Crowdsourcing og kunstig intelligens: data, media og bedrifter

Kombinasjonen av crowdsourcing og kunstig intelligens Det 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, redusere skjevheter og akselerere innovasjon.

Samtidig øker dette massive samarbeidet etiske utfordringermetodologisk og organisatoriskHvordan kan vi sikre kvaliteten på dataene som leveres av crowdsourcing-gruppen? Hva med personvernet og arbeidstakerrettighetene til de som deltar? Hvordan kan vi integrere crowdsourcing i redaksjoner, innovasjonsavdelinger eller politimyndigheter? Vi vil utforske 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 I denne modellen delegerer en organisasjon (bedrift, mediehus, offentlig institusjon, universitet, NGO osv.) oppgaver, prosjekter eller problemer til en mengde mennesker som primært deltar 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 mangfoldet av 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 algoritmer for kunstig intelligens.

I denne modellen kan bidragene være frivillig eller betaltOg 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 sammenhenger. Grupper av data 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 – fokuserer crowdsourcing på en åpen, distribuert og skalerbar deltakelseDenne åpenheten gir tilgang til profiler som en organisasjon aldri kunne rekruttert på en tradisjonell måte, men den innebærer også mindre direkte kontroll, et større behov for prosessdesign og konstant oppmerksomhet på etiske aspekter.

Crowdsourcing i AI: data, skjevheter og ansvar

I utviklingen av robuste og etiske AI-modeller er et kritisk poeng å ha omfattende, varierte og høykvalitets treningsdataSom initiativer og selskaper som spesialiserer seg på data for AI påpeker, vil systemer bare være så gode som datasettene de er trent på. Hvis informasjonen er ufullstendig, homogen eller dårlig merket, kan modellen inneholde skjevheter og gi urettferdige eller feilaktige resultater.

Plattformer dedikert til datagenerering, som Lionbridges Aurora AI Studio-verktøy, demonstrerer hvordan crowdsourcing muliggjør datainnsamling. globale team av samarbeidspartnere De bringer med seg erfaringer fra ulike kulturer, språk og demografiske profiler. Denne variasjonen legger til rette for å lage datasett som er mer representative for den virkelige befolkningen, et essensielt krav for å designe AI som fungerer godt for svært forskjellige grupper.

I tillegg til mangfold, insisterer disse initiativene på at data for AI så langt det er mulig bør generert av mennesker og ikke av andre AI-erOverdreven avhengighet av syntetisk innhold kan føre til vanskelige å oppdage skjevheter, gjentatte feil 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 i oppgaver med mikroarbeid for AIBildemerking, 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 medfører imidlertid intense debatter om rettferdighet, arbeidsforhold og åpenhetAnsvarlig AI krever ikke bare gode data, men også tydelige samtykkeprosesser. personvern De som bidrar bør få rettferdig kompensasjon når det er betalt arbeid. Her staker Europa ut sin egen kurs, og kobler sammen crowdsourcing, kunstig intelligens og grunnleggende rettigheter.

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

I europeisk sammenheng blir forholdet mellom crowdsourcing, kunstig intelligens og offentlig sikkerhet adressert gjennom prosjekter som POP AI (en positiv sum-tilnærming til AI i rettshåndhevelse)Dette initiativet har som mål å styrke tilliten til bruk av kunstig intelligens innen sikkerhetsfeltet, samtidig som det garanterer beskyttelse av personvern og grunnleggende rettigheter.

POP AI har som mål å skape en bærekraftig og inkluderende økosystem som legger grunnlaget for et europeisk senter for anvendt kunstig intelligens sikkerhetsstyrker og organerI dette økosystemet spiller samarbeid med borgere, eksperter og sivilsamfunnsorganisasjoner en nøkkelrolle, veldig 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 i sikkerhet ikke bare kan være et teknisk spørsmål om algoritmer og databaser, men må bygges på en tillitsforhold til samfunnetDette 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 visjonen 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 tjener til å levere data, men også til å Involvering av innbyggere i design, evaluering og kontroll av AI som påvirker deres sikkerhet og frihet.

