Oppgrader til nyeste versjon av Internet eksplorer for best mulig visning av siden. Klikk her for for å skjule denne meldingen
Ikke pålogget
{{session.user.firstName}} {{session.user.lastName}}
Du har tilgang til Idunn gjennom , & {{sessionPartyGroup.name}}

Algoritmer, analysedata og automatisering i det digitale medielandskapet – en avkledningsmanøver


Førsteamanuensis, Institutt for journalistikk og mediefag, OsloMet – storbyuniversitetet


Førsteamanuensis, Institutt for informatikk, Universitetet i Oslo1

Det ligger mye makt i evnen til å sortere, rangere og fremheve informasjon. Sorteringen kan synliggjøre en venn, en sang, en nyhet, en politiker – fremfor en annen. Sosiale og digitale plattformer kvantifiserer og klassifiserer informasjon som tidligere ikke har vært tallfestet, eksempelvis hvor mange ganger du har likt innleggene til en bestemt venn. Og disse plattformene bygger forretningsmodeller basert på brukerdataene. Dette spesialnummeret av Norsk medietidskrift skal undersøke ulike aspekter ved den nye makten knyttet til Algoritmer, Analysedata og Automatisering. Bidragsyterne i dette temanummeret viser at medieinnhold, medieproduksjon, mediedistribusjon og mediekonsum i større grad enn tidligere er et samspill mellom flere parter. Samtidig er ett ledd i dette samspillet helt sentralt og dominerende overfor de andre leddene: mediedistribusjon. Denne lederartikkelen foreslår en modell for verdinettverk i den digitale medieøkologien der mediedistribusjon har blitt noden i verdiskapningsprosessen, i samspill med medieproduksjon, medieinnhold og mediekonsum.

Nøkkelord: algoritmer, analysedata, automatisering, artificial intelligence, data analytics, plattformer, Facebook, Spotify, Netflix, Instagram, nettverk, distribusjon

Det ligger mye makt i evnen til å sortere, rangere og fremheve informasjon. Sorteringen kan synliggjøre en venn, en sang, en nyhet, en politiker – fremfor en annen. Sosiale og digitale plattformer kvantifiserer og klassifiserer informasjon som tidligere ikke har vært tallfestet, eksempelvis hvor mange ganger du har likt innleggene til en bestemt venn. Og disse plattformene bygger forretningsmodeller basert på brukerdataene. Dette spesialnummeret av Norsk medietidskrift skal undersøke ulike aspekter ved den nye makten knyttet til Algoritmer, Analysedata og Automatisering.

Algoritmer er et komplett sett med trinn-for-trinn instruksjoner for hvordan noe skal utføres og algoritmer kan utføre beregninger, databehandling og/eller automatiske resonnementsoppgaver (Haddara & Larsson, 2017). Men algoritmer får først mening, verdi eller konsekvenser når de bygges inn i virksomhetens forretningsmodell – som flere av bidragene i dette temanummeret viser. En forretningsmodell skal på den ene siden bidra til at virksomheten tjener penger, og på den andre siden sikre fornøyde og betalingsvillige kunder (Zott et al, 2011). Kjernen i forretningsmodellene til de digitale plattformene er brukerdata, algoritmer og kunstig intelligens – altså det vi her kaller de tre A’ene: Algoritmer, Analysedata og Automatisering. Eksempelvis hadde Facebook i 2017 en omsetning på mer enn 40 milliarder dollar, hvorav omkring 89 prosent av inntektene kom fra målrettet annonsering takket være nettsamfunnets brukerdata (Sharma, 2019). Røttene til plattform-økonomien finner vi i 2000-tallets dotcom-boble. Investorer overførte store mengder risikokapital inn i nittitallets dot.com selskaper, som gjerne fulgte en «vekst før profitt» strategi (Srnicek, 2017). Det er ikke ulikt Facebooks tidligere motto «Move fast and break things» som viser til at hastigheten med å rulle ut ny funksjonalitet i plattformen var viktigere enn at funksjonaliteten fungerte perfekt. Dot.com-boblen sprakk som kjent tidlig på 2000-tallet, men de betydelige investeringene la et viktig fundament for dagens digitale økonomi og forretningsmodeller: «The new business model that have emerged is a powerful new type of the firm: the platform» (Srnicek, 2017:42).

