Viktigheten av presisjon i KI-debatten

Sist oppdatert: 16.10.2026

Så hva er kunstig intelligens? Først og fremst er det et gammelt fagfelt med et misvisende navn. Som helhet har fagfeltet vært en skuffelse, fordi ordet «intelligens» antyder et løfte disse løsningene aldri har vært i nærheten av å innfri. Samtidig er ideer derfra blitt brukt til å lage IT-løsninger i flere tiår.

Bjørn Stærk, 2023 (1)

Debatten om såkalt «KI» har siden november 2022 utviklet seg til et ekkokammer av store ord og små presisjoner. Når alt fra stavekontroll til språkmodeller puttes i samme sekk, mister vi forståelsen for hva som er den faktiske forskningsbaserte virkelighet. Dette blogginnlegget er derfor ikke skrevet for å gi raske svar, men som en invitasjon til langsom refleksjon. Hva mener vi egentlig når vi sier «KI»? Hvilke forestillinger styrer samtalene oss i mellom? Og hvordan påvirker språket vårt evnen til å ta fornuftige beslutninger i møte med denne spesielle delen av informasjonsteknologien?

Hva mener vi når vi sier «KI»

Strictly speaking, AI is not a technology at all. Facial-recognition software, translation and speech recognition programs, scheduling algorithms, and predictive models might all have different machine learning tools running in the background, but it is patently absurd to refer to them as a singular technology. We do not call everything containing copper wires «wiring»

– R.H. Lossin, PhD. og J. Resnikoff, PhD., 2024 (2)

Begrepet «kunstig intelligens» dekker et vidt spekter av ulike teknologiske løsninger som i flere tiår har vært, og fortsatt er, en del av vår digitale hverdag: fra stavekontroll og autokorrektur, sjakkprogrammer, medisinske diagnosesystemer, stemmegjenkjenningsverktøy, semantisk søk i Google, spam-filtre, enkle statistiske modeller som forutsier strømpriser, via dagens generative språkmodeller som skriver tekst, til visjoner om kunstig generell intelligens (AGI).

Å snakke om «KI» som om det var én ting er misvisende. Mange av dagens mest omtalte systemer så som ChatGPT, Microsoft Copilot og Gemini, er i realiteten statistiske tekstgeneratorer som setter sammen ord basert på mønstre i store datasett. De fremstår tilsynelatende intelligente, men de «forstår» ikke på samme måte som mennesker gjør. Å bruke begreper som «forstår», «tenker» eller «vil» skaper antropomorfisering som forvirrer mer enn den oppklarer.

Hvorfor presisjon er viktig

One problem with the term “artificial intelligence” is that it gets tossed around so carelessly. The current AI chatbot narrative centers around the use of natural language processing (NLP), for example, but Google Search has been using NLP in its search results for a long time. AI is a marketing term used to generate hype, and the tech media is buying right into it.

– Skyler Schain, 2023 (3)

«KI er alt det en datamaskin ikke kan gjøre ennå» er et sitat kreditert IT-forskeren Larry Tesler, men formulert som et teorem av Douglas Hofstadter i Gödel, Escher, Bach. Teslers egen foretrukne formulering var mer direkte. Intelligens, sa han, er det maskiner ennå ikke har gjort.

Med utgangspunkt i Teslers formulering og det som kalles «KI-effekten», vil jeg hevde at uten presisjon blir reguleringer og retningslinjer for bruk av såkalt «KI» unøyaktige og lite relevante. Når vi ikke skiller mellom ulike teknologier og systemer, blander vi sammen helt ulike problemstillinger: opphavsrett og kildebruk ved tekstgenerering, hallusinasjoner og faktasikkerhet i undervisning, algoritmisk skjevhet i beslutningsstøtte, og sikkerhetskrav i medisinsk diagnostikk. Risikoen er tross alt kontekstavhengig, slik at kravene til dokumentasjon, validering og ansvar må være strengere der feil kan skade mennesker direkte, og mer pragmatiske der konsekvensene er lave.

Et godt eksempel er den kommende «KI-loven». Når sekkebegrepet «KI» benyttes ukritisk kan vi få et reelt problem med lovforståelsen. Hvis ledere i offentlig og privat sektor tror at en enkel statistisk modell skal reguleres like strengt som et medisinsk diagnosesystem, kan det kvele innovasjon og skape unødvendig byråkrati.

Og kombinasjonen av et omfattende sekkebegrep og manglende forståelse for datateknologi kan fort føre oss til lover som fokuserer for mye på hypotetiske fremtidsfarer av typen «KI kan utslette menneskeheten», på bekostning av nåværende reelle vitenskapelig forankrede trusler.

Vi mennesker har en naturlige tendens til å tilskrive datamaskiner menneskelige egenskaper som bevissthet, intensjon og generell intelligens. Og denne tendensen blir godt støttet av media og kommersiell hype sin fremstilling av «KI» som noe autonomt og tenkende, istede for avansert sannsynlighetsregning, lineær algebra og mønstergjenkjenning.

