage en rimelig kompensation, når der er betalt arbejde. Her udstikker Europa sin egen kurs og forbinder crowdsourcing, kunstig intelligens og grundlæggende rettigheder.

En europæisk tilgang: tillid, rettigheder og sikkerhed (POP AI)

I europæisk sammenhæng behandles forholdet mellem crowdsourcing, kunstig intelligens og offentlig sikkerhed gennem projekter som f.eks. POP AI (en positiv sum-tilgang til AI i retshåndhævelse)Dette initiativ har til formål at styrke tilliden til brugen af ​​kunstig intelligens-værktøjer inden for sikkerhedsområdet, samtidig med at beskyttelsen af ​​privatlivets fred og grundlæggende rettigheder garanteres.

POP AI sigter mod at skabe en bæredygtigt og inkluderende økosystem der lægger grunden til et europæisk center for anvendt kunstig intelligens sikkerhedsstyrker og -organerI dette økosystem spiller samarbejde med borgere, eksperter og civilsamfundsorganisationer en nøglerolle, hvilket er meget i tråd med crowdsourcing-logikken, selvom fokus her er mere på forvaltning, gennemsigtighed og social legitimitet end på massive mikroopgaver.

Den underliggende idé er, at AI inden for sikkerhed ikke blot kan være et teknisk spørgsmål om algoritmer og databaser, men skal bygges på en tillidsforhold til samfundetDette indebærer at forklare, hvilke data der bruges, hvordan modellerne trænes, hvem der fører tilsyn med deres beslutninger, og hvilke mekanismer der findes til at rette fejl eller misbrug.

Den positive vision, som POP AI forsvarer, søger at undgå det falske dilemma mellem politiets effektivitet og individuelle rettigheder. Projekter som dette udstikker en kurs, hvor crowdsourcing ikke kun tjener til at levere data, men også til Inddragelse af borgere i design, evaluering og kontrol af AI som påvirker deres sikkerhed og frihed.

Crowdsourcing i virksomheder: innovation, AI og nye produkter

Innovation er ikke længere udelukkende forbeholdt forsknings- og udviklingsafdelinger i et par multinationale selskaber. Takket være crowdsourcing kan enhver virksomhed – fra startups til store virksomheder – udnyttelse af kollektiv intelligens at generere idéer, løse tekniske udfordringer og lancere produkter eller tjenester understøttet af AI.

Mange organisationer har indset, at det giver mere mening i stedet for at låse sig inde og planlægge i månedsvis at åbne op for specifikke problemer for et fællesskab fra eksperter, klienter, avancerede brugere eller blot folk motiveret af en udfordring. Denne logik er blevet konsolideret i flere formater: innovationskonkurrencer, hackathons, udfordringer på data science-platforme, produkt-co-creation-programmer osv.

Blandt de vigtigste fordele for virksomheder skiller følgende sig ud: mangfoldighed af ideerVed at lade folk med meget forskellige baggrunde deltage, opstår der løsninger, som sandsynligvis ikke ville dukke op i et homogent internt team. Der er også normalt omkostningsbesparelser, da man kun betaler for de udvalgte ideer eller prototyper, og en hurtigere løsning på at finde alternativer, fordi mange hjerner arbejder parallelt.

Crowdsourcing styrker også kundeforholdAt invitere lokalsamfundet til at deltage i design og forbedring af produkter fremmer engagement, loyalitet og en større følelse af tilhørsforhold. I et så konkurrencepræget miljø kan denne forbindelse være en afgørende fordel.

Inden for AI bruger virksomheder crowdsourcing både til at indsamle data og mærke dem såsom test af prototyper, validering af virkelige use cases eller afdækning af flaskehalse i processer, som derefter automatiseres med algoritmer.

Crowdsourcing, åben innovation og co-creation: hvad de har til fælles, og hvad de ikke har

I praksis bruges begreberne crowdsourcing, åben innovation og co-creation undertiden i flæng, men der er vigtige nuancer. crowdsourcing Det fokuserer på at lancere opgaver, udfordringer eller projekter til et bredt, generelt åbent fællesskab, der kan deltage frivilligt eller med incitamenter.

