Crowdsourcing og kunstig intelligens: data, media og bedrifter

Kombinasjonen av crowdsourcing og kunstig intelligens endrer fundamentalt hvordan vi forsker, innoverer, kommuniserer og designer produkter. I en kontekst der kunstig intelligens har blitt dypt integrert i journalistikk, kommunikasjon, næringsliv og til og med offentlig sikkerhet, har det å utnytte den kollektive intelligensen til tusenvis av tilkoblede individer blitt en nøkkelfaktor i opplæringsmodeller, reduksjon av skjevheter og akselerering av innovasjon.

Samtidig reiser dette massive samarbeidet etiske , metodologiske og organisatoriske utfordringer : Hvordan sikrer vi kvaliteten på dataene som crowdsourcing bidrar med? Hva med personvernet og arbeidstakerrettighetene til de som deltar? Hvordan integrerer vi crowdsourcing i redaksjoner, innovasjonsavdelinger eller politimyndigheter? Vi vil utforske hele dette landskapet rolig og i detalj, ved å trekke på akademisk forskning, casestudier fra den virkelige verden og markedstrender.

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

Crowdsourcing er en samarbeidsmodell der en organisasjon (bedrift, mediehus, offentlig institusjon, universitet, frivillig organisasjon osv.) delegerer oppgaver, prosjekter eller problemer til en rekke mennesker som deltar primært via internett. Begrepet ble popularisert av Jeff Howe i 2006, ved å kombinere ordene «crowd» og «outsourcing» for å beskrive hvordan bedrifter begynte å åpne prosessene sine for eksterne samarbeidspartnere.

Essensen av crowdsourcing er å utnytte kollektiv intelligens og ulike ferdigheter for å oppnå mer kreative, raskere og ofte billigere løsninger enn med et lukket internt team. Det brukes innen teknologi, vitenskap, design, markedsundersøkelser, programvareutvikling, journalistikk, bedriftskommunikasjon og, spesielt relevant det siste tiåret, i trening av kunstig intelligens-algoritmer.

I denne modellen kan bidrag være frivillige eller betalte , og motivasjonen spenner fra økonomiske insentiver til prestisje, nysgjerrighet, læring eller tidlig tilgang til produkter. Det er ikke et marginalt fenomen: det har gitt opphav til giganter innen samarbeidende nett, vitenskapelige referanseprosjekter og globale plattformer for distribuert arbeid.

Det som gjør crowdsourcing og AI til en så god match er at maskinlæringsmodeller er avhengige av store mengder merkede data og kontinuerlig testing i ulike kontekster. Crowdsourcing er ideelle for å generere, gjennomgå og berike disse dataene, forutsatt at kvaliteten er godt håndtert og potensielle skjevheter kontrolleres.

I motsetning til tradisjonell outsourcing – å ansette et spesifikt selskap til å utføre en oppgave – fremmer crowdsourcing åpen, distribuert og skalerbar deltakelse . Denne åpenheten gir tilgang til profiler som en organisasjon aldri ville kunne rekruttert gjennom tradisjonelle metoder, men det innebærer også mindre direkte kontroll, et større behov for prosessdesign og konstant oppmerksomhet på etiske hensyn.

Crowdsourcing i AI: data, skjevheter og ansvar

I utviklingen av robuste og etiske AI-modeller er en kritisk faktor å ha rikelig med, mangfoldig og høykvalitets treningsdata . Som initiativer og selskaper som spesialiserer seg på AI-data minner oss på, vil systemer bare være så gode som datasettene de er trent på. Hvis informasjonen er ufullstendig, homogen eller feilmerket, kan modellen inneholde skjevheter og gi urettferdige eller feilaktige resultater.

Plattformer dedikert til datagenerering, som Lionbridges Aurora AI Studio-verktøy, demonstrerer hvordan crowdsourcing muliggjør sammensetning av globale team av bidragsytere som bringer ekspertise fra ulike kulturer, språk og demografiske grupper. Dette mangfoldet forenkler opprettelsen av datasett som er mer representative for den virkelige befolkningen, et viktig krav for å designe AI som fungerer godt for svært forskjellige grupper.

