Uitgelicht

Goed omgaan met GPT-3 vergt kennis van AI

U heeft ongetwijfeld de term GPT3 al zien voorbijkomen. Het lijkt alsof we nu eindelijk zijn gaan beseffen dat AI tot heel diep in het leven doordringt. Maar wat is GPT-3 en welke uitdagingen brengt het met zich mee? In deze blog wil ik stilstaan bij wat GPT-3 is en bij één van de educatieve uitdagingen die het model ons brengt.  

Wat is GPT-3?

GPT-3 is een taalverwerkingsmodel. De meeste mensen kennen vooral AI-modellen die op beeldverwerking gebaseerd zijn, zoals gezichtsherkenning. In beide gevallen gaat het op een machine learning model dat getraind wordt aan de hand van enorme hoeveelheden data. Het getrainde algoritme kan dan als output allerlei soorten tekst, van poëzie tot essays tot codetaal genereren. Dergelijke tekst vraagt een hoog niveau van taalontwikkeling. De teksten die worden gegenereerd zijn coherent en grammaticaal correct. Het is dan ook niet gemakkelijk om het onderscheid te maken tussen een tekst die door het model werd gegenereerd en een tekst die door een mens werd geschreven. 

Op zich kan de ontwikkeling dus best wel spectaculair genoemd worden, al is ze eigenlijk niet nieuw. Reeds geruime tijd zijn er heel wat toepassingen beschikbaar die ons ondersteunen in het omgaan met tekst. Een bekend voorbeeld is Deepl die er in slaagt om vertalingen van een goed tekstuele kwaliteit af te leveren. 

GPT3 bouwt dan ook voort op ontwikkelingen van de voorbije jaren, al dient gezegd dat de kwaliteit van de output sterk verbeterd is ten opzichte van vorige versies. Waar GPT2 getraind is op 1,5 miljard parameters, werd GTP3 getraind op 175 miljard parameters. Bovendien heeft OpenAI, het bedrijf dat het model heeft ontwikkeld, het beschikbaar gemaakt voor het ruimere publiek. Dat betekent dat iedereen die tekst wil genereren gebruik kan maken van het model. Dat kan gaan van scholieren, tot marketeers, tot ontwikkelaars van spam en malware, tot programmeurs in het algemeen. 

De uitdaging

De vernieuwde technologie brengt echter nieuwe uitdagingen met zich mee. Die situeren zich op heel wat domeinen. Enkele voorbeelden: als het model gebruikt wordt om spammail te genereren, dan krijgen spamfilters steeds meer moeite om spam uit de mailbox te filteren. Als veel content op sociale media vooral automatisch gegenereerd wordt en dan via algoritmes ook nog geliket, dan is er de mogelijkheid dat de aangeboden content van sociale media radicaal verandert. 

Het is onmogelijk om hier een overzicht te geven van alle mogelijke uitdagingen die de GPT3 met zich meebrengt. Ik wil mij dan ook beperken tot één van de educatieve uitdagingen die de algemene beschikbaarheid van het model met zich meebrengt. Studenten kunnen het model essays laten schrijven, poëzie laten genereren… Dat lijkt de ergste nachtmerrie te zijn voor een leerkracht of docent die zijn studenten kritisch wil leren nadenken en een taalkundig correcte tekst wil leren schrijven. Een andere aanpak dringt zich op. 

Kritische noot vanuit de manier waarop AI wordt ontwikkeld 

Wie notie heeft van hoe een AI-model wordt getraind en hoe output wordt gegenereerd, kan onmiddellijk enkele kritische bedenkingen maken.  

1)      We focussen ons even op de data waarmee het model wordt getraind. De data die gebruikt worden zijn voor de GPT-3 negentig procent Engelstalig. Dat betekent dat de output ook eerder beperkt zal zijn. Er wordt immers heel weinig van inhoud meegenomen uit andere taalgebieden.  

De output is ook op andere manieren onmiddellijk verbonden met de data waarop het model is getraind. De internetdata die worden gebruikt bevatten vele vormen van bias, om er maar enkele te noemen: politieke bias, discriminatie ten opzicht van bepaalde doelgroepen… Deze bias wordt gemakkelijk gereproduceerd in de output. In eenvoudigere taal geformuleerd: wat veel voorkomt wordt versterkt.  