Den optimistiske og noe naive målsetningen hos Facebook – give people the power to share and make the world more open and connected – står i kontrast til de siste årenes skandaler med falske profiler, misbruk av brukerdata, overvåking og forfølgelse av innbyggere, og manipulering av politiske valg. Vurderinger av potensielle uintenderte samfunnskonsekvenser forårsaket av virksomhetenes egne plattformer har vært fraværende. Dette er noe av bakteppet for at Senter for tverrfaglig medieforsking (STM) ønsket et spesialnummer om nettopp tematikken Algoritmer, automatisering og analysedata i det digitale medielandskapet – muligheter og utfordringer.

Til tross for at forskning på sosiale og digitale plattformer strekker seg mange tiår tilbake, trenger vi bedre teoretiske begreper og empiriske rammeverk og metoder for å forstå hvordan algoritmer, automatisering og store data innvirker i dagens medielandskap med hensyn til medieproduksjon, medieinnhold, mediedistribusjon og mediekonsum. Behovet for en opplyst, forskningsbasert samtale om disse temaene i Norge er stort, og gjennom dette temanummeret ønsker vi å starte viktige dialoger om noen av byggesteinene i det digital medielandskapet. De fire bidragene vi har antatt i temanummeret dekker viktige problemstillinger innen et bredt mediespekter fra personaliserte nyheter hos medieaktørene; film, bøker og tv-serier hos nye distribusjonsplattformer; til fotografiproduksjon, mediekonsum og distribusjon hos sosiale medieaktører; og til musikkdistribusjon gjennom nye plattformer og forretningsmodeller. Bidragene er dessuten gode eksempler på at de humanistiske fagmiljøene er sentrale bidragsytere til den offentlige debatten om viktige samfunnsspørsmål slik Meld. St. 25 (2016–2017) Humaniora i Norge etterlyser.

Vår dagligdagse forståelse av algoritmer, analysedata (data analytics) og automatisering fremstår som både mystiske og ikke-tilgjengelig for det blotte øyet til tross for at algoritmer preger nesten alle deler av tilværelsen i vår internettbaserte tidsalder. Vi skal derfor begynne vår avkledningsmanøver med å knuse noen myter om algoritmer, før vi presenterer en modell som viser hvilken rolle distribusjon har fått i dagens medielandskap. Deretter presenterer vi artiklene i dette temanummeret.

Myteknusing

Ofte hører vi om algoritmEN, i singulære termer, som om det er én algoritme.

Nei, det er ofte mange. Flere algoritmer kan eksistere på samme plattform eller tjeneste, og interagere med hverandre for å løse ulike problemer. Eksempelvis har Just og Latzer (2017) identifisert ni hovedtyper av algoritmer: 1) søkallokering; 2) aggregeringsapplikasjoner; 3) observasjons- og overvåkingsapplikasjoner; 4) prognoseprogrammer; 5) filtreringsprogrammer; 6) anbefalingsprogrammer; 7) scoring-applikasjoner; 8)innholdsproduksjon-applikasjoner; 9) tildelingsprogrammer.

Ofte hører vi at algoritmer er nøytrale, og at de tar mer objektive beslutninger enn mennesker.