I tillegg til mangfold, understreker disse initiativene at AI-data bør genereres av mennesker, ikke andre AI-er , når det er mulig . Overdreven avhengighet av syntetisk innhold kan introdusere vanskelig oppdagede skjevheter, kaskadefeil og tap av grunnleggende nyanser i menneskelig atferd. Menneskelige bidrag, med sine variasjoner, kontekster og tvetydigheter, muliggjør trening av mer robuste modeller som er i stand til å forstå kompleksiteten i den virkelige verden.

Crowdsourcing er også nøkkelen til mikrooppgaver i AI : bildemerking, tekstklassifisering, feilretting, resultatvalidering, generering av positive og negative eksempler, osv. Plattformer som Amazon Mechanical Turk eller Clickworker har vist at det å dele prosjekter inn i mikrooppgaver og distribuere dem blant tusenvis av samarbeidspartnere er en effektiv måte å produsere store mengder kommenterte data på.

All denne utviklingen har imidlertid utløst intense debatter om rettferdighet, arbeidsforhold og åpenhet . Ansvarlig KI krever ikke bare gode data, men også tydelige samtykkeprosesser, beskyttelse av bidragsyternes personvern og rettferdig kompensasjon når betalt arbeid er involvert. Her baner Europa sin egen vei, og kobler sammen crowdsourcing, KI og grunnleggende rettigheter.

En europeisk tilnærming: tillit, rettigheter og sikkerhet (POP AI)

I europeisk sammenheng blir forholdet mellom crowdsourcing, AI og offentlig sikkerhet adressert gjennom prosjekter som POP AI (A Positive-Sum approach to AI in law enforcement) . Dette initiativet har som mål å styrke tilliten til bruk av kunstig intelligens-verktøy innen sikkerhetsfeltet, samtidig som det garanterer beskyttelse av personvern og grunnleggende rettigheter.

POP AI har som mål å skape et bærekraftig og inkluderende økosystem som legger grunnlaget for et europeisk AI-knutepunkt for politimyndigheter . Innenfor dette økosystemet spiller samarbeid med borgere, eksperter og sivilsamfunnsorganisasjoner en nøkkelrolle, i tråd med logikken bak crowdsourcing, selv om fokuset her er mer på styring, åpenhet og sosial legitimitet enn på massive mikrooppgaver.

Den underliggende ideen er at AI innen sikkerhet ikke bare kan være et teknisk spørsmål om algoritmer og databaser, men må bygges på et fundament av tillit til samfunnet . Dette innebærer å forklare hvilke data som brukes, hvordan modellene trenes, hvem som fører tilsyn med beslutningene deres, og hvilke mekanismer som finnes for å korrigere feil eller misbruk.

Den positive sum-tilnærmingen som POP AI forfekter, søker å unngå det falske dilemmaet mellom politiets effektivitet og individuelle rettigheter. Prosjekter som dette staker ut en kurs der crowdsourcing ikke bare gir data, men også involverer innbyggerne i utforming, evaluering og overvåking av AI som påvirker deres sikkerhet og friheter.

Crowdsourcing i bedrifter: innovasjon, AI og nye produkter

Innovasjon er ikke lenger utelukkende for FoU-avdelingene til noen få multinasjonale selskaper. Takket være crowdsourcing kan ethvert selskap – fra oppstartsbedrifter til store selskaper – utnytte kollektiv intelligens til å generere ideer, løse tekniske utfordringer og lansere AI-drevne produkter eller tjenester.

Mange organisasjoner har innsett at det, i stedet for å låse seg inne for å planlegge i flere måneder, er mer fornuftig å åpne opp spesifikke problemer for et fellesskap av eksperter, kunder, avanserte brukere eller rett og slett folk som er motivert av en utfordring. Denne tilnærmingen har tatt form i flere formater: innovasjonskonkurranser, hackathons, utfordringer på datavitenskapsplattformer, produktsamskapingsprogrammer og så videre.

Blant de viktigste fordelene for bedrifter er mangfoldet av ideer : ved å la folk med svært ulik bakgrunn delta, dukker det opp løsninger som neppe ville dukket opp i et homogent internt team. Det er også vanligvis kostnadsbesparelser, siden betaling kun gjøres for de utvalgte ideene eller prototypene, og det går raskere å finne alternativer, fordi mange hoder jobber parallelt.

Crowdsourcing styrker også kunderelasjoner . Å invitere lokalsamfunnet til å delta i produktdesign og -forbedring fremmer engasjement, lojalitet og en større følelse av tilhørighet. I et så konkurransepreget miljø kan denne forbindelsen være en kritisk fordel.

