År 2012 brydde vi oss om att vi använde mjukvara. Idag bryr vi oss om hur vi använder den. Skillnaden är banan. Under det senaste decenniet har det varit prioritet att anta mjukvara. Att gå från lokal till molnet eller digitalisera ett manuellt arbetsflöde lovade produktivitetsvinster. Adoptionen var mållinjen. Idag är mjukvara allestädes närvarande. Varje säljare använder ett CRM och varje ingenjör använder en IDE. Fördelen kommer inte längre från att ha verktyget utan från den specifika vägen och sättet på vilket verktyget används för att uppnå ett resultat: en bana genom mjukvara. En säljare skapar en lead, berikar leaden, och lägger till information om prospektet på ett särskilt sätt. Det är en slags bana. En frågestund med AI är en annan väg: hur genomför jag ett forskningsprojekt med AI om postkvantkryptering? Vilka är de ledande algoritmerna? Vilka företag implementerar dem? Vad är tidsramen för kvantdatorer att bryta nuvarande kryptering? Vilka experter borde jag prata med? Att följa en användare som arbetar under dagen som en flipperspel som studsar runt en maskin är oerhört strategiskt. För det första kräver automatisering banor. För att automatisera arbetet måste du först förstå arbetsvägen. Tidigare anlitade vi konsulter för att manuellt kartlägga processer. Nu kan AI-agenter observera, spela in och förstå dessa banor i realtid. AI lär sig genom att observera. För det andra kräver optimering upprepning. Banor tillhandahåller datamängden för förbättring. Genom att analysera tusentals pass genom ett arbetsflöde identifierar AI framgångsmönster, misslyckanden och ineffektiviteter. För det tredje blir banor den nya vallgraven. Ju högre dataupplösning är, desto mer differentierad blir AI-produkten, vilket ökar leverantörslåsningen. För det fjärde gynnas företagsledningen av att förstå medarbetarnas utveckling. Vi tror att vi arbetar tillsammans på ett sätt, oftast med några aspirerande idéer. Det är en annan sak att verkligen förstå arbetsflödena i fält. För det femte är banor grunden för att optimera AI-modeller genom förstärkningsinlärning eller finjustering. Mindre specialiserade modeller tränade på högvärdiga vägar ersätter massiva generalister. Lägre inferenskostnader och högre noggrannhet leder till ökade marginaler. Den strategiska karaktären av trajektorier väcker frågan om företag kommer att förhandla om rättigheterna till sina trajektoriedata när de köper AI-programvara, både för att fånga kritisk data och förhindra låsning. Hur dessa maktdynamiker utspelar sig kommer att avgöra prissättningskraften för mjukvara i stort. De företag som bemästrar dessa banor kommer att definiera framtidens arbete.