Den kommende norske KI-loven virker på meg som et hederlig forsøk på å regulere teknologien basert på konkrete bruksområder og funksjoner, men den abstrakte debatten drukner ofte i myter om kunstig bevissthet.

Så den upresise bruken av sekkebegrepet KI i kombinasjon med medieskapte myter om tenkende enheter, kan føre til misforståelser om hvor de faktiske farene man må regulere ligger. En utpreget frykt for at datasystemer blir «ondskapsfulle«, kan tåkelegge at den reelle risikoen i dag handler om diskriminerende treningsdata (bias), ekkokamre, manipulasjon, avhengighetsskapende algoritmer, personvernbrudd og manglende sikkerhet knyttet til testing av de ulike dataprogrammene.

Uten en klar forståelse av hva vi snakker om, kan vi ende opp med å regulerer begrepet «KI» fremfor reelle digitale systemer og disses konkrete funksjoner.

In other words, AI can’t actually desire to be free or to be devious. It pursues whatever goal we give it, with whatever tools we provide. So the most important questions after any breach include: how was an AI agent trained, what it had access to and what safeguards were in place.

– Kathryn Hulick, 2026 (4)

Tre presisjonsfeil som går igjen

At their core, LLMs are nothing more than sophisticated memorization machines, capable of reasonable-sounding statements, but unable to understand fundamental truth. Importantly and despite the fervent hopes of many, they are far from delivering or even prefiguring artificial general intelligence (AGI). The hype surrounding LLMs has reached stratospheric levels, fostering a misguided belief in their potential as AGI precursors

– Matt Asay, 2024 (5)

Etter å ha fulgt de ulike debattene om samtaleroboter, språkmodeller og sekkebegrepet «KI» siden desember 2022, synes det for meg som at følgende tre feil går igjen og fører til ett sett med helt unødvendige utfordringer:

• Sekkebetegnelsen «KI»: Når alle systemer samles under ett navn, forsvinner nyansene som trengs for målrettet regulering og god praksis. Når mange utdanningsinstitusjoner ønsket å forby, eller nå forbyr, elever og studenter å “bruke KI” så vil det, om vi skulle ta dette bokstavelig, omfatte så mange verktøy at all digital teknologi fort kan omfattes. Men det vi egentlig har snakket om siden 2022/ 2023 er et forbud mot å bruke samtaleroboter av typen ChatGPT eller Copilot i visse situasjoner.
• Blanding av virkelighet og science fiction: Eventyrscenarier om maskiner som foretar egne valg helt utenfor det de er programmert for tar  oppmerksomheten bort fra at vi står midt i en teknologisk utvikling som svekker vår individuelle dømmekraft, devaluerer den politiske og kulturelle verdien av selvstendig menneskelig refleksjon og truer demokratiets evne til å skille mellom velfundert kunnskap og glattformulert uvitenhet. Og dette skyldes ikke at datamaskiner er blitt intelligente og tar over makten, men at vi lar kommersielle aktører og ikke forskning få lov til å definere hva som er virkelig.
• Antropomorfisering: Å tillegge systemene menneskelige intensjoner eller bevissthet fører til feilaktige forventninger og ansvarsvakuum. Hvorfor skal vi kreve at selskaper som OpenAI tar ansvar for det de leverer når vi samtidig tror blindt på at datamaskiner nå har fått selvstendig evne til å tenke og handle uavhengig av sine programmerere? På denne måten blir de kommersielle aktørene, som er de reelle ansvarlige for de ulike datainnbruddene media har løftet frem i siste del av 2026, aldri trukket til ansvar. Som professor Andrzej Porębski sier i et intervju med BBC: «This will open the door to all sorts of intellectual contortions along the lines of: ‘It’s not us, it’s the AI‘». Og i samme intervju peker professor Emily M. Bender på at «Fantasies of ‘AI consciousness’ and concerns about ‘AI wellbeing’ serve to displace accountability away from people and corporations that are building and running software».

Mye av skylden for at disse feilene har fått lov til å eksistere må legges på media, som sjelden eller aldri stiller kritiske spørsmål ved de ulike historiene de kommersielle aktørene har kommet med. Men heller ikke vi i akademia er plettfrie her. Vi har i vår iver etter å være «fremoverlent» en tendens til å glemme at digital teknologi er basert på allerede etablert vitenskap og ikke magi, og at den aldri bør omfavnes uten kritiske spørsmål.

Som Carl Sagan skrev i boken «The Demon-Haunted World: Science as a Candle in the Dark»:

«We have designed our civilization based on science and technology and at the same time arranged things so that almost no one understands anything at all about science and technology. This is a clear prescription for disaster.»