Enkele voorbeelden: 

  • Het systeem kent geen mannelijke verpleegkundigen, omdat het aantal mannelijke verpleegkundigen procentueel veel kleiner is dan het aantal vrouwelijke verpleegkundigen. Dit voorbeeld doet denken aan de gekende Amazon-casus waarin de training van een algoritme op de bestaande HR-data leidde tot discriminatie van vrouwen bij aanwerving. 
  • Het systeem beperkt zich tot de content die reeds beschikbaar is op het ruimere net en vaak ook tot wat mainstream is. Nieuwe kennis is echter vaak net niet mainstream en valt dan ook vaak uit de boot in de output.  

2)      Het model ‘snapt’ ook niet echt de inhoud van wat het produceert. Een deep learning model zoals GPT-3 wordt gevoed met miljarden pagina’s tekst. Daar behoort bijvoorbeeld het geheel van alle pagina’s van Wikepedia bij, maar ook heel wat andere tekst die via het internet beschikbaar is. Eigen aan een deep learning model is dat er geen human oversight is, in de zin dat er niemand is die aangeeft of het model al dan niet klopt. Het model zoekt vooral verbanden. Je zou kunnen stellen dat de samenhang (coherence) dan ook sterk prevaleert op de nauwkeurigheid van de inhoud. Anders verwoord: GPT-3 is geen inhoudelijk expert. 

Dat merk je als je bijvoorbeeld het curriculum van personen wil genereren. Ik probeerde even met het genereren van mijn eigen CV. Een eerste resultaat gaf aan dat ik een publisher was van educatieve boeken. Het klopt dat er een grote uitgeverij is die Folens heet, maar het leek me moeilijk om die met mijn voornaam te linken. 

In een tweede poging voegde ik KULeuven en VIVES toe, in een poging om het systeem een bepaalde richting op te sturen. Daar kwam ik eruit als een doctor in de computerwetenschappen die aan de VUB en aan de KULeuven heeft gestudeerd.  Geen van beide outputs draagt ook maar iets van correctheid in zich. 

3)      Een laatste element is het element van creativiteit. Dat het model geen creativiteit kent, zoals in vele commentaren wordt beweerd, klopt volgens mij niet. Creativiteit bestaat er ook in om bestaande gegevens op een nieuwe manier samen te leggen. Dat is een vorm van creativiteit die mogelijk is. Wat het model echter niet doet is via kritische reflectie tot nieuwe inzichten komen. Dat is iets wat in die zin zeer belangrijk is om toe te voegen in het omgaan met de GPT-3. 

Een vernieuwde aanpak

De grootste uitdaging voor het onderwijs ligt dus in het kritisch omgaan met de gegenereerde teksten. Het heeft weinig zin om nieuwe technologieën als deze uit het onderwijs te bannen. Het is nu eenmaal eigen aan onze tijd dat er andere manieren om met informatie om te gaan ontstaan. Dat laatste is fundamenteel veranderd sinds de komst van het internet en de hoeveelheid content en informatie blijft maar groeien. De grote uitdaging is om de informatie op haar waarde te kunnen beoordelen.  

Zoals hierboven kort werd geïllustreerd kan een beperkte kennis van de manier waarop AI-modellen worden getraind een kritische manier van omgaan ermee bevorderen. Daar zit voor mij de grootste uitdaging.  

De criteria verschillen daarbij niet zo sterk van de onderzoeksvaardigheden die we in het onderwijs hebben ingebed: (1) Het kijken naar de oorsprong van de bronnen die je gebruikt. Hier behelst dit het kijken naar de data van waaruit de tekst werd gegenereerd. (2) Het kijken naar de methodologie. Daar sluit het kritisch omgaan en verdiepen van de gegenereerde kennis bij aan. 

Waarom ethiek niet altijd landt

Het voorbije anderhalf jaar mocht ik als onderzoeker een stappenplan ontwikkelen om met AI en ethiek aan de slag te gaan. In dit blogbericht wil ik mijn bevindingen delen en tegelijk vooruitblikken.

Het onderzoek begon vanuit de vaststelling dat de ethical guidelines for trustworthy AI zoals ze door de EU werden voorgesteld niet altijd even eenvoudig toe te passen zijn in concrete casussen. Als ik AI developers met de guidelines (en de assessmentlist) op weg zet, dan krijg ik opmerkingen als: ‘Wanneer moet je welke vraag stellen in het ontwikkelingsproces? Dit is toch veel werk! Kan je geen gewone flowchart maken voor de toepassing van ethiek in AI?’

De opmerkingen zeggen zowel iets over de developers als over de guidelines. Laat mij beginnen met de developers.