Crowdsourcing i bedrifter: innovasjon, AI og nye produkter

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

Mange organisasjoner har innsett at det gir mer mening å planlegge i flere måneder, i stedet for å låse seg inne å åpne opp spesifikke problemer for et fellesskap fra eksperter, kunder, avanserte brukere eller rett og slett folk motivert av en utfordring. Denne logikken har blitt konsolidert i flere formater: innovasjonskonkurranser, hackathons, utfordringer på datavitenskapsplattformer, produktsamskapingsprogrammer, osv.

Blant de viktigste fordelene for bedrifter skiller følgende seg ut: mangfold av ideerVed 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 du bare betaler for de utvalgte ideene eller prototypene, og det går raskere å finne alternativer, fordi mange hoder jobber parallelt.

Crowdsourcing styrker også kundeforholdÅ invitere lokalsamfunnet til å delta i design og forbedring av produkter fremmer engasjement, lojalitet og en større følelse av tilhørighet. I et så konkurransepreget miljø kan denne tilknytningen være en kritisk fordel.

Innenfor feltet AI bruker selskaper crowdsourcing både for å samle inn data og merke dem som for eksempel testing av prototyper, validering av brukstilfeller i den virkelige verden eller avdekking av 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 Den fokuserer på å lansere oppgaver, utfordringer eller prosjekter til et bredt, generelt åpent fellesskap som kan delta frivillig eller med insentiver.

La åpen innovasjon Det er en bredere paraply som inkluderer samarbeid med oppstartsbedrifter, universiteter, forskningssentre, teknologipartnere og selvfølgelig nettsamfunn. Det er ikke alltid en anonym folkemengde her: ofte involverer det strategiske avtaler eller velstrukturerte konsortier som deler immaterielle rettigheter, data eller teknologier.

La samskaping Det 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 masseansamling til fellesskapet (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 enormt og svært variert, men noen spiller en spesielt interessant rolle i skjæringspunktet mellom kunstig intelligens og innovasjonFor eksempel har Kaggle etablert seg som et globalt fellesskap av dataforskere som konkurrerer i utfordringer innen 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 administrere innovasjonsprosesser i bedrifter og organisasjoner. Det lar brukere lansere utfordringer, samle ideer fra ansatte, kunder og partnere, stemme over forslag og prioritere dem. Store selskaper som Unilever har brukt det til å kanalisere kollektiv intelligens i utformingen av nye forbrukerprodukter.

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

Det finnes også mikroarbeids- og testplattformer, som for eksempel Amazon Mechanical Turk, Clickworker eller TestbirdsDisse er spesielt nyttige for datamerking, brukervennlighetstesting eller 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 frilansarbeid (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 Fordel arbeid eller beslutninger på tvers av en tilkoblet gruppe.

Suksesshistorier: fra LEGO og Netflix til media

Det finnes selskaper som har blitt klassiske eksempler på crowdsourcing brukt til innovasjon. Lego ideer Det lar fansen foreslå nye scenografier. Hvis et forslag får nok støtte, produserer selskapet det, og skaperen mottar en prosentandel av salget. Det er et skoleeksempel på samskaping med fellesskapet, med direkte innvirkning på både produktet og virksomheten.

Netflix ble berømt i datavitenskapens verden med sin Konkurransen på 1 million dollar for å forbedre anbefalingsalgoritmen. Tusenvis av team fra hele verden deltok i årevis, og demonstrerte crowdsourcings evne til å tiltrekke seg topptalenter og oppnå betydelige fremskritt innen prediktive modeller.

Selskaper som Unilever har vendt seg til idéplattformer for å samle inn forslag fra ansatte og forbrukereintegrering av intern og ekstern tilbakemelding 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 til siste mil drevet av AI.

I mediesektoren har crowdsourcing tatt mange forskjellige former. CNN fremmet initiativer som iRapport, som tillot enhver borger å laste opp informativt innhold; 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 AI, har det blitt utviklet akademiske og profesjonelle prosjekter som utforsker hvordan kunstig intelligens og kollektiv intelligens kombineres for å Forbedre dokumentasjon, skriving og verifiseringEksempler som BeSoccer-plattformen, analysert av Segarra-Saavedra, Cristòfol og Martínez-Sala, viser hvordan AI 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 litteraturen om journalistikk fokusert på hvordan Kunstig intelligens omformer profesjonelle rutiner og strukturer i nyhetsredaksjoner. Forskere som Diakopoulos har analysert automatiseringen av nyheter og omskrivingen av mediebransjen gjennom algoritmer som velger, prioriterer og skriver innhold.