Nei, de er ikke nøytrale. De er programmert av mennesker (hovedsakelig unge, hvite menn), og er basert på deres normer, erfaringer og kunnskap (Elish & Boyd, 2018: Forsythe, 2001; Richardson, 2015). I tillegg er algoritmene ofte, men ikke nødvendigvis, basert på en bestemt kommersiell logikk, da de vanligvis bygges på private, kommersielle plattformer eller tjenester. Samtidig ser vi hvordan algoritmer, data og automatisering også brukes i andre sammenhenger, ofte i et samfunnsøkonomisk øyemed. «Intelligens-ledet politiarbeid» (intelligence-led policing) bruker for eksempel data og algoritmer til å predikere hendelser, og dermed forhindre kriminelle handlinger fra å skje. Normalt forfølges kriminelle handlinger først etter at de har skjedd (Kaufmann, Egbert & Leese, 2018; Fyfe, Gundhus & Rønn 2018). I en kommersiell logikk er målet normalt å engasjere brukeren på plattformen så lenge som mulig, og å tiltrekke brukeren tilbake til plattformen så ofte som mulig. Tarlton Gillespie (2012) hevder at vi må vurdere algoritmen som verdifulle fordi de er konstruert av mennesker. Vi må altså huske på at algoritmer er verdiskapere i forretningsmodeller.

Ofte hører vi at algoritmer er ugjennomsiktige som en svart boks.

Ja og Nei. Eksempelvis er algoritmene til Facebooks nyhetsstrøm og Googles søkeresultat hemmelige, men det finnes noen muligheter til å undersøke algoritmenes egenskaper. Forskere og andre undersøker den «svarte boksen» på forskjellige måter, eksempelvis ved å dekonstruere søkeresultater trinn for trinn (reverse engineer). En annen tilnærming til å undersøke den «svarte boksen» er ved å intervjue folket som utvikler algoritmen, og en tredje muligheter er å utvikle sine egne algoritmer.

Modell for verdinettverk i den digital medieøkologien

Et aspekt som derimot ikke er en myte, er hvordan algoritmer er synlighetsregimer (Bucher, 2012, 2018). Algoritmer – basert på input fra programmerere og bedriftsledere – sorterer, velger og diskriminerer mellom ulike typer innhold og informasjon. Det gir levedyktighet til innhold som engasjerer brukerne mest. Samtidig utgjør algoritmer også en «trussel om usynlighet» (Bucher, 2012). Hvis et bilde, en film, en artikkel eller en video ikke vises til brukeren, risikerer den å bli oversett og glemt. Menneskelige beslutninger er dermed supplert eller erstattet av algoritmer med liten eller ingen grad av transparens i hvordan de beregner avgjørelser (Bucher, 2018).

Dette synlighetsregimet skaper muligheter og begrensninger for medier, både i en økonomisk, politisk og kulturell forstand. Mediebegrepet er vidt og kan forstås som kanaler for kommunikasjon innenfor og mellom samfunn (Aalberg & Elvestad, 2012). Vi ønsket i utgangspunktet å undersøke hvordan algoritmer, automatisering og analysedata i det digitale medielandskapet skaper utfordringer på fire sentrale områder: medieproduksjon, medieinnhold, mediedistribusjon og mediekonsum. Noen av spørsmålene vi stilte innledningsvis var disse:

Medieproduksjon blir her forstått som hvordan innhold – alt fra nyheter til kulturelle uttrykk som film, musikk og andre typer innhold – blir produsert. Sammenstilling av strukturerte data gjør at «roboter» eller programvare kan skrive artikler om sport, vær, finansmarked eller valgresultat. Hva slags betydning har det at programvare automatiserer deler av jobben journalister tidligere har gjort? Kan roboter være partiske og hvordan kommer det eventuelt til uttrykk? Åpner automatisert innhold for mer undersøkende journalistikk eller tvert i mot? Og hvordan påvirker dette hvordan vi skiller mellom nyheter og annet «innhold» på nett?

Medieinnhold blir her forstått som hva slags innhold som blir produsert. Brukerstatistikk påvirker beslutninger om hva slags tv-serier Netflix produserer, hva slags artikler journalister skriver, til hvilke tidspunkt og i hvilke kanaler noe publiseres. Hva slags muligheter og fallgruver åpner personifisering av medieinnhold opp for? Vil algoritmer, automatisering og analysedata endre vår forståelse av nyheter og hvordan vil dette eventuelt påvirke journalistisk kvalitet, normer, autonomi, personvern, etikk eller samfunnsansvar?