Innen det spesifikke feltet AI bruker selskaper crowdsourcing både for å samle inn og merke data og for å teste prototyper, validere brukstilfeller fra den virkelige verden eller oppdage flaskehalser i prosesser som deretter automatiseres med algoritmer.

Crowdsourcing, åpen innovasjon og samskaping: hva de har til felles og hva de ikke har

I praksis brukes begrepene crowdsourcing, åpen innovasjon og samskaping noen ganger om hverandre, men det finnes viktige nyanser. Crowdsourcing fokuserer på å lansere oppgaver, utfordringer eller prosjekter til et bredt, generelt åpent fellesskap som kan delta frivillig eller med insentiver.

Åpen innovasjon er et bredere paraplybegrep som inkluderer samarbeid med oppstartsbedrifter, universiteter, forskningssentre, teknologipartnere og selvfølgelig nettsamfunn. Det er ikke alltid en anonym mengde involvert: ofte består det av strategiske avtaler eller velstrukturerte konsortier som deler immaterielle rettigheter, data eller teknologier.

Samskaping fokuserer på direkte og kontinuerlig samarbeid med kunder, brukere eller partnere for å designe produkter eller tjenester sammen. Det involverer vanligvis workshops, fokusgrupper, felles prototyping og intensive tilbakemeldingsløkker i stedet for store åpne utlysninger.

I praksis kan et innovasjonsprogram kombinere alle tre tilnærmingene: å åpne en massiv utlysning til lokalsamfunnet (crowdsourcing), velge de beste forslagene og deretter utvikle noen av dem sammen med viktige kunder (samskaping), alt innenfor en global åpen innovasjonsstrategi.

Innen AI er denne kombinasjonen spesielt kraftig: crowdsourcing bidrar til å generere ideer og data, samskaping gjør det mulig å tilpasse brukstilfeller til reelle behov, og åpen innovasjon forenkler tilgang til teknologier og spesialisert talent som et enkelt selskap ikke kunne konsentrert.

Crowdsourcing-plattformer relevante for AI og innovasjon

Økosystemet av crowdsourcing-plattformer er stort og mangfoldig, men noen spiller en spesielt interessant rolle i skjæringspunktet mellom kunstig intelligens og innovasjon . For eksempel har Kaggle etablert seg som et globalt fellesskap av dataforskere som konkurrerer i utfordringer som involverer modellering, datarensing og algoritmeutvikling; mange av disse konkurransene tjener til å forbedre prediktive modeller, datasyn eller naturlig språkbehandling.

IdeaScale er en mye brukt løsning for å håndtere innovasjonsprosesser i bedrifter og organisasjoner. Den lar brukere lansere utfordringer, samle ideer fra ansatte, kunder og partnere, stemme over forslag og prioritere dem. Store selskaper som Unilever har brukt den til å kanalisere kollektiv intelligens inn i design av nye forbrukerprodukter.

Innenfor crowdfunding har plattformer som Kickstarter og Indiegogo muliggjort finansiering av AI-baserte enheter, apper og tjenester, og dermed validert markedets etterspørsel. Andre, som Crowdcube og Crowdfunder, fokuserer mer på å investere i teknologiske oppstartsbedrifter.

Det finnes også mikrotasking- og testplattformer, som Amazon Mechanical Turk, Clickworker og Testbirds , som er spesielt nyttige for datamerking, brukervennlighetstesting og menneskelig evaluering av AI-resultater. Og i skjæringspunktet mellom innovasjon og tekniske utfordringer finner vi InnoCentive, HeroX og Topcoder, som tar for seg utfordringer innen vitenskapelige og teknologiske felt, mange av dem relatert til maskinlæring.

Ved siden av dem sameksisterer plattformer for frilans (Upwork), samarbeidende design (99designs, Crowdspring), markedsundersøkelser (Streetbees, Crowdtap) og dataanalyse fra offentlige kilder og sosiale nettverk (DataSift), som alle på en eller annen måte utnytter prinsippet om å fordele arbeid eller beslutninger i en tilkoblet mengde.

Suksesshistorier: fra LEGO og Netflix til media

Noen selskaper har blitt klassiske eksempler på crowdsourcing brukt til innovasjon. LEGO Ideas lar fans foreslå nye scenografier. Hvis et forslag får nok støtte, produserer selskapet det, og skaperen mottar en prosentandel av salget. Det er et lærebokeksempel på samskaping med fellesskapet, med direkte innvirkning på både produkt og virksomhet.