Andre akademiske verk, som de av Calvo-Rubio og Ufarte-Ruiz, Gómez-Diago, Manfredi, Túñez, Tejedor eller Flores Vivar, har utforsket oppfatning av lærere, elever, innovatører og journalister om bruk av AI i journalistikk, robotenes rolle i kampen mot desinformasjon, og de etiske og profesjonelle utfordringene som oppstår.

I denne sammenhengen opptrer crowdsourcing på to nivåer. På den ene siden, som form for borgermedvirkning I innholdsproduksjon: borgerjournalistikk, samarbeidende verifisering, innsamling av vitnesbyrd eller data fra felten, osv. På den annen side, som et verktøy for å trene og forbedre 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 sammen med AI-verktøy som ChatGPT, DALL·E, Moodle og Adobe InDesign å produsere en e-bok om ressurser innen kunstig intelligens 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» var studentene selv.

Parallelt beskriver studier som de som er publisert i fagtidsskrifter (Icono 14, Revista Latina de Comunicación Social, Doxa, osv.) teknologisk konvergens i media og den gradvise innlemmelsen av AI i oppgaver som dokumentasjon, automatisert skriving, dataanalyse eller innholdspersonalisering, mens 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. idébasert crowdsourcing Det fokuserer på å generere forslag, konsepter og kreative løsninger; det er det typiske formatet for idékonkurranser, åpne innovasjonsutfordringer eller plattformer der forslag til nye produkter eller funksjoner samles inn.

El data crowdsourcing Dette 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.

El crowdsourcing for finansiering 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 programvareprosjekter, smart maskinvare og analyseløsninger fått den første momentumet de ikke ville fått gjennom tradisjonelle metoder.

Utover disse kategoriene finnes det mekanismer som mikrooppgaver (mikroarbeid)der oppgaver er delt 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 bedriften 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

En nylig sak som illustrerer hvor B2B-markedet er på vei, er den Salesforce, som har bestemt seg for å bruke crowdsource-verktøyene for sin kunstige intelligens-veikart 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 tilbakemeldingene 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 kun assisterende AI til agenter som er i stand til å utføre komplette ende-til-ende-prosesser under sterke sikkerhetsmekanismer og som respekterer kognitiv autonomiVi 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 svært sterk vekst i AI-adopsjon i bedriftsmiljøer Disse studiene peker på produktivitetsøkninger på rundt 30 %, med reduserte løsningstider for tjenester med omtrent 40 %. Den statistiske begrunnelsen er at interne forretningsproblemer har en tendens til å oppstå igjen 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 kundeforum for å validere produktretning, men Salesforces sprang fremover ligger i skala og det eksplisitte fokuset på AI-agenterParallelt sprer ideen om «Agentic Enterprises» seg: organisasjoner som integrerer mennesker, intelligente agenter, applikasjoner og data i en enhetlig plattform, veldig i tråd med Salesforces visjon om hvordan bedriftsprogramvare vil utvikle seg.

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 er det viktig å strukturere et system av kundetilbakemeldinger nesten fra dag én Det kan 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 komme i gang. å kodifisere den spredte kunnskapen og oppdage 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 driftsmessige flaskehalsen, er det et sterkt tegn på muligheter. Derfra kan du til og med åpne en offentlig veikartLa brukerne stemme over prioriteringer og kommuniser transparent hva som bygges.

Innen kunstig intelligens bør tilnærmingen være enda strengere: før man tildeler ingeniørarbeid til et nytt brukstilfelle, anbefales det å bekrefte 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 crowdsourcing til å validerer det 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 hjelpe. å opprettholde den harmonien selv med hundrevis av klienter.

Generell crowdsourcing: klassiske eksempler utover AI

Selv om vi fokuserer sterkt på AI her, er det verdt å huske på et par ting. 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 å være overraskende effektivt.

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

Plattformer som Duolingo De 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 mikrojobber, Amazon Mekanisk Turk Det har blitt en de facto standard for repeterende oppgaver som krever menneskelig dømmekraft, som bildemerking, innholdsgjennomgang og lydtranskripsjon. Og som allerede 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 det er godt utformet, kan distribuert samarbeid produsere kunnskap, data og løsninger som ingen smålag kunne 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.