Developers worden getraind om op technisch vlak keuzes te maken. Ethische keuzes zijn in zeker zin van een andere orde. Ethiek is vaak een grijs vlak waar je geen objectieve keuzes kan in maken. Vaak is ethiek daarom een soort ‘vreemde’ redenering die moet binnengebracht worden en is niet iedereen overtuigd van het hoe en het waarom. Daarenboven wordt niet in iedere opleiding evenveel aandacht besteed aan ethiek.

De guidelines zelf zijn goed opgebouwd vanuit de fundamentele mensenrechten, met een 7-tal keys die dan het geheel vertalen naar een meer concreter werkinstrument. Alhoewel deze (top-down) oefening goed gedaan is, vergt ethiek altijd een situationele verankering. Principes toepassen verschilt immers van context tot context. Een zorgcontext zal bijvoorbeeld op een heel andere manier naar human agency dat een sterk geautomatiseerde industriële setting. Er blijft dus sowieso nog een belangrijke oefening te doen die toch wel de nodige vaardigheden vraagt.

Bovendien zijn er nog ethische elementen die kunnen meegenomen worden en die eventueel het innovatieve karakter van ethiek verder kunnen uitdiepen. De begeleidingsethiek heeft hier een goed en belangrijk model voor gemaakt. Je zou hier van een soort bottom-up approach kunnen spreken. Alle actoren worden mee betrokken in het ethische proces. Daarin wordt eerst gedetecteerd wat er ethisch aan de hand is in een bepaalde casus en worden de belangrijke waarden meegenomen om dan vertaald te worden naar technische criteria (value in design). Ook hier zijn weer de nodige vaardigheden vereist.

De grote vraag blijft daarom hoe we ethiek kunnen stimuleren. De guidelines zijn niet verplicht te volgen, het vraagt veel werk, je hebt de nodige vaardigheden van doen en niet iedereen is overtuigd van het innovatieve karakter ervan. De toepassing ervan hangt volgens mij af van twee factoren:

(1) De bedrijfscultuur. Hoe wordt in het bedrijf omgegaan met ethiek? Vaak start dit al vanuit de visie of de missie van het bedrijf. Een goed uitgebouwde visie, brengt waarden naar de werkvloer. In de ontwikkeling van een AI toepassing speelt zowel de bedrijfscultuur van de ontwikkelaar een rol als die van de klant.

Een bepaalde AI-toepassing zal immers niet landen als de waarden die de AI-toepassing realiseert botsen met die van het bedrijf waarin ze geïmplementeerd worden. Stel je wil de duurzaamheid verhogen door het inzetten van een bepaalde tool. Als deze doelstelling ten koste gaat van een minimaal performanceverlies, zou dit tot een conflict kunnen leiden, zeker als performance in het DNA van een bedrijf zit.

Een ander element van de bedrijfscultuur is het belang dat aan ethiek wordt gehecht. Hoe belangrijk vindt men ethisch omgaan met elkaar? Behoort ethiek tot de bedrijfscultuur en wil men er ook effectief op inzetten of is ethiek ondergeschikt aan al de rest en gebruikt men ethiek slechts om aan de wetgeving te voldoen of om het imago naar de klant te verhogen (ethics washing).

(2) Naast de bedrijfscultuur met haar normen en waarden, is er ook een rol weggelegd voor de individuen die betrokken zijn in het ontwikkelingsproces. De ontwikkelaar komt natuurlijk onmiddellijk in het vizier. Op welke manier kijkt deze naar ethiek? Hoe kan deze omgaan met het feit dat ethiek niet altijd zwartwit is? Bezit zij of hij over de nodige vaardigheden om ethische vragen te detecteren en principes te vertalen naar een bepaalde context?

Wat vaak onderschat wordt is dat er ook andere mensen meespelen in het beslissingsproces. Waar er ethiek wordt geïmplementeerd hangt vaak af van beslissingen die boven het hoofd van de ontwikkelaar worden genomen.

Daarom zijn naast een aantal guidelines ook de vaardigheden waarover we het hierboven hadden van belang, zeg maar de wil en de kunde om ethisch te handelen. Daarom is het belangrijk dat zoveel mogelijk actoren gevormd worden om ethisch na te denken. Daarin kan bijvoorbeeld deugdenethiek een belangrijke rol spelen.

De manier waarop met ethiek wordt omgegaan is dus een meervoudig gegeven. Ze hangt niet alleen af van een goede manier (bv. een stappenplan) om ethiek ter sprake te brengen, maar ook van de bedrijfscultuur en de individuele inzet van leidinggevenden, developers e.a. Een proces van de inbedding van AI start daarom al bij het schrijven van een visie en een missie die werkelijk leven in het bedrijf en waar de belangrijkste waarden van het bedrijf geconcretiseerd worden.