Både evnen til å sette seg inn i den digitale teknologien som omgir oss og evnen til å stille kritiske spørsmål er særlig viktig i en tid der vi er indirekte involvert, som «med-fiende» av Russland, i den største krigen i Europa siden andre verdenskrig og med en økende hybrid-krig som omfatter også oss. Som Hannah Arendt skrev i sin bok «The Origins of Totalitarianism (1951)»; «The ideal subject of totalitarian rule is not the convinced Nazi or the convinced Communist, but people for whom the distinction between fact and fiction (i.e., the reality of experience) and the distinction between true and false (i.e., the standards of thought) no longer exist».

Et konkret eksempel fra egen undervisning

Språkmodeller er lagd for å skrive gode setninger, ikke for å undersøke virkeligheten

– Førsteamanuensis Inga Strümke, 2025 (6)

Som foreleser i teknologirelaterte fag i grenselandet mellom samfunnsvitenskap og humaniora (IKT og læring 1 og 2, ORG5005) og med over 20 års erfaring både med studentaktiv undervisning, konstruksjon av arbeidskrav i tråd med Blooms taksonomi og digital distribusjon av undervisning, er det en selvfølge at mine studenter har lov til å bruke samtaleroboter som del av sine arbeider med ulike arbeidskrav. Og som teknolog kaster jeg like selvfølgelig ikke bort tiden med å bruke såkalte «KI-detektorer» på studentenes innleveringer. Det jeg ser etter er ikke formalia og struktur (at en universitetsstudent er i stand til å følge oppsatte formalia og strukturere en besvarelse er en selvfølge), men innholdet. Er besvarelsen preget av grundige drøftinger og analyser av de momenter et arbeidskrav omfatter og der studentens egen yrkeserfaring er koblet både til tematikken i oppgavene og til relevant faglitteratur? Eller er det kun et 9 siders «essay» som like gjerne kunne vært skrevet av en ungdomsskole- eller videregående elev?

Så mine studenter må altså gjerne benytte seg av språkmodeller som støtte, men de må i hvert arbeidskrav de leverer skrive en egenerklæring om bruk/ ikke bruk av KI. Og når jeg her benytter forkortelsen «KI» så er det for lettvinthetsskyld, siden studentene allerede er vant med en slik overforenkling. Men i retningslinjene, i de generelle veiledningene og i et eget kapittel om «KI» i fagemnenes FAQer, presiseres følgende: «Nevn hvilken type samtalerobot du har benyttet og vær konkret når du beskriver bruken».

For når studentene kun skriver «jeg har brukt KI» i sine egenerklæringer, så åpner det for stor usikkerhet. Har studenten benyttet avanserte stave- og gramatikk kontroll-program eller andre system som ikke lengre ansees som «KI», men som studenten oppfatter som «intelligente system»? I så fall er jo dette egentlig ikke interessant gitt den debatt som har rast i de akademiske søylehaller siden november 2022. For det vi som undervisere og sensorer ønsker å vite, er jo om det er tekstgeneratorer av typen ChatGPT, Copilot eller Gemini som er benyttet.

Så for å få meningsfull dokumentasjon på studentenes bruk av disse verktøyene må vi be om presise opplysninger: hvilken samtalerobot og hva ble denne konkret benyttet til; ideutvikling, formulering, kildekritikk eller ren tekstproduksjon. Uten slike detaljer blir en egenerklæring om bruk/ ikke bruk av “KI” ubrukelig og vil skape utfordringer for både vurdering av studentenes teoretiske arbeider og for studentenes evne til å skille mellom science fact og science fiction når de skal vurdere hva «KI» konkret er som begrep og som enkeltverktøy i helt spesifikke tilfelle.

Når studenter allerede innledningsvis i en besvarelse blir tvunget til å beskrive presist hvilke spesifike samtaleroboter de benyttet og hva de faktisk benyttet dette verktøyet til, utvikler de samtidig en klarere forståelse av hva slike verktøy er og ikke er og ikke minst – hvilke utfordringer bruken kan innebære. En slik første forståelse av skillet mellom konkrete funksjoner og diffuse forestillinger om “KI” er vesentlig for studentenes videre arbeid med de ulike arbeidskrav fra utkast, via veiledning, til mappestenging, og derigjennom viktig for studentenes daglige ansvar for opplæring og instruksjon av andre i egen yrkeshverdag.

Forslag til mer presisjon når vi snakker om «KI»

Artificial intelligence is often talked about as a single technology. This is unhelpful. AI is an umbrella term covering a wide range of technologies, from translation tools and recommendation engines to predictive models and the LLMs that power ChatGPT and many generative and agentic AI systems. These technologies have different lineages, are designed for very different purposes, work in different ways and raise different questions. Yet, they are routinely bundled together under the single label of AI; a simplification that obscures important distinctions and makes informed discussion and decision-making far more difficult than it should be.

– Jo Morrison, PhD. , 2026 (7)

En artikkel på Khrono publisert 31.08 i år har overskriften «Her har sensorene forbud mot å bruke KI». Gitt hvor mange ulike dataprogram og systemer som omfattes av dette sekkebegrepet blir det litt av en oppgave både for sensorer og utdanningsinstitusjoner å holde styr på hvilke digitale verktøy dette forbudet skal gjelde. Men selvsagt er det, nok en gang, kun snakk om samtaleroboter.