La åben innovation Det er en bredere paraply, der omfatter samarbejde med startups, universiteter, forskningscentre, teknologipartnere og selvfølgelig onlinefællesskaber. Det er ikke altid en anonym flok her: ofte involverer det strategiske aftaler eller velstrukturerede konsortier, der deler intellektuel ejendom, data eller teknologier.

La medskabelse Det fokuserer på direkte og løbende samarbejde med kunder, brugere eller partnere for at designe produkter eller tjenester sammen. Det involverer typisk workshops, fokusgrupper, fælles prototypeudvikling og intensive feedback-loops snarere end store åbne indkaldelser.

I praksis kan et innovationsprogram kombinere alle tre tilgange: at åbne en store menneskemængder til fællesskabet (crowdsourcing), udvælge de bedste forslag og derefter udvikle nogle af dem sammen med nøgleklienter (co-creation), alt sammen inden for en global åben innovationsstrategi.

Inden for AI er denne kombination særligt effektiv: crowdsourcing hjælper med at generere ideer og data, co-creation gør det muligt at tilpasse use cases til reelle behov, og åben innovation letter adgangen til teknologier og specialiseret talent, som en enkelt virksomhed ikke kunne koncentrere.

Crowdsourcingplatforme relevante for AI og innovation

Økosystemet af crowdsourcing-platforme er enormt og meget varieret, men nogle spiller en særlig interessant rolle i krydsfeltet mellem kunstig intelligens og innovationFor eksempel har Kaggle etableret sig som et globalt fællesskab af dataloger, der konkurrerer i udfordringer inden for modellering, dataoprydning og algoritmeoprettelse; mange af disse konkurrencer tjener til at forbedre prædiktive modeller, computervision eller naturlig sprogbehandling.

IdeaScale er en udbredt løsning til styre innovationsprocesser inden for virksomheder og organisationer. Det giver brugerne mulighed for at lancere udfordringer, indsamle idéer fra medarbejdere, kunder og partnere, stemme om forslag og prioritere dem. Store virksomheder som Unilever har brugt det til at kanalisere kollektiv intelligens i designet af nye forbrugerprodukter.

Inden for crowdfunding, platforme som f.eks. Kickstarter eller Indiegogo De har muliggjort finansiering af AI-baserede enheder, apps og tjenester og dermed valideret markedets efterspørgsel. Andre, såsom Crowdcube eller Crowdfunder, er mere fokuserede på at investere i teknologiske startups.

Der findes også mikroarbejds- og testplatforme, såsom Amazon Mechanical Turk, Clickworker eller TestbirdsDisse er især nyttige til datamærkning, brugervenlighedstest eller menneskelig evaluering af AI-resultater. Og i krydsfeltet mellem innovation og tekniske udfordringer finder vi InnoCentive, HeroX og Topcoder, som adresserer udfordringer inden for videnskabelige og teknologiske områder, hvoraf mange er relateret til maskinlæring.

Sideløbende med dem findes der platforme til freelancearbejde (Upwork), kollaborativt design (99designs, Crowdspring), markedsundersøgelser (Streetbees, Crowdtap) og dataanalyse fra offentlige kilder og sociale netværk (DataSift), som alle på den ene eller anden måde udnytter princippet om Fordel arbejde eller beslutninger på tværs af en forbundet gruppe.

Succeshistorier: fra LEGO og Netflix til medier

Der er virksomheder, der er blevet klassiske eksempler på crowdsourcing anvendt til innovation. LEGO Idéer Det giver fans mulighed for at foreslå nye scenografiske designs; hvis et forslag får nok støtte, producerer virksomheden det, og skaberen modtager en procentdel af salget. Det er et skoleeksempel på co-creation med fællesskabet, med en direkte indflydelse på både produktet og forretningen.

Netflix blev berømt i datavidenskabens verden med sin Konkurrence på 1 million dollars at forbedre anbefalingsalgoritmen. Tusindvis af teams fra hele verden deltog i årevis og demonstrerede crowdsourcings evne til at tiltrække toptalenter og opnå betydelige fremskridt inden for prædiktive modeller.