Netflix ble berømt innen datavitenskap med sin konkurranse på 1 million dollar for å forbedre anbefalingsalgoritmen sin. Tusenvis av team fra hele verden deltok i årevis og demonstrerte kraften i crowdsourcing for å tiltrekke seg topptalenter og oppnå betydelige fremskritt innen prediktive modeller.

Selskaper som Unilever har vendt seg til idéplattformer for å samle forslag fra ansatte og forbrukere , og integrerer interne og eksterne tilbakemeldinger i utformingen av nye produkter. I Latin-Amerika har selskaper som Mercado Libre og Rappi lansert hackathons og åpne utfordringer for å optimalisere logistikk, brukeropplevelse og leveringsløsninger i siste liten drevet av AI.

I mediesektoren har crowdsourcing tatt mange forskjellige former. CNN promoterte initiativer som iReport , som tillot enhver borger å laste opp nyhetsinnhold; prosjekter som «La Silla Vacía» i Colombia har involvert lokalsamfunn i samarbeidende dekning av sosiale ledere og konflikter på landsbygda.

Nylig, i skjæringspunktet mellom journalistikk og kunstig intelligens, har det blitt utviklet akademiske og profesjonelle prosjekter som utforsker hvordan kunstig intelligens og kollektiv intelligens kombineres for å forbedre dokumentasjon, skriving og verifisering . Eksempler som BeSoccer-plattformen, analysert av Segarra-Saavedra, Cristòfol og Martínez-Sala, viser hvordan kunstig intelligens bidrar til å automatisere sportsinnhold fra store datamengder, samtidig som menneskelig tilsyn opprettholdes.

Crowdsourcing, AI og journalistikk: nyhetsredaksjoner i transformasjon

I de senere årene har en betydelig del av journalistikklitteraturen fokusert på hvordan kunstig intelligens omformer profesjonelle rutiner og strukturer i redaksjoner. Forskere som Diakopoulos har analysert automatiseringen av nyheter og omskrivingen av mediebransjen gjennom algoritmer som velger, prioriterer og skriver innhold.

Andre akademiske arbeider, som for eksempel de av Calvo-Rubio og Ufarte-Ruiz, Gómez-Diago, Manfredi, Túñez, Tejedor eller Flores Vivar, har utforsket læreres, studenters, innovatørers og journalisters oppfatning av bruken av AI i journalistikk, robotenes rolle i kampen mot desinformasjon og de etiske og profesjonelle utfordringene som oppstår.

I denne sammenhengen fremstår crowdsourcing på to nivåer. På den ene siden som en form for borgermedvirkning i innholdsproduksjon: borgerjournalistikk, samarbeidende faktasjekking, innsamling av vitnesbyrd eller data fra felten, osv. På den andre siden som et verktøy for opplæring og forbedring av journalistiske AI-verktøy: nyhetsmerking, vurdering av overskriftskvalitet, klassifisering av desinformasjon eller analyse av dekningsskjevhet.

Et illustrerende eksempel er det akademiske prosjektet beskrevet av Wilmar Daniel Gómez Monsalve, der studenter i sosial kommunikasjon jobbet med AI-verktøy som ChatGPT, DALL·E, Moodle og Adobe InDesign for å produsere en e-bok om kunstig intelligens-ressurser som er nyttige for journalister. Øvelsen, organisert som et klasseromsprosjekt, gikk gjennom forproduksjons-, produksjons- og etterproduksjonsfaser, og representerte en eksplisitt form for akademisk crowdsourcing knyttet til AI, der «mengden» besto av studentene selv.

Parallelt beskriver studier som de som er samlet i fagtidsskrifter (Icono 14, Revista Latina de Comunicación Social, Doxa, etc.) den teknologiske konvergensen i media og den gradvise innlemmelsen av AI i oppgaver som dokumentasjon, automatisert skriving, dataanalyse eller personalisering av innhold, samtidig som etikken i automatisert journalistikk og dens ontologiske grenser debatteres.

Ideell, data- og finansieringsbasert crowdsourcing i AI-prosjekter

Når vi går dypere inn i detaljene, kan vi skille mellom ulike typer crowdsourcing som er spesielt relevante for kunstig intelligens. Ideasjonell crowdsourcing fokuserer på å generere forslag, konsepter og kreative løsninger; det er den typiske formen for idékonkurranser, åpne innovasjonsutfordringer eller plattformer der forslag til nye produkter eller funksjoner samles inn.