En mer presis begrepsbruk, fortrinnsvis basert på faktisk innsikt i KI‑feltets terminologi, kunne gitt både artikkelen i Khrono og den generelle diskusjonen et etterlengtet løft, og kanskje til og med redusert den kollektive forvirringen.

Som samfunnsinformatiker mener jeg derfor at vi nå snarest bør:

• Bruk mer presise begreper: Snakk om «generative språkmodeller», «bildesyntese», «prediktive modeller» eller «samtaleroboter» i stedet for bare «KI».
• Kontekstualiser risiko: Still krav etter hvor kritisk bruken er. Rettslige beslutninger og eksamensvurdering krever høyere sikkerhetsmarginer enn kreative skriveoppgaver.
• Konkret regulering: Vi bør ikke regulere ideen om «KI» som om det var en konkret og handlende entitet. Det som må reguleres er identifiserbare aktørers utvikling, anskaffelse, testing, sikkerhetsstrategier og bruk av bestemte systemfunksjoner i konkrete institusjonelle sammenhenger, ut fra hvilke data som behandles, hvem som berøres, hvilken beslutningsmakt systemet får, og hvor alvorlige konsekvensene kan bli.
• Unngå menneskeliggjøring: Beskriv hva systemene gjør rent teknisk, så som mønstergjenkjenning, sannsynlighetsberegning, statistisk generalisering og ikke hva de «tenker».
• Skille mellom hype og empirisk kunnskap: Politikere, utdanningsinstitusjoner og KI-utvalg (både nasjonale og lokale) bør basere retningslinjer for såkalt “KI-bruk” på forskning og ikke leverandørers markedsføring via mer eller mindre fantasifulle mediehistorier.

I bunn og grunn handler alt dette om én ting: Vi må slutte å snakke om «KI» som om det var et magisk vesen, og begynne å snakke om de faktiske systemene vi bruker, de faktiske aktørene som bygger dem, og de faktiske risikoene de skaper. Når vi presiserer hva slags konkret teknologi vi egentlig står overfor forsvinner både mystikken og mytene, og det er først da vi kan regulere riktig, undervise meningsfullt og ta informerte valg.

The myths of AI and of automation are versions of a rather familiar myth of technological determinism and solutionism. This recurring myth is that technological innovation in itself drives social change (ignoring the social construction of technology), that it is progressive and inevitable, and promotes the idea that by itself technologies can solve complex social problems. Recognising and challenging examples of this myth is an important dimension for
everyone working in the information sciences and indeed beyond. Critical information literacy must rest on an appreciation of this myth. Raising understanding of the infrastructures that
make the apparent ‘magic’ of AI possible is central to what information professionals need to promote. Tools like Chat GPT do not simply pop up as free resources that one might choose
to use or not; instead, it is important to recognise that they are created by humans, often with profit in mind. A full understanding of these facts could be described as algorithmic literacy.

– Andrew Cox, PhD., 2024 (8)

Som Andrew Cox i sitatet over minner oss om, er mye av KI-debatten drevet av den gamle myten om at teknologien selv driver samfunnsutviklingen, og at den kan løse problemer uavhengig av menneskene som bygger og bruker den . Mitt ønske om presisjon er ment som en faglig påpekning av at nettopp dette er en forutsetning for å kunne forstå, kritisere og bruke teknologien ansvarlig.

Og ikke minst; det er en forutsetning for å kunne føre en kunnskapsbasert samtale om disse verktøyene, både oss i mellom og med de vi skal undervise.

Avslutning

Many people assume artificial intelligence is a purely 2020s phenomenon tied to chatbots. In reality, AI research produced working systems long before generative AI existed. This includes chess-playing programs, medical diagnosis systems, and voice recognition tools developed across the 1960s, 1970s, 1980s, and 1990s. IBM’s Deep Blue defeated world chess champion Garry Kasparov in 1997, using techniques built decades into the field’s history, not a recent invention.

What changed more recently was not the existence of the field, but the emergence of one specific technique: deep learning using large neural networks. That technique combined with the availability of enormous datasets and specialized computing hardware. Together, they produced the generative AI systems now familiar to most people. Still, this represents one chapter within a much longer research history, rather than the beginning of the story

– Cris Tolomia, 2026 (9)

Presisjon i språket er altså ikke bare akademisk pedanteri. Det er et praktisk verktøy for å gjøre debatten nyttig og handlingsrettet. Når vi klarer å skille mellom teknologier, bruksområder og reelle risikoer, kan vi lage bedre retningslinjer, mer treffsikre reguleringer og mer meningsfull bruk i egen læring, samt i undervisning og vurdering.