Het ethisch proces als motor voor innovatie

Als onderzoeker AI & Ethics (VIVES) krijg ik wel eens de vraag wat mij zo interesseert in de ethiek. Mijn antwoord is eigenlijk een vraag: ‘Waarom niet?’ Ethisch reflecteren zorgt er immers voor dat je mee nadenkt over innoveren in de samenleving. Je krijgt de kans om een deel van de toekomst mee uit te denken.

Ethiek gaat om meer dan de regels volgen

En net daar bots ik op heel wat vooroordelen. De opvatting leeft dat ethiek vooral innovatie afremt . Gaat ethiek immers niet over grenzen en vooral over wat we niet mogen doen? Dan houdt ze toch elke nieuwe ontwikkeling tegen?

Voor mij is ethiek echter geen rem, maar een gaspedaal voor technologie en innovatie. Dat betekent natuurlijk niet dat er geen kaders nodig zijn. Maar ethisch reflecteren gaat niet in de eerste plaats over het volgen van een bepaald ethisch kader.  Akkoord, er moeten grenzen zijn. Ik hou zeker geen pleidooi voor het laten varen van ethische grenzen. Maar dan moet voor mij het grootste deel van het ethische denken nog beginnen.

Als we ethiek vergelijken met voetbal, dan is het ethische kader te vergelijken met de lijnen op het veld. De lijnen zijn nodig, maar het zijn niet de lijnen die er een mooie match van maken. De lijnen geven enkelen de contouren weer waarbinnen kan gespeeld worden. Ethiek gaat echter niet alleen over de contouren, maar ook over de manier waarop het spel gespeeld wordt.

Binnen de ethiek vinden we verschillende de kaders op Europees niveau, op Vlaams niveau en vaak op het niveau van bedrijven en organisaties. Als we de lijnen als enig ethisch element beschouwen, dan dreigen we niet alleen het bos door de bomen te verliezen, maar dan dreigen we paradoxaal genoeg de ethiek en het ethisch denken zelf uit te schakelen. Bovendien missen we het innovatieve van de ethiek.

Ethiek als procesbegeleiding

Met de vraag ‘hoe’ het spel gespeeld wordt komt het echte innovatieve potentieel van de ethiek naar boven. Ethiek gaat niet over het aanvinken van wat al dan niet mag, maar over de vraag wat de beste optie is in een bepaalde context. Aristoteles sprak in het oude Griekenland over de ‘praktische wijsheid” als de wijsheid om met en voorbij de regels de juiste handeling te vinden in concrete omstandigheden. Zo beschouwd is ethiek contextgebonden en gaat ze zowel over het proces als over de inhoud.

Als we ethiek als innovator willen inzetten, dan focussen we het best op ethiek als proces. Een dergelijke procesbenadering brengt vooral het gesprek op gang over welke waarden we in onze technologie willen realiseren. De procesbenadering vraagt een bottum-up benadering.

Elke technologie heeft een bepaald potentieel om een waarde al dan niet te realiseren. Het gesprek met de stakeholders gaat dan ook het best over welke waarden dienen verwerkelijkt te worden. Het zijn de stakeholders die aangeven welke waarden ze belangrijk vinden. Voor een bedrijf kan het interessant zijn dat ook de corporate values (als deze voldoende gedragen zijn in het bedrijf) meegenomen worden. Eventueel kunnen nog andere waarden (zoals deze uit het document rond Humane AI van de EU) aan het gesprek worden toegevoegd. Een gesprek met de stakeholders levert waardevolle informatie op en leidt bijna altijd tot een verrijkte visie op de manier waarop de technologie kan vormgegeven en geïmplementeerd worden.

Op het eerste gezicht lijkt het zeer omslachtig om met alle stakeholders rond de tafel te zitten, maar tegelijk betekent een sterkere betrokkenheid een toename van wederzijds begrip en een boost voor de impact van de technologie. Van daaruit kan verder gereflecteerd worden over de manier waarop de technologie verder ontwikkeld wordt, maar ook over welk beleid hiervoor nodig is en wat dit betekent voor en vooronderstelt van de mens.

Een ethisch engagement als bedrijf

Vanzelfsprekend betekent de sterke nadruk op het proces niet alleen een boost voor innovatie, maar vergt het ook een sterk engagement voor een bedrijf.