Crowdsourcing av data er sannsynligvis den viktigste faktoren for AI: det involverer tusenvis av mennesker som samarbeider for å samle inn, merke eller analysere informasjon som deretter brukes til å trene og evaluere modeller. Citizen science-prosjekter som Zooniverse eller spill som Foldit illustrerer hvordan folkemengder kan bidra til komplekse vitenskapelige oppgaver (klassifisering av galakser, hjelp til å forstå proteinfolding) hvis resultater er uvurderlige data for analytiske algoritmer.

Folkefinansiering lar et fellesskap økonomisk støtte utviklingen av produkter og tjenester, inkludert de som er basert på AI. Gjennom plattformer som Kickstarter, Indiegogo og Crowdcube har mange programvare-, smart maskinvare- og analyseprosjekter fått den første momentumet de ikke ville fått gjennom tradisjonelle metoder.

Utover disse kategoriene finnes det mekanismer som mikroarbeid , der oppgaver deles inn i små blokker (merking av et bilde, gjennomgang av en transkripsjon, validering av et resultat) som kan utføres på en distribuert måte; samskaping, der brukere og selskapet i fellesskap utvikler spesifikke funksjoner; eller "mengdens visdom"-systemer, som samler spådommer eller meninger fra mange mennesker for å ta mer informerte beslutninger.

Alle disse formatene, når de kombineres effektivt, utgjør en kraftig verktøykasse for å utvikle, teste og forbedre AI-løsninger, forutsatt at de forvaltes ansvarlig og med en langsiktig visjon for forholdet til samfunnet.

Salesforce og crowdsourcing av AI-veikartet

Et nylig eksempel som illustrerer retningen i B2B-markedet er Salesforce, som har besluttet å crowdsource sin kunstig intelligens-strategi direkte med sine bedriftskunder. Logikken er enkel: hvis en stor kunde har et tilbakevendende problem, er det rimelig å anta at andre lignende selskaper står overfor det samme problemet.

I stedet for å definere produktutvikling utelukkende innenfra, prioriterer Salesforce AI-funksjoner – spesielt rundt sine autonome agenter, som Agentforce – basert på mønstre identifisert i tilbakemeldinger fra flere bedriftskunder. Når flere organisasjoner rapporterer det samme operasjonelle smertepunktet, flyttes det brukstilfellet oppover i veikartet.

I praksis betyr dette at AI-veikartet for de kommende årene samsvarer med overgangen fra ren assisterende AI til agenter som er i stand til å utføre komplette ende-til-ende-prosesser under robuste sikkerhetsmekanismer og med respekt for kognitiv autonomi . Vi snakker om serviceagenter som løser saker nesten helt på egenhånd, salgsagenter som oppdaterer CRM-systemet og oppretter oppgaver, eller markedsføringsagenter som orkestrerer personlige kundereiser i sanntid.

Bevegelsen støttes av data som viser sterk vekst i bruk av kunstig intelligens i bedriftsmiljøer , noe som peker på produktivitetsøkninger på rundt 30 % og løsningstider for tjenester på omtrent 40 %. Den statistiske begrunnelsen er at interne forretningsproblemer har en tendens til å være gjentakende innenfor samme sektor eller segment. Derfor er det å lytte til en bred kundebase en effektiv måte å sikre at utviklingsressursene fokuserer på det som virkelig betyr noe.

Konkurrenter som HubSpot har lenge brukt kunderådgivende utvalg og kundefora for å validere produktretningen, men Salesforces sprang fremover ligger i skalaen og det eksplisitte fokuset på AI-agenter . Parallelt får konseptet «Agentic Enterprises» stadig større oppmerksomhet: organisasjoner som integrerer mennesker, intelligente agenter, applikasjoner og data i en enhetlig plattform, tett i tråd med Salesforces visjon for fremtidens bedriftsprogramvare.

Leksjoner for oppstartsbedrifter og spansktalende markeder

Det interessante med denne tilnærmingen er at den ikke er begrenset til store selskaper. For en B2B- eller SaaS-oppstartsbedrift kan det å strukturere et kundetilbakemeldingssystem nesten fra dag én utgjøre forskjellen mellom å bygge noe markedet ønsker og å kaste bort måneder på irrelevante funksjoner.