Datamaskiner er fortsatt datamaskiner. De er basert på digitale, binære «byggesteiner», ikke mystisk og uforklarlig magi. Siden 2022 har vi fått flere og mer spesialiserte verktøy (akseleratorer, minnetyper, DPUs, kjøleløsninger) for å møte behovene skapt av store språkmodeller, men disse endringene er forbedringer av samme grunnleggende prinsipp. Datamaskiner er fortsatt digitale maskiner som bruker binær logikk (0 og 1) i form av elektriske tilstander og begrensningene som følger av fysikk, strøm, kjøling og nettverk er ikke på mystisk vis plutselig opphevet.

Dette betyr at vi fortsatt er låst til de samme fysiske realitetene som vi har vært i flere tiår. OpenAI, Microsoft og andre kommersielle aktører har ikke funnet opp hjulet på nytt; de har bare bygget en ekstremt spesialisert versjon av det. Den «magien» vi opplever er et resultat av manglende kunnskap om hvordan datamaskiner faktisk funger, rå datakraft og sofistikert matematikk, ikke et brudd med klassisk datateknologi.

La oss derfor slutte å snakke om «KI» som én entitet, og begynne å snakke om de konkrete systemene og situasjonene vi faktisk står overfor.

Nå håper jeg du sitter igjen med mange tanker. La det få synke inn og ta deg tid til litt stille refleksjon, før du ser nærmere på de to leselistene: først mine egne innlegg i media, og deretter den store oversikten over ulike bidrag i den nasjonale og internasjonale KI‑debatten, med særlig vekt på samtalerobotenes inntog.

mine innlegg i media

Ser vi bare på tallene, finnes det ennå ingen troverdig evidens som underbygger at KI-agenter gjør organisasjoner mer effektive. Ja, jeg vet, dette er rart, og jeg gjør meg ekstremt upopulær når jeg påpeker det. Kanskje fordi det bryter med fremoverlente fremtidsvisjoner, og kanskje fordi det skurrer.

– Inga Strümke, PhD, 2026 (10)

Jeg begynte den første uttestingen av ChatGPT og Copilot (kalt Bing Chat den gangen) i desember 2022. I januar 2023 skrev jeg mine første aviskommentarer og begynte utviklingen av det som nå er bloggboken «ChatGPT – et taleført eksempel på kunstig intelligens, eller…?» til bruk for fagemnet «IKT1016 – KI og danningsprosesser». Under følger det som per nå er mine siste kronikker og leserinnlegg.

• Teknologisk analfabetisme er en alvorlig samfunnsrisiko, Altinget, 21.07.2025
• Samtalerobotenes inntog i akademia – hype eller apokalypse?, forskersonen.no, 17.07.25
• Chatbots in Education: Hype, Help, or Harm?, Medium, 05.06.25
• ChatGPT og dets ulike avarter – nyttig verktøy eller digital papegøye?, Avisa Nordland, 02.06.2025
• Trusler i det digitale rom – KI eller ganske enkelt the usual suspects? Trønderdebatt, 15.08.2024
• Chat GPT – En mer talefør slektning av ELIZA, Trønderdebatt, 10.01.2023
• Chat GPT – Et artig verktøy men ingen pålitelig eksamensløser, Avisa Nordland, nettutgave – debatt, 12.01.2023

Leseliste for studenter og undervisere som ønsker en mer presis KI‑forståelse

For å maksimere verdien av KI, holder det ikke å ha testet den nyeste funksjonaliteten til Copilot Chat. Man må vite hvordan teknologien som ligger bak fungerer, dens begrensninger og hvilke praktiske konsekvenser det får når vi tar modellene i bruk på arbeidsplassen.

– Andrea Marheim Storås, 2026 (11)

I denne leselisten finner du både:

• fagfellevurderte artikler
• populærvitenskapelige tekster
• debattinnlegg
• kritiske essays
• tekniske forklaringer

Dette kan virke uryddig og lite akademisk, men det er helt i tråd både med min forståelse av samfunnsinformatikken og med dette innleggets poeng. For den nasjonale og internasjonale KI‑debatten foregår på tvers av fagfelt, medier og sjangre. Og for at både vi og våre studenter skal kunne få en mer presis forståelse av hva KI egentlig er, krever dette innsikt i både forskning, praksis, politikk og offentlig diskurs.