(1) Ten eerste is er een vorm van leiderschap nodig die ruimte maakt om het ethisch proces ten volle te laten spelen.

(2) Ten tweede vergt een procesbenadering ook een stimulans van de ethische vaardigheden van alle betrokkenen.

(3) Ten derde is er in bedrijfscontext nood aan iemand die een dergelijk proces kan begeleiden vanuit een ethische en een coachende expertise.

Kan ethiek worden geautomatiseerd in AI-systemen?

AI-systemen worden meer en meer (artificieel) intelligent en kunnen steeds sterker cognitieve functies van de mens benaderen of zelfs overstijgen. Daarom komt de vraag naar artificial morality scherper op de voorgrond. Kunnen we een AI-systeem zo programmeren dat het zelfstandig ethisch handelt? Een vraag die zeker de moeite waard is om er een blog aan te wijden.

Twee manier van kijken

Er zijn verschillende mogelijkheden om naar ‘artificiële ethiek’ te kijken. Grosso modo zijn de verschillende theorieën onder te verdelen in twee visies. In een meer top-down benadering worden een aantal beslissingsregels geïmplementeerd in AI-systemen.

Een meer inductieve benadering vertrekt dan vanuit concreet gedrag. Daarbij wordt het AI-algoritme getraind in situaties waarbij het ethisch correcte gedrag wordt beloond.

Kritiek op de huidige benaderingen

Beide theorieën gaan er van uit dat alles wat nodig is om ethisch gedrag te stellen in de capaciteiten van een autonoom AI-systeem te vinden is. Intelligentie en autonomie zijn echter nog geen garantie voor ethisch handelen. Kan een AI-systeem zo ontwikkeld worden dat het effectief vanuit zichzelf ethisch handelt?

Het verschil tussen oplossend denken en ethisch denken

De Amerikaanse computerwetenschapper Drew McDermott geeft aan dat er grossomodo drie verschillen zijn tussen het gewone oplossend denken en ethisch denken: (1) ethisch denken draagt een normatieve component in zich; (2) ethisch denken is veel minder eenduidig dan probleemoplossend denken en er bestaat dan ook nogal wat controverse over wat ethisch denken nu precies is; en (3) het is één van de moeilijkste vormen van denken om te automatiseren.

Moeilijkheden verbonden met de normatieve component

(1) Ten eerste zijn normen te concreet om een systeem te programmeren dat in alle situaties geldig is.

(2) Ten tweede is er nogal wat controverse over de inhoud van dergelijke normen. De gehanteerde normen zijn voor een deel cultureel bepaald. Welke normen dienen gekozen te worden? Wie maakt de keuze?

(3) Ten derde is het niet helemaal duidelijk wat er moet gebeuren als er een conflict optreedt tussen verschillende normen.

Moeilijkheden met de complexiteit van ethiek

Het tweede element, namelijk de discussie over wat ethisch denken in wezen is, zorgt voor een bijkomende moeilijkheid. Alhoewel ethiek in de eerste plaats reflectie is op die gewoonten, waarden, normen en opvattingen die leven in een samenleving (het ethos), blijft de opvatting dat ethiek louter een intellectueel gegeven is nog altijd in heel wat literatuur overeind.

Een eerste kritiek hierop kan gevonden worden in de stelling dat machines geen motivatie kunnen ontwikkelen. Hoewel ethiek een duidelijk reflexieve component bevat die als rationeel kan bestempeld worden, staat ze ook onder invloed van andere factoren. Bij de mens gaat het hier om emoties, om het onbewuste…

Kant en Freud gaven reeds aan dat emoties moeilijk te controleren zijn. Voor Kant een reden om ze buiten de ethiek te plaatsen, voor anderen een eerder complexe zoektocht naar de manier waarop emoties een rol spelen in de ethiek. Psychologisch onderzoek spreekt over ‘morele emoties’ als een sleutelelement van de ethiek, omdat ze een grote invloed hebben op de vertaling van morele standaarden of normen naar het moreel handelen (Tangney et al., 2007). Het gaat dan bijvoorbeeld over emoties als schuld, schaamte, trots, dankbaarheid. Daar zouden bijvoorbeeld ook empathie, respect en erkenning kunnen aan toegevoegd worden.

Het ethisch beslissingsproces is dus niet volledig stuurbaar en in die zin ook niet altijd voorspelbaar. Bovendien is het niet zo transparant als het op het eerste gezicht lijkt. Noch de buitenstaander, noch de actor zelf heeft volledig zicht op het proces dat aan het ethisch handelen voorafgaat. De vraag is of ethisch denken mogelijk is als al deze componenten volledig buitenspel gezet worden.