Et konkret første steg er å systematisk dokumentere all tilbakemelding: tilbakevendende problemer, funksjonsforespørsler og løsninger som kunder improviserer for å kompensere for produktmangler. Et enkelt regneark eller verktøy som Canny eller Productboard er alt du trenger for å begynne å kode denne spredte kunnskapen og identifisere mønstre.

Nøkkelen er å prioritere det som er felles for ulike kunder, ikke bare hva den best betalende eller mest vedvarende kunden ber om. Hvis flere uavhengige kunder nevner den samme driftsflaskehalsen, er det en sterk indikator på en mulighet. Derfra kan du til og med lage en offentlig veikart , la brukere stemme over prioriteringer og kommunisere transparent hva som bygges.

Innen AI bør tilnærmingen være enda strengere: før man tildeler ingeniørarbeid til et nytt brukstilfelle, anbefales det å validere med flere kunder at problemet virkelig er kritisk, og at de er villige til å ta i bruk løsningen så snart den blir tilgjengelig. Crowdsourcing, riktig forstått, betyr ikke å bygge alt som blir etterspurt, men snarere å bruke publikum til å validere hva som er verdt å utvikle.

I Latin-Amerika og Spania har mange oppstartsbedrifter et klart konkurransefortrinn: nære kunderelasjoner i de tidlige årene, når gründerteamet ofte er direkte involvert i salg og support. Risikoen oppstår ved skalering, hvis denne læringen ikke systematiseres og forbindelsen med brukerbasen går tapt. Å importere crowdsourcing-praksiser fra veikartet, slik som de som er tatt i bruk av Salesforce, kan bidra til å opprettholde denne forbindelsen selv med hundrevis av kunder.

Generell crowdsourcing: klassiske eksempler utover AI

Selv om vi fokuserer sterkt på AI her, er det verdt å huske noen symbolske eksempler på crowdsourcing som har formet digital kultur. Wikipedia, for eksempel, er sannsynligvis det mest kjente eksemplet: et globalt leksikon som er bygget, gjennomgått og oppdatert takket være tusenvis av frivillige, med et fellesskapskontrollsystem som har vist seg overraskende effektivt.

Verktøy som reCAPTCHA har vist at selv tilsynelatende trivielle oppgaver, som å skrive forvrengte bokstaver for å bevise at du er et menneske, kan være nyttige for å digitalisere gamle bøker eller forbedre tekstgjenkjenningssystemer. Waze bruker i mellomtiden brukernes posisjons- og hastighetsdata for å generere trafikkinformasjon i sanntid.

Plattformer som Duolingo har utforsket modeller der brukerøvelser bidrar til trening av oversettelsesalgoritmer; og borgerforskningsprosjekter som Zooniverse eller Foldit har satt tusenvis av frivillige i arbeid med å klassifisere galakser eller søke etter nye proteinkonfigurasjoner med medisinske anvendelser.

Innen mikrooppgaver har Amazon Mechanical Turk blitt en de facto standard for repeterende oppgaver som krever menneskelig vurdering, som bildemerking, innholdsgjennomgang og lydtranskripsjon. Og som tidligere nevnt, tar det av initiativer innen utdanningssfæren der lærere, studenter og forskere sammen utforsker hvordan man kan bruke crowdsourcing for å integrere AI i undervisningen i journalistikk, kommunikasjon og andre disipliner.

Alle disse eksemplene viser at crowdsourcing, selv om det tar forskjellige former, er basert på samme prinsipp: når distribuert samarbeid er godt utformet, kan det produsere kunnskap, data og løsninger som ingen små team kan matche alene.

Samlet sett gir konvergensen av crowdsourcing og kunstig intelligens opphav til nye måter å jobbe, forske og innovere på, der folkemengden ikke bare genererer data for å trene modeller, men også påvirker hva som bygges, hvordan det evalueres og de etiske kriteriene som brukes for utrulling. Etter hvert som personvernbeskyttelsen styrkes, metoder for å unngå skjevhet forbedres, og erfaringer med samskaping vokser innen felt som journalistikk, næringsliv og sikkerhet, peker alt mot at denne kombinasjonen blir en sentral del av den digitale økonomien og medie- og kommunikasjonsøkosystemet i de kommende årene.