1. Om kunstig intelligens
2. The history of artificial intelligence, Del 1, Del 2 og Del 3
3. Why AI is not a science
4. There is no such thing as conscious artificial intelligence
5. AI as Normal Technology
6. The AI-as-Normal-Technology view of loss-of-control incidents
7. A big-tent or small-tent AI safety movement?
8. These Things Are Computers. Stop Talking About Them Like They’re Human
9. Misleading Metaphors and Real Risks
10. Felony Humble Bragging and Low-Hanging Fruit: OpenAI, Hugging Face, and AI Labs Gone Wild
11. Mythos: not the magical AI hacking tool after all
12. Why I ask my students if they think AI will kill us all
13. Not everyone thinks AI will kill us all
14. UN AI experts warn against ‘apocalyptic’ rhetoric on risks
15. The Stories We Govern By: AI, Risk, and the Power of Imaginaries
16. AI Security Threats Aren’t a Hoax—But They Also Aren’t as Existential as They Might Seem
17. Anthropic Finds Ingredients for Future AI Worms
18. A warning about ‘model welfare’
19. AI washing
20. Fem paradokser ved kunstig intelligens
21. Who and What comprise AI Skepticism?
22. Why AI Literacy Matters in 2026: A Professional’s Guide
23. Understanding the different types of artificial intelligence
24. Artificial intelligence: How is it different from human intelligence?
25. Viewpoint: When Will AI Exceed Human Performance? Evidence from AI Experts
26. Dear laymen, here’s what you got wrong about AI or LLM
27. Chatbots are not AI
28. ChatGPT is not “true AI.” A computer scientist explains why
29. The Statistical Magic Behind Chat GPT:How AI Learns to Talk
30. How Large Language Models work – From zero to ChatGPT
31. How does ChatGPT generate human-like text?
32. Calm down folks, ChatGPT isn’t actually an artificial intelligence
33. ChatGPT is not ‘artificial intelligence.’ It’s theft
34. Why is ML/ANNs/DL/LLM/GPT/ChatGPT Not-AI and what is the future of AI?
35. Unraveling the mysteries of AI chatbots
36. Difference between AI, ML, LLM, and Generative AI
37. ChatGPT is bullshit
38. ChatGPT: A Bullshit Tool For Bullshit Jobs
39. ChatGPT – The Revolutionary Bullshit Parrot
40. Why Machine Learning is not Artificial Intelligence?
41. Chatbots Don’t Know What Stuff Isn’t
42. The stupidity of AI
43. Why ChatGPT and Bing Chat are so good at making things up
44. From Eliza to ChatGPT: why people spent 60 years building chatbots
45. AI now beats humans at basic tasks: Really?
46. ChatGPT’s Poetry is Incompetent and Banal: A Discussion of (Porter and Machery, 2024)
47. Generating Medical Errors: GenAI and Erroneous Medical References
48. Hallucinating Law: Legal Mistakes with Large Language Models are Pervasive
49. Why ChatGPT-4’s Score on the Bar Exam May Not Be So Impressive
50. Re-evaluating GPT-4’s bar exam performance
51. Artificial Intelligence Driving Materials Discovery? Perspective on the Article: Scaling Deep Learning for Materials Discovery
52. ChatGPT4 failed my pragmatics exam
53. Bloom’s Taxonomy in the Interaction Between Artificial Intelligence and Human Learning
54. Four lessons from ChatGPT: Challenges and opportunities for educators
55. ChatGPT: Bullshit spewer or the end of traditional assessments in higher education? (PDF)
56. Chatroboten er dårlegare til å løysa likningar enn ein gjengs ungdoms­skulelev
57. The trouble with Bloom’s taxonomy in an age of AI
58. Assessment in the Upside Down: Academic AI with Students as the Audience
59. Bloom’s Taxonomy Needs an Update for the AI Age
60. Michelle Kassorla, Ph.D: Assessing Higher‑Order Thinking Skills through Bloom’s Taxonomy – with Insights from the LinkedIn Discussion
61. Hvordan påvirker kunstig intelligens læringsutbytte og vurderingsgrunnlag?
62. Keiserens nye KI-klær
63. What if Generative AI turned out to be a Dud?
64. What exactly are the economics of AI?
65. Why AI detectors think the US Constitution was written by AI
66. AI Detectors Don’t Work. Here’s What to Do Instead
67. There Is No Way to Detect AI Content (Here’s the Proof)
68. 4 Examples That Show You Cannot Trust ZeroGPT and Other AI Detection Tools
69. OpenAI legger ned verktøy for å avsløre AI-tekst: – Unøyaktig!
70. There’s a Problem With That App That Detects GPT-Written Text: It’s Not Very Accurate
71. On the Limits of Artificial Intelligence (AI) in Education
72. Saying No to AI in Education
73. Artificial intelligence for educational measurement: Where is the value for education?
74. Artificial Intelligence and Education: Reinventing Learning and Assessment
75. Refser akademia for angst­preget KI-tilnærming. — Går baklengs inn i fremtiden
76. KI i Randabergskolen
77. Hvordan ChatGPT kan bidra i lærerutdanningens matematikkundervisning
78. Spørsmål om KI som faglige spørsmål
79. Lider akademia av teknofobi?
80. Super-intelligence? No, not even high school intelligence
81. Artificial Intelligence—The Revolution Hasn’t Happened Yet