Mediedistribusjon blir her forstått som hvordan ulike typer innhold blir distribuert og formidlet. Musikk, filmer, informasjon, nyheter eller reklame presenteres i strømmer eller nyhetsfeeder, men hvorfor ser vi det vi ser, og hvem tjener på det vi ser og hvordan er denne forretningsmodellen satt sammen? Hva slags beregninger, samfunnssyn, etikk eller holdninger ligger bak valgene som algoritmene representerer? Hvordan kan man undersøke algoritmer som ofte blir beskrevet som svarte bokser («black boxes»)?

Mediekonsum blir her forstått som hvordan ulike typer innhold blir konsumert av brukere. Algoritmer kan programmeres til å distribuere og tilpasse innhold basert på folks brukerhistorikk eller sosiale nettverk, noe som har fått mange til å bekymre seg for såkalte filterbobler og ekkokamre. Gjør persontilpassede nettsider eller strømmetjenester innen nyheter, informasjon, film, eller musikk at vi bare får servert mer av det vi liker og bruker fra før, og dermed får bekreftet vårt eksisterende verdensbilde? Eller er begrepet filterbobler et unyansert skremmebilde? Skaper tvert imot algoritmebaserte strømmer mer mangfoldig nyhets- og kulturbruk?

Bidragsyterne i dette temanummeret viser at medieinnhold, medieproduksjon, mediedistribusjon og mediekonsum i større grad enn tidligere er et samspill mellom flere parter. Samtidig er ett ledd i dette samspillet helt sentralt og dominerende overfor de andre andre leddene: mediedistribusjon. Distributører som Facebook, Netflix, Spotify eller Instagram har utviklet helt unike posisjoner ved å være plattformer som kobler innhold til brukere, brukere til annonsører og brukere til brukere. Plattformene som mediedistributører har blitt sentral synlighetsregimer i en digital informasjonsøkologi, og brukerdataene er den verdifulle valutaen. Brukerdata er spor vi brukere legger igjen og ofte betaler for tjenestene med. Brukerdataene kan brukes for å tiltrekke enda flere annonsører, skreddersy relevant innhold og predikere fremtidig adferd. Teknologi har alltid blitt brukt for å understøtte virksomheters strategi og forretningsmodell. Men bildet som tegnes i bidragene i dette temanummeret, peker på et skifte som har funnet sted i mediebransjen: Et skifte fra en verdikjede til en verdinettverk. Tradisjonelt har produksjonsprosessene hos medieaktørene skjedd gjennom en lineær prosess, slik vi kjenner fra samlebåndprinsippet eller trinn i en bestillingsprosess. I en slik verdikjedemodell brukes IT og teknologi til å effektivisere den etablerte produksjonskjeden (Thompsons 1967; Stabell og Fjeldstad 1998).

Modellen som vi ønsker å tegne i denne lederartikkelen er derimot en variant av et verdinettverk hvor verdikonfigurering skjer gjennom å koble ulike parter (Stabell og Fjeldstad 1998), for eksempel sammenkoblingen av telefoner og telenettet eller Facebooks koblinger av mennesker og annonsører. I en slik verdinettverksmodell (Figur 1.) brukes teknologi for å mediere, altså koble samhandling mellom partene. I verdikjedemodellen blir medieinnhold først produsert, deretter distribuert for så å bli konsumert av kunder eller brukere. I et verdinettverk skapes derimot verdien av brukerne eller kundene når deres samhandling er fasilitert eller tilrettelagt av verdinettverket. I verdinettverksmodellen har mediedistribusjon på mange måter blitt selve noden eller kjernen:

Figur 1:

Modell for verdinettverk i den digitale medieøkologien. Mediedistribusjon har blitt noden i verdiskapningsprosessen, i samspill med medieproduksjon, medieinnhold og mediekonsum.

Modellen i Figur 1. viser hvordan distribusjonsleddet i dagens mediebilde har blitt et konkurransemessig fortrinn. Medieproduksjon, distribusjon og konsum er ikke lenger lineære prosesser, men relasjonelle prosesser som involverer både virksomheten(e), brukerne og nye praksiser.

