I 2012 brydde vi oss om at vi brukte programvare. I dag bryr vi oss om hvordan vi bruker den. Forskjellen er utviklingen. I det siste tiåret har det vært prioritet å ta i bruk programvare. Å gå fra on-premise til skyen eller digitalisere en manuell arbeidsflyt lovet produktivitetsgevinster. Adopsjon var målstreken. I dag er programvare allestedsnærværende. Hver selger bruker et CRM, og hver ingeniør bruker en IDE. Fordelen kommer ikke lenger av å ha verktøyet, men av den spesifikke veien og måten verktøyet brukes på for å oppnå et resultat: en bane gjennom programvaren. En selger skaper et lead, beriker leadet, og legger til informasjon om prospektet på en bestemt måte. Det er én type utvikling. En spørsmål-og-svar-økt med KI er en annen vei: hvordan gjennomfører jeg et forskningsprosjekt med KI om post-kvante-kryptering? Hva er de ledende algoritmene? Hvilke selskaper implementerer dem? Hva er tidslinjen for kvantedatamaskiner for å bryte dagens kryptering? Hvem er ekspertene jeg bør snakke med? Å spore en bruker som jobber gjennom dagen som en flipperball som rikosjetterer rundt en maskin, er svært strategisk. For det første krever automatisering baner. For å automatisere arbeidet må du først forstå utviklingen av det arbeidet. Tidligere ansatte vi konsulenter for å kartlegge prosesser manuelt. Nå kan AI-agenter se, registrere og forstå disse banene i sanntid. AI lærer ved å observere. For det andre krever optimalisering gjentakelse. Utviklingsbaner gir datasettet for forbedring. Ved å analysere tusenvis av gjennomganger gjennom en arbeidsflyt identifiserer AI suksessmønstre, feil og ineffektiviteter. For det tredje blir baner den nye vollgraven. Jo høyere oppløsning dataene har, desto mer differensiert blir AI-produktet, noe som øker leverandørlåsingen. For det fjerde drar bedriftsledelsen nytte av å forstå ansattes utviklingsbaner. Vi tror vi jobber sammen på én måte, vanligvis med noen ambisiøse ideer. Det er noe annet å virkelig forstå arbeidsflytene i feltet. For det femte er baner grunnlaget for å optimalisere AI-modeller gjennom forsterkningslæring eller finjustering. Mindre spesialiserte modeller trent på høyverdibaner erstatter massive generalister. Lavere slutningskostnader og høyere nøyaktighet fører til økte marginer. Den strategiske naturen til trajektorier reiser spørsmålet om bedrifter vil forhandle rettighetene til sine trajektoriedata når de kjøper AI-programvare, både for å fange kritiske data og forhindre låsing. Hvordan disse maktdynamikkene utspiller seg vil avgjøre prisingsmakten for programvare generelt. Selskapene som mestrer disse banene vil definere fremtidens arbeidsliv.