Een tweede kritiek sluit aan bij de vraag wat ethiek in wezen is. Deze discussie is min of meer een constante in de geschiedenis van de filosofie. Het is van daaruit dat zich verschillende visies op ethiek hebben ontwikkeld.  De diverse ethische theorieën leren ons allemaal iets over wat ethiek is. Wat hier vooral uit blijkt is de complexiteit van het ethisch denken. De verscheidenheid aan ethische denksystemen vormt een moeilijkheid voor het opstellen van een eenduidig algoritme die aan deze complexiteit tegemoet komt. Het zal dan ook niet verwonderen dat er een gebrek is aan overeenstemming tussen filosofen over welk systeem gekozen zou moeten worden.

Andere kritische bedenkingen

Aan de drie elementen die McDermot onder de aandacht bracht kunnen nog verschillende andere bedenkingen toegevoegd worden.

Ten eerste is elke ethische beslissing bij de mens ook gekleurd door tijd en ruimte. In het nemen van een beslissing wordt de mens beperkt door inzicht, maar ook verrijkt door de reeds opgedane ervaring.

Ten tweede is ethiek altijd een relationeel gegeven. De ethiek is ingebed in een ruimer verhaal en is wezenlijk geen solipsistisch gegeven is, maar bevat een dialogale dimensie.  

Het zou dus wel eens kunnen dat het programmeren van een ethisch denkende vorm van AI een veel moeilijkere drempel vormt dan op het eerste gezicht lijkt. Het programmeren botst op de diversiteit en de complexiteit van de materie, op de moeilijkheid om het gevolg van een bepaalde handeling adequaat te kunnen inschatten en te beoordelen. De complexiteit van de samenleving brengt daarbij in de meeste gevallen de nood aan het maken van een afweging met zich mee. Voor deze afweging zijn de criteria niet altijd even duidelijk.

Naast een discussie over de al dan niet te volgen normen en over welke norm wanneer voorrang geeft, kan het hier ook gaan over heel concrete beslissingen. Een autonome wagen komt in een situatie terecht waar er dient gekozen te worden tussen het leven van de chauffeur en het leven van de man of vrouw die de straat oversteekt. Welke keuze is de ethisch goede keuze? Een bekende discussie rond deze afweging is het trolleyprobleem waarbij op het ene spoor één persoon ligt vastgebonden en op het ander spoor vijf personen liggen vastgebonden. De persoon aan de wissel van het spoor neemt de beslissing.

We moeten besluiten dat het moeilijk is om ethiek op een goede manier te automatiseren in AI-systemen. Elke vorm van automatisering brengt immers een verlies met zich mee van een deel van de menselijke ethische overweging. Vandaar dat we AI-systemen best niet beschouwen als moral agencies in de volle zin van het woord.

Waarom investeren in AI ethics?

‘Ethiek en artificiële intelligentie’ kan als thema op meer en meer belangsteling rekenen. De enorme toename aan toepassingen op het vlak van AI is daar natuurlijk niet vreemd aan. Maar wat is nu het belang om als bedrijf aan de slag gaan met de implementatie van ethiek in je bedrjfsstrategie? Is het de moeite waard om te investeren in ethiek?

(1) Investeren in ethiek betekent een verdere toepassing en eventuele uitbreiding van de Corporate Social Responsibility.

(2) Daarnaast is het belangrijk om te kijken naar de ROI. En alhoewel de ROI  moeilijk te meten is, zijn er wel aanwijzingen voor het belang van ethiek voor de ROI.
 
Boston Consultancy Group (BCG) noemt in een recent onderzoek drie aspecten die een invloed hebben op de ROI:

(a) Bedrijven die belang hechten aan ‘responsible’ AI – en dat ook laten weten aan hun cliënten – hebben het potentieel om hun marktaandeel en hun winst op lange termijn te vergroten;

(b) de focus op responsible AI zorgt ook voor merkonderscheiding. Bedrijven leggen meer en meer de nadruk op trouw aan de eigen missie en de principes die aan het bedrijf ten grondslag liggen. Klanten maken meer en meer keuzes om in zee te gaan met bedrijven die staan voor de waarden waar ook zij belang aan hechten. BCG spreekt van de ‘total societal impact’ (TSI);

(c) bedrijven die trouw blijven aan hun principes zijn ook beter in staat om ‘elite digital talent’ aan te trekken.