Virksomheder som Unilever har vendt sig mod idéplatforme for at indhent forslag fra medarbejdere og forbrugereintegrering af intern og ekstern feedback i designet af nye produkter. I Latinamerika har virksomheder som Mercado Libre og Rappi lanceret hackathons og åbne udfordringer for at optimere logistik, brugeroplevelse og leveringsløsninger til sidste kilometer drevet af AI.

I mediesektoren har crowdsourcing taget mange forskellige former. CNN promoverede initiativer som f.eks. iRapport, som gjorde det muligt for enhver borger at uploade informativt indhold; projekter som "La Silla Vacía" i Colombia har involveret lokalsamfund i fælles dækning af sociale ledere og konflikter på landet.

For nylig er der i krydsfeltet mellem journalistik og kunstig intelligens blevet udviklet akademiske og professionelle projekter, der undersøger, hvordan kunstig intelligens og kollektiv intelligens kombineres for at Forbedre dokumentation, skrivning og verifikationCases som BeSoccer-platformen, analyseret af Segarra-Saavedra, Cristòfol og Martínez-Sala, viser, hvordan AI hjælper med at automatisere sportsindhold fra store mængder data, samtidig med at menneskelig overvågning opretholdes.

Crowdsourcing, AI og journalistik: redaktioner i transformation

I de senere år har en betydelig del af litteraturen om journalistik fokuseret på, hvordan Kunstig intelligens omformer professionelle rutiner og redaktionsstrukturer. Forskere som Diakopoulos har analyseret automatiseringen af ​​nyheder og omskrivningen af ​​mediebranchen gennem algoritmer, der udvælger, prioriterer og skriver indhold.

Andre akademiske værker, såsom dem af Calvo-Rubio og Ufarte-Ruiz, Gómez-Diago, Manfredi, Túñez, Tejedor eller Flores Vivar, har udforsket opfattelsen af ​​lærere, studerende, innovatorer og journalister om brugen af ​​kunstig intelligens i journalistik, robotters rolle i kampen mod desinformation og de etiske og professionelle udfordringer, der opstår.

I denne sammenhæng optræder crowdsourcing på to niveauer. På den ene side, som form for borgerdeltagelse I indholdsproduktion: borgerjournalistik, samarbejdsverifikation, indsamling af vidnesbyrd eller data fra felten osv. På den anden side som et værktøj til at træne og forbedre journalistiske AI-værktøjer: nyhedstagging, vurdering af overskriftskvalitet, klassificering af desinformation eller analyse af dækningsbias.

Et illustrativt eksempel er det akademiske projekt beskrevet af Wilmar Daniel Gómez Monsalve, hvor studerende i social kommunikation arbejdede sammen med AI-værktøjer som f.eks. ChatGPT, DALL·E, Moodle og Adobe InDesign at producere en e-bog om ressourcer til kunstig intelligens, der er nyttige for journalister. Øvelsen, organiseret som et klasseværelsesprojekt, gennemgik præproduktions-, produktions- og postproduktionsfaser og repræsenterede en eksplicit form for akademisk crowdsourcing knyttet til AI, hvor "publikummet" var de studerende selv.

Parallelt hermed beskriver studier som dem, der er offentliggjort i fagtidsskrifter (Icono 14, Revista Latina de Comunicación Social, Doxa osv.), teknologisk konvergens i medierne og den gradvise indarbejdelse af AI i opgaver som dokumentation, automatiseret skrivning, dataanalyse eller indholdspersonalisering, mens etikken i automatiseret journalistik og dens ontologiske begrænsninger debatteres.

Idé-, data- og finansieringscrowdsourcing i AI-projekter

Når vi dykker ned i detaljerne, kan vi skelne mellem forskellige typer af crowdsourcing, der er særligt relevante for kunstig intelligens. ideologisk crowdsourcing Det fokuserer på at generere forslag, koncepter og kreative løsninger; det er det typiske format for idékonkurrencer, åbne innovationsudfordringer eller platforme, hvor forslag til nye produkter eller funktionaliteter indsamles.