Selv om den digitale medieøkologien legger nye premisser for forskningen, vil vi likevel argumentere for at flere av de samfunnsfaglige klassikerne kan utstyre oss med teoretiske redskaper for å analysere og forstå makten i algoritmer, analysedata og automatisering. Gjennom praksisteori kan Foucault (1977) gi oss de teoretiske verktøyene vi trenger for å undersøke virksomhetenes datainnsamling og overvåking av brukerne. Bourdieu (1977) kan bistå med sine sentrale kapitalbegreper om maktfordeling i samfunnet, hvor økonomisk kapital viser seg til stadighet å sitte på trumfkortet. Latour (1987) kan hjelpe oss med å se og forstå hvordan dagens mediebilde kan brettes ut som et sammensatt nettverk mellom aktører, virksomheter og materialitet, mens Giddens (1984) minner oss på hvordan den refleksive aktøren både begrenser og endrer det sosiale struktur hun er en del av. Whittington (1996; 2006) og andre strategi-i-praksis (SAP) teoretikere gjør det mulig å undersøke virksomhetene ut fra et syn på at strategi ikke er noe de har, men noe de gjør. Praksisteori forstår handling som uløselig knyttet til den sosiale strukturen eller konteksten den forekommer i og er en del av (Feldman og Orlikowski, 2011; Golsorkhi, Rouleau, Seidle og Vaara, 2010 ). Praksisforskere distanserer seg fra å forklare handlinger ut fra enkeltindividet eller dikotomier (Schatzki, Cetina og von Savigny, 2005; Vaara og Whittington, 2012), men ut fra praksiser: felles rutiner for atferd, normer og prosedyrer for arbeid, tenkning, handling og bruk av ting (Whittington, 1996; 2006).

Samtidig trenger vi nye teoretiske, empiriske og metodiske bidrag som kan øke vår innsikt i den digitale medieøkologien. Tekstene i dette spesialnummeret bidrar hver på sin måte med slike innsikter.

Bidragene

Algoritmer påvirker hvilket innhold som er tilgjengelig, og tjenester som Amazon, Spotify eller Netflix gir en illusjon om at alt innhold er tilgjengelig. Kim Tallerås, Terje Colbjørnsen og Marius Øfsti viser i sitt bidrag «Relativ tilgjengelighet: Formidling og utvelgelse i strømmetjenester for film og bøker» at det ikke stemmer. Gjennom studier av anbefalingssystemer hos filmdistributøren Netflix, musikkstrømmetjenesten Spotify og lydboktjenesten Storytel viser Tallerås, Colbjørnsen og Øfsti at tilgang til innhold går gjennom en lagdelt pyramide som inneholder ontologiske, teknologiske, (universelle), juridiske og økonomiske begrensninger før overhode algoritmer kan bistå med å sortere ut relevant innhold til forbrukerens preferanser. De introduserer begrepet relativ tilgjengelighet for å beskrive dette fenomenet.

I dag er norske bokhandlere lovpålagt å skaffe bøker de ikke har på lager, men for å få tak i en bestemt lydbok eller film må forbrukeren forholde seg til en rekke forskjellige tjenester fordi produktene per i dag ikke er tilgjengelige i en one-stop-shop. I tillegg finner Tallerås, Colbjørnsen og Øfsti at distribusjonsplattformene anbefaler egne produkter fremfor andres, noe som illustrerer godt hvordan anbefalingssystemene underbygger en forretningsmodell med hensikt om å tjene penger fremfor å skape fornøyde kunder. Anbefalingsteknologien vekter sine egne produkter fremfor andres, og illustrerer hvordan algoritmisk makt og økonomi henger tett sammen. Små filmer som ikke blir satt opp på kino risikerer å ikke bli tatt inn i utvalget til de store internasjonale aktørene, hvilket selvsagt er kritisk for et norsk kulturmangfold.