82. The future of generative AI is niche, not generalized
83. International Scientific Report on the Safety of Advanced AI
84. What are the risks from Artificial Intelligence?
85. KI er ikke din venn
86. ‘Thirsty’ ChatGPT uses four times more water than previously thought
87. Kunstig intelligens får skylden for et enormt strømforbruk den ikke har
88. The ethical implications of using generative chatbots in higher education
89. Unethical and reliable: Why I’m not allowing ChatGPT in my firm
90. Ett år med ChatGPT
91. Kirurger som danser
92. Kunstig intelligens: Innholdet er laget av menn. Algoritmene er laget av menn
93. Ett år med ChatGPT: Etiske blindsoner, eller lukkede øyne?
94. ‘It’s destroyed me completely’: Kenyan moderators decry toll of training of AI models
95. Etikk-eksperter: – Vær varsom ved bruk av kunstig intelligens
96. The ethics of ChatGPT – Exploring the ethical issues of an emerging technology
97. The sociotechnical entanglement of AI and values
98. Kunstig intelligens: Venn og hjelper, eller hyperkommersiell trussel?
99. Ikke lov å bruke ChatGPT i skolen når aldersvilkåret er 18 år
100. An OpenAI agent hacked Medicare. Will anyone be held responsible?
101. OpenAI’s ChatGPT is Breaking GDPR, Says Noyb
102. Status of all copyright lawsuits v. AI
103. Er ChatGPT plagiat? – Opphavsrett og Chatbot/ AI
104. Hvilke juridiske problemstillinger kan oppstå i forbindelse med kunstig intelligens?
105. OpenAI Sued for Using Copyrighted Material to Train ChatGPT
106. Hvem eier innholdet som lages av kunstig intelligens?
107. Employers Should Consider These Risks When Employees Use ChatGPT
108. ChatGPT is a data privacy nightmare. If you’ve ever posted online, you ought to be concerned
109. Kunstig intelligens, digitalt krater og oss
110. Nei, elever med chatboter lærer ikke mer!
111. Tech Giants Pushing AI Into Schools Is a Huge, Ethically Bankrupt Experiment on Innocent Children That Will Likely End in Disaster
112. KI-hallusinasjoner har kommet for å bli – det gjør chatboter utfordrende å bruke i opplæring
113. Studentenes tekstlige identitetskrise
114. Bekymret for studenters KI-bruk: «Nivået er lavere nå»
115. AI makes you smarter but none the wiser: The disconnect between performance and metacognition
116. Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task
117. The Impact of Large Language Models on Programming Education and Student Learning Outcomes
118. How ChatGPT Robs Students of Motivation to Write and Think for Themselves
119. Is it harmful or helpful? Examining the causes and consequences of generative AI usage among university students
120. Using AI for just 10 minutes erodes your ability to persist at hard things
121. Unge meninger: Få ChatGPT ut av klasserommet!
122. Tenke sjæl
123. Kunstig intelligens: Er vi smarte nok ?
124. Hvordan svarer ChatGPT om kontroversielle temaer?
125. No, OpenAI’s model did not ‘go rogue’ – and the real story is more useful than the headlines
126. OpenAI’s Agent Didn’t Hack Hugging Face—They Just Left the Door Open
127. AI-topp: – Sikkerhetspraten er en stor løgn
128. When it comes to security, LLMs are like Swiss cheese — and that’s going to cause huge problems
129. THE DARK SIDE OF LARGE LANGUAGE MODELS (2 deler)
130. CHATGPT – EN TRUSSEL MOT DEMOKRATIET
131. ChatGPT, Grok, Gemini and other AI chatbots are spewing Russian misinformation, study finds
132. Social engineering with ChatGPT (.pdf)
133. Security threats in AIs such as ChatGPT revealed by researchers
134. Is ChatGPT a cybersecurity threat?
135. Unveiling the Dark Side of ChatGPT: Exploring Cyberattacks and Enhancing User Awareness
136. 11 Convincing ChatGPT and AI Scams to Watch out for in 2024
137. KI – nytteverdi eller dommedagsprofeti?
138. Blir leger dårligere med KI?
139. Psychiatrists Warn That Talking to AI Is Leading to Severe Mental Health Issues
140. The Dark Addiction Patterns of Current AI Chatbot Interfaces
141. Psychiatric Researchers Warn of Grim Psychological Risks for AI Users
142. As AI becomes more popular, concerns grow over its effect on mental health
143. For noen blir KI en bestevenn eller kjæreste. Forskere advarer
144. Can ChatGPT Be Addictive? A Call to Examine the Shift from Support to Dependence in AI Conversational Large Language Models
145. Advancing meaningful learning in the age of AI
146. AI-resistant assessments in higher education: practical insights from faculty training workshops
147. A Framework for Generative AI-Driven Assessment in Higher Education
148. Rethinking Assessment in Higher Education in the Age of Generative AI
149. A neutral toolkit? For a fundamental critique of constructive alignment
150. Cultivating independent thinkers: The triad of artificial intelligence, Bloom’s taxonomy and critical thinking in assessment pedagogy
151. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality
152. What if generative AI is not here to stay?