El data crowdsourcing Dette er nok den mest afgørende faktor for AI: det involverer tusindvis af mennesker, der samarbejder om at indsamle, mærke eller analysere information, som derefter bruges til at træne og evaluere modeller. Citizen science-projekter som Zooniverse eller spil som Foldit illustrerer, hvordan folkemængder kan bidrage til komplekse videnskabelige opgaver (klassificering af galakser, hjælp til at forstå proteinfoldning), hvis output er uvurderlige data til analytiske algoritmer.

El crowdsourcing til finansiering Crowdfunding giver et fællesskab mulighed for økonomisk at støtte udviklingen af ​​produkter og tjenester, herunder dem, der er baseret på AI. Gennem platforme som Kickstarter, Indiegogo og Crowdcube har mange softwareprojekter, smart hardware og analyseløsninger fået den oprindelige fremdrift, de ikke ville få med traditionelle metoder.

Ud over disse kategorier er der mekanismer som f.eks. mikroopgaver (mikroarbejde)hvor opgaver er opdelt i små blokke (mærkning af et billede, gennemgang af en transskription, validering af et resultat), der kan udføres distribueret; co-creation, hvor brugere og virksomheden i fællesskab udvikler specifikke funktionaliteter; eller "visdommen fra mængden"-systemer, der samler forudsigelser eller meninger fra mange mennesker for at træffe mere informerede beslutninger.

Alle disse formater udgør, når de kombineres effektivt, en stærk værktøjskasse til at udvikle, teste og forbedre AI-løsninger, forudsat at de forvaltes ansvarligt og med en langsigtet vision for forholdet til lokalsamfundet.

Salesforce og crowdsourcing af AI-køreplanen

En nylig case, der illustrerer, hvor B2B-markedet er på vej hen, er den, der Salesforce, som har besluttet at crowdsource sin roadmap for kunstig intelligens direkte med deres virksomhedskunder. Logikken er enkel: Hvis en stor kunde har et tilbagevendende problem, er det rimeligt at antage, at andre lignende virksomheder står over for det samme problem.

I stedet for udelukkende at definere produktudvikling indefra, prioriterer Salesforce AI-funktioner – især omkring sine autonome agenter, såsom Agentforce – baseret på mønstre identificeret i feedbacken fra flere virksomhedskunder. Når flere organisationer rapporterer det samme operationelle smertepunkt, rykker den use case op i køreplanen.

I praksis betyder det, at AI-køreplanen for de kommende år er i overensstemmelse med overgangen fra blot assisterende AI til agenter, der er i stand til at udføre komplette end-to-end-processer under stærke sikkerhedsmekanismer, og som respekterer kognitiv autonomiVi taler om serviceagenter, der løser sager næsten udelukkende på egen hånd, salgsagenter, der opdaterer CRM-systemet og opretter opgaver, eller marketingagenter, der orkestrerer personlige kunderejser i realtid.

Bevægelsen understøttes af data, der viser en meget stærk vækst i AI-adoption i virksomhedsmiljøer Disse undersøgelser peger på produktivitetsgevinster på omkring 30 %, med en reduktion af løsningstider for tjenester med cirka 40 %. Den statistiske begrundelse er, at interne forretningsproblemer har en tendens til at opstå igen inden for den samme sektor eller det samme segment. Derfor er det en effektiv måde at sikre, at udviklingsressourcerne fokuserer på det, der virkelig betyder noget, at lytte til en bred kundebase.

Konkurrenter som HubSpot har længe brugt kunderådgivningspaneler og kundefora til at validere produktretning, men Salesforces spring fremad ligger i skala og det eksplicitte fokus på AI-agenterParallelt spredes ideen om "Agentic Enterprises": organisationer, der integrerer mennesker, intelligente agenter, applikationer og data i en samlet platform, hvilket er helt i tråd med Salesforces vision for, hvordan virksomhedssoftware vil udvikle sig.

Lektioner for startups og spansktalende markeder

Det interessante ved denne tilgang er, at den ikke er begrænset til store virksomheder. For en B2B- eller SaaS-startup er det vigtigt at strukturere et system af kundefeedback næsten fra dag ét Det kan gøre forskellen mellem at bygge noget, markedet ønsker, og at spilde måneder på irrelevante funktioner.