Jill Walker Rettberg diskuterer hvordan smakspreferanser er innebygget i algoritmer i sitt bidrag «Et algoritmisk blikk: Algoritmers rolle i produksjonen av hverdagsfotografier». Hovedargumentet til Rettberg er at algoritmer er programmert på måter som vil gi oss mer og mer ensartede fotografier, drevet av en kommersiell logikk som har som målsetning at vi skal konsumere mer. Algoritmer styrer hvilke bilder som i det hele tatt blir tatt gjennom algoritmer for estetisk inferens som er innebygd i kameraene våre, og hun undersøker repeterende og ensartede bilder på #nrksommer, Instagram-kontoen @Instarepeat og de tyve mest populære bildene på Instagram. Rettberg bruker begrepet estetisk inferens for å illustrere hvordan algoritmer og systemer er utviklet for å vurdere estetisk kvalitet i et sett med bilder. Systemene tilrettelegger for brukernes aktive bildefiltervalg og bruk av emneknagger for å skape synlighet i et omfattende kollektiv av bilder.

Et sentralt begrep som flere av bidragsyterne diskuterer er kaldstartproblemet: Når det ikke foreligger tilstrekkelig med data som algoritmene kan navigere og sortere innhold ut fra. Rolf Dyrnes Svendsen, Jon Atle Gulla og Jørgen Frøland viser i sin artikkel «Anbefaling av nyhetsinnhold i praksis – fra algoritmer til personaliserte nyheter» hvordan innholdsbaserte anbefalinger kan være nyttige for å imøtekomme kaldstart-problemer. Innholdsbasert anbefaling er en anbefalingsteknikk som predikerer en brukers interesse for en nyhetsartikkel basert på artikkelens likhet med enten (1) tidligere artikler likt av brukeren eller (2) en generert brukerprofil. Et alternativ til innholdsbasert anbefaling er blant annet kollaborativ filtrering hvor leseren blir forslått innhold basert på andre brukere med lignende profil. Svendsen, Gulla og Frøland kommenterer imidlertid at innholdsbaserte anbefalinger har blitt kritisert for å generere filterbobler eller ekkokamre fordi anbefalte artikler baserer seg på leserens lesehistorikk.

På denne måten er det en risiko for at innholdsbaserte anbefalingene forsterker det leseren allerede har vist interesse for og at vedkommende skjermes fra nye temaer eller perspektiver.

Dette er også et tema Håvard Kiberg tar opp i sin kommentar «Hvordan forstå og undersøke populærmusikkens «svarte bokser»?». Kiberg påpeker at ved kaldstartsproblemet må algoritmene filtrere på bakgrunn av et sett mindre presise referanseegenskaper, som for eksempel alder, kjønn eller bosted (som oppgis i det brukeren oppretter en profil). Basert på tall tjenesten allerede innehar kan eksempelvis Spotify spå hva slags musikk en mannlig og kvinnelig bruker liker eller ikke. Sett fra et mangfoldsperspektiv kan derfor konvensjonelle kjønnsmønstre forsterkes og gi såkalte kjønnsbobler: Gutte- eller jentemusikk. Samtidig minner Kiberg om at vi hver dag konfronteres med en rekke skjulte systemer og mekanismer, som ikke nødvendigvis ligger «åpen for inspeksjon», slik at mangelen på transparens og hemmelighold også må sees på som naturlige, hverdagslige fenomener.

Erfaringene som rapporteres fra Polaris Media av Svendsen, Gulla og Frøland er samtidig godt nytt for en presset mediebransje som famler etter levedyktige forretningsmodeller som også kan ivareta en mangfoldig og opplyst offentlighet. For Polaris Media har anbefalingsløsningene resultert i både høyere klikkrater, mer lesetid og mer gjenbruk av eldre nyhetsstoff. Svendsen et. al. viser godt hvordan anbefalingssystemer er et samvirke mellom mennesker, datasystemer og forretningsmodellen til virksomheten.

I bokanmeldelsen av Taina Buchers bok If...then: Algorithmic Power and Politics skriver Anders Fagerjord at Bucher har en evne til å ta nokså dagligdagse observasjoner og løfte dem opp til et høyere teoretisk nivå, og at analysene hennes er virkelig sjeldent gode.