153. AI myth debunked: ChatGPT usage explains only 3.9% of student plagiarism behavior
154. Kunstig intelligens og konsekvenser for veiledning på tekstarbeid
155. The Opposite of Cheating – Teaching for Integrity in the Age of AI
156. Dette er rådene til studenter og forelesere i den kunstige intelligensens tid
157. Generative AI, plagiarism, and “cheating”
158. Eksamen og kunstig intelligens – for faglærar (NTNU)
159. Veiledning om bruk av samtaleroboter ved Det samfunnsvitenskapelige fakultet, UiB
160. Informasjon om bruk av kunstig intelligens, UiTø
161. Generativ kunstig intelligens ved Nord universitet
162. ChatGPT in education: can you still use take-home exams and essays?
163. Towards Mitigating ChatGPT’s Negative Impact on Education: Optimizing Question Design through Bloom’s Taxonomy
164. Assessing ChatGPT’s Mastery of Bloom’s Taxonomy Using Psychosomatic Medicine Exam Questions: Mixed-Methods Study
165. Comparing the Performance of ChatGPT-4 and Medical Students on MCQs at Varied Levels of Bloom’s Taxonomy
166. The ChatGPT Artificial Intelligence Chatbot: How Well Does It Answer Accounting Assessment Questions?
167. The influence of AI text generators on critical thinking skills in UK business schools
168. “Completely Deprive My Rights to Think”: Analyzing Student Perspectives on the Usefulness of ChatGPT and Its Impact on Higher Order Thinking Skills
169. A Cross-Era Discourse on ChatGPT’s Influence in Higher Education through the Lens of John Dewey and Benjamin Bloom
170. How can generative AI intersect with Bloom’s taxonomy?
171. Bloom’s Taxonomy in the Interaction Between Artificial Intelligence and Human Learning
172. Bloom’s Taxonomy Revisited
173. Hva er egentlig problemet med KI og vurdering?
174. Chat GPT egner seg dårlig til eksamenssensuren
175. Kunstig intelligens – hemmer eller fremmer det læring?
176. Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review
177. Google Scholar-oversikt over vitenskapelige artikler om ChatGPT og læring (enkelt søk)
178. Is learning with ChatGPT really learning?
179. ChatGPT effects on cognitive skills of undergraduate students: Receiving instant responses from AI-based conversational large language models (LLMs)
180. Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry
181. Did the COVID-19 pandemic lead to an increase in academic misconduct in higher education?
182. Pressure to Plagiarize and the Choice to Cheat: Toward a Pragmatic Reframing of the Ethics of Academic Integrity
183. Why the Architects of Modern AI Do Not Think LLMs Lead to AGI
184. How Your Cheese-Powered Baby Trounces AI
185. Mener folk bruker kunstig intelligens feil
186. Artificial Intelligence Is Stupid and Causal Reasoning Will Not Fix It
187. AI Is No Match for the Quirks of Human Intelligence
188. No, AGI is NOT here and won’t be for 20 YEARS at least
189. Current AI models a ‘dead end’ for human-level intelligence, scientists agree
190. 15 ting ChatGPT ikke klarer
191. Myter om hva generative språkmodeller kan og ikke kan brukes til i arbeid med tekst
192. KI-debatten må ned på bakken
193. ChatGPT is not OK! That’s not (just) because it lies
194. ChatGPT can’t think – consciousness is something entirely different to today’s AI
195. One year on: has ChatGPT really changed the game?
196. AI: A Guide for Thinking Humans
197. Marcus on AI
198. AAAI 2025 Presidential Panel on the Future of AI Research
199. Khrono sin KI-skole
200. Futurism sine artikler om AI
201. ChatGPT and other language AIs are nothing without humans – a sociologist explains how countless hidden people make the magic
202. The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity
203. This is the beginning of the end of the generative AI boom
204. The most powerful takedowns of generative AI, from those who know its impacts best
205. Hva skal mennesket drive med hvis KI tenker for oss?
206. Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data
207. Sentient AI will never exist via machine learning alone
208. Kan generativ kunstig intelligens opplyse og danne oss?
209. KI er en fristelse som er umulig å motstå. Våre barn er hardest rammet
210. Will Artificial Intelligence Get in the Way of Achieving Gender Equality?
211. Dårlig AI-generert kode skaper trøbbel: «Hører mer og mer om det»
212. Chat GPT – vår tids «Titanic»?
213. KI endrer internett – og fyller det med «søppel»
214. Ekspert tror KI-visjoner er overdrevne
215. Er ChatGPT og andre AI-tjenester en revolusjon?
216. Bruk av generativ kunstig intelligens i offentlig sektor
217. ChatGPT struggles to answer medical questions, new research finds
218. DUAL NATURE OF GENAI: CATALYST OR BARRIER FOR CRITICAL THINKING AND PROBLEM-SOLVING SKILLS? A SYSTEMATIC REVIEW
219. Why the AI Debate Often Misses the Point
220. Kunstig intelligens kan gjøre Norge dårligere på it
221. The Neuroscience Behind 5 Human Abilities AI Still Cannot Replace