Et konkret første skridt er systematisk at dokumentere al feedback: tilbagevendende problemer, funktionsanmodninger og løsninger, som kunderne improviserer for at kompensere for produktmangler. Et simpelt regneark eller værktøjer som Canny eller Productboard er alt, hvad du behøver for at komme i gang. at kodificere den spredte viden og opdage mønstre.

Nøglen er at prioritere, hvad der er fælles for forskellige kunder, ikke kun hvad den bedst betalende eller mest vedholdende kunde anmoder om. Hvis flere uafhængige kunder nævner den samme operationelle flaskehals, er det et stærkt tegn på muligheder. Derfra kan du endda åbn en offentlig køreplanLad brugerne stemme om prioriteter og kommuniker transparent, hvad der bygges.

Inden for AI bør tilgangen være endnu mere stringent: Før der tildeles ingeniørarbejde til en ny use case, er det tilrådeligt at validere med flere kunder, at problemet virkelig er kritisk, og at de ville være villige til at implementere løsningen, så snart den bliver tilgængelig. Crowdsourcing, korrekt forstået, betyder ikke at bygge alt, hvad der anmodes om, men snarere at bruge crowdsourcing til at validere, hvad der er værd at udvikle.

I Latinamerika og Spanien har mange startups en klar konkurrencefordel: tætte kunderelationer i de tidlige år, hvor grundlæggerteamet ofte er direkte involveret i salg og support. Risikoen opstår ved skalering, hvis denne læring ikke systematiseres, og forbindelsen til brugerbasen går tabt. Import af crowdsourcing-praksisser fra roadmapen, såsom dem, der er blevet implementeret af Salesforce, kan hjælpe. at opretholde den harmoni selv med hundredvis af klienter.

Generel crowdsourcing: klassiske eksempler ud over AI

Selvom vi fokuserer stærkt på AI her, er det værd at huske på et par ting. symbolske eksempler på crowdsourcing som har formet den digitale kultur. Wikipedia er for eksempel nok det mest kendte eksempel: et globalt leksikon, der er bygget, gennemgået og opdateret takket være tusindvis af frivillige, med et fællesskabskontrolsystem, der har vist sig at være overraskende effektivt.

Værktøjer som reCAPTCHA De har vist, at selv tilsyneladende trivielle opgaver, såsom at skrive forvrængede bogstaver for at bevise, at man er et menneske, kan blive nyttigt arbejde til digitalisering af gamle bøger eller forbedring af tekstgenkendelsessystemer. Waze bruger på sin side brugernes placerings- og hastighedsdata til at generere trafikinformation i realtid.

Platforme som Duolingo De har udforsket modeller, hvor brugerøvelser bidrager til træning af oversættelsesalgoritmer; og borgervidenskabelige projekter som Zooniverse eller Foldit har sat tusindvis af frivillige i arbejde med at klassificere galakser eller søge efter nye proteinkonfigurationer med medicinske anvendelser.

Inden for mikrojobs, Amazon Mechanical Turk Det er blevet en de facto standard for gentagne opgaver, der kræver menneskelig dømmekraft, såsom billedtagging, indholdsgennemgang og lydtranskription. Og som allerede nævnt er der initiativer i gang inden for uddannelsesområdet, hvor lærere, studerende og forskere sammen undersøger, hvordan man kan bruge crowdsourcing til at integrere kunstig intelligens i undervisningen i journalistik, kommunikation og andre discipliner.

Alle disse eksempler viser, at crowdsourcing, selvom det tager forskellige former, er baseret på det samme princip: Når distribueret samarbejde er veldesignet, kan det producere viden, data og løsninger som intet lille hold kunne matche alene.

Samlet set giver konvergensen af ​​crowdsourcing og kunstig intelligens anledning til nye måder at arbejde, forske og innovere på, hvor crowdsourcing ikke kun genererer data til at træne modeller, men også påvirker, hvad der bygges, hvordan det evalueres, og de etiske kriterier, der anvendes til dets implementering. I takt med at privatlivsbeskyttelsen styrkes, metoder til at undgå bias forfines, og erfaringer med co-creation vokser inden for områder som journalistik, erhvervsliv og sikkerhed, peger alt på, at denne kombination bliver en central del af den digitale økonomi og medie- og kommunikationsøkosystemet i de kommende år.