Fagerjord mener Bucher gjør et interessant poeng ved bruken av «black box» begrepet om algoritmer. Vi må spørre hvorfor mange finner det tjenlig å si at det er mulig å få vite hvordan algoritmer virker og hvilke posisjoner tjener på det. Han minner om at Bucher argumenterer for at det virkelig interessante ved algoritmer ikke er hva de er eller gjør, men hvor og når algoritmene har betydning. Men for å virkelig forstå plattform-makt og algoritmer, argumenterer Fagerjord for å samle tverrfaglige team med samfunnsvitere, medievitere, antropologer, informatikere og økonomer.

Transparens for å bygge tillit

Det er mye makt som ligger i mediedistribusjon og tilgangen på brukerdata som kan manipuleres. Bidragene i denne spesialutgaven synliggjør også hvor problematisk det er når denne mediemakten er basert på algoritmer uten transparens eller etiske krav. Et viktig grep medieaktørene kan benytte for å skape tillit er transparens om hvordan maskineriet er skrudd sammen på baksiden. For algoritmer er ikke magiske formler som tryller frem innhold fra en sort boks. Felles for alle bidragene i dette temanummeret er at algoritmer er tett forbundet med makt, økonomi og forretningsmodeller. Data om brukerne er en sentral brikke i de digitale plattformenes forretningsmodeller. Jo flere brukere, jo mer data, jo mer markedsdominans.

Iboende i plattformene er derfor fremveksten av naturlige monopoler (Srnicek, 2017). Dette medfører et paradoks vi er nødt til å ta på alvor: Mens slike plattformer på den ene siden gir forbrukeren illusjonen om alt hun trenger er ett sted, løper det en risiko for monopol og maktkonstellasjon når alt er tilsynelatende tilgjengelig i én løsning eller plattform. Ett av bidragene i denne spesialutgaven viser likevel at dette bare er en relativ tilgjengelighet.

Facebook har siden 2007 kjøpt opp 79 tech-selskaper2. Ikke bare har Facebook oppnådd en dominerende plass med hensyn til sosial nettverkingstjenester, men med oppkjøp av blant annet Beluga, WhatsApp, Zenbe og Ozlo har de også dominans på samtaleapplikasjoner og med Divvyshot, Instagram og Lightbox.com på fotodelingstjenester. Spotify på sin side har kjøpt opp ni selskaper i løpet av de siste fem årene, Apple og Amazon mer enn hundre hver, og Google har kjøpt opp mer enn to hundre selskaper siden 2001. Grasaas-Stavenes og Haanes (2018) mener vi må gjøre med selskaper som Facebook som vi gjorde med oljemonopolet på 1900-tallet: restrukturere virksomhetens muligheter for oppkjøp av selskaper.

Typiske strategiske grep som tas når aktører får for stor markedsplass er å enten ty til regulering eller å splitte opp selskapet. Flere reguleringer skjer nå. EUs personvernforordningen GDPR legger føringer for hva virksomheter har lov til å samle inn av brukerdata, mens EUs nye direktiv for opphavsrett som er på trappene har som hensikt å sikre artister og pressens rettigheter. Andre som mener at enkelte selskaper har blitt for store og innflytelsesrike peker ofte til Konkurranseloven som forbyr samarbeid som begrenser konkurranse og misbruk av dominerende stilling.

Makten i algoritmer, analysedata og automatisering er betydelig, noe bidragene i denne spesialutgaven viser på ulike måter.

Referanser

Aalbert, T. & Elvestad, E. (2012). Mediesosiologi. Oslo: Det norske samlaget.

Bourdieu, P. (1977). Outline of a Theory of Practice. Vol. 16: Cambridge university press.

Bucher, T. (2012). Want to be on the top? Algorithmic power and the threat of invisibility on Facebook. New Media & Society 14 (7):1164-1180.

Bucher, T. (2018). If...Then. Algorithmic Power and Politics. Oxford University Press.

Elish, M. & boyd, d. (2018). Situating methods in the magic of Big Data and AI. Communication monographs 85(1): 57–80.

Feldman M. S. & Orlikowski W. J. (2011). Theorising practice and practicing theory. Organization Science 22(5): 1240–53.

Forsythe, D. (2001). Studying those who study us: An anthropologist in the world of artificial intelligence: Stanford University Press.

Foucault, M. (1977). Discipline and punish: The birth of the prison. New York, NY:Vintage.

Giddens, A. (1984). The constitution of society: Outline of the theory of structuration: Univ of California Press.

Gillesbie, T. (2014). The relevance of algorithms. In Media Technologies. Red. Tarleton Gillespie, Pablo Boczkowski, and Kirsten Foot. Cambridge, MA: MIT Press.

Golsorkhi, D., Rouleau, L., Seidle, D. & Vaara, E. (2010). Introduction. I: D Golsorkhi, L Rouleau, D Seidle, and E Vaara (eds.), Cambridge Handbook of Strategy as Practice. Cambridge, UK: Cambridge University Press, 1–21.

Grasaas-Stavenes, E. & Haanes, H. (2018). Vår felles fiende. Klassekampen. 4. april 2018. https://dagens.klassekampen.no/2018-04-04/var-felles-fiende

Haddara, M. & Larsson, A. O. (2017). Big Data. Hvordan finne relevant beslutningsgrunnlag i store informasjonsmengder? Kapittel 11 i Næss, Hans Erik og Pettersen, Lene (red.), Metodebok for kreative fag: Universitetsforlaget. s. 136-149.

Kaufmann, M., Egbert, S., & Leese, M. (2018). Predictive Policing and the Politics of Patterns. The British Journal of Criminology.

Fyfe, N. R, Gundhus, H.I. & Rønn, K.V. (2018). Moral Issues in Intelligence-led Policing. Routledge. ISBN 978-0-415-37379-1.

Just, N., & Latzer, M. (2017). Governance by algorithms: reality construction by algorithmic selection on the Internet. Media, Culture & Society, 39(2), 238–258.

Latour, B. (1987). Science in action: How to follow scientists and engineers through society. Harvard university press.

Richardson, K. (2015). An Anthropology of Robots and AI. Annihilation Anxiety and Machines. Routledge studies in Anthropology.

Sharma, R. (2019). How Facebook Makes Money. Investopedia. 7. februar 2019. https://www.investopedia.com/ask/answers/120114/how-does-facebook-fb-make-money.asp

Srnicek, N. (2017). Platform Capitalism. Polity Press. Cambridge, UK.

Meld. St. 25 (2016–2017) Humaniora i Norge. Det kongelige kunnskapsdepartement. https://www.regjeringen.no/no/dokumenter/meld.-st.-25-20162017/id2545646/

Thompson, J. D. (1967). Organizations in action: Social science bases of administrative theory. Thompson, James David, W Richard Scott, and Mayer N Zald. 2009. Organizations in action: Social science bases of administrative theory. USA: Transaction Books.

Schatzki, T. R., Cetina, K. K. & von Savigny, E. (2005). The Practice Turn in Contemporary Theory. Routledge.

Stabell, C., B. & Fjeldstad, Ø.,. D. (1998). Configuring value for competitive advantage: on chains, shops, and networks. Strategic management journal , 413–437.

Vaara, E. & Whittington, R. (2012). Strategy-as-practice: Taking social practices seriously. The Academy of Management Annals 6(1): 285–336.

Whittington, R. (2006). Completing the practice turn in strategy research. Organization studies 27 (5):613-634.

Whittington, R. (1996). Strategy as practice. Long Range Planning 29(5): 731–35.

Zott, C., Amit, R., & Massa, L. (2011). The business model: recent developments and future research. Journal of management, 37(4), 1019–1042.

1Begge redaktørene har bidratt like mye, både med lederen og i arbeidet med spesialnummeret.
2 https://en.wikipedia.org/wiki/List_of_mergers_and_acquisitions_by_Facebook

Idunn bruker informasjonskapsler (cookies). Ved å fortsette å bruke nettsiden godtar du dette. Klikk her for mer informasjon