Viktigheten av presisjon i KI-debatten – Didaktiske betraktninger

Illustrasjon laget av Microsoft Copilot basert på innholdet i dette innlegget. Legg merke til det lilla skiltet til venstre. Er dette Copilots versjon av «Sprøyt og tøys»? Uansett; det sier noe om hva statistisk generering av tekst kan lede til…

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 kunstig intelligens er i ferd med å bli en samtale full av store ord og små presisjoner. Når sekkebegrepet «KI» brukes om alt og ingenting forsvinner viktige forskjeller mellom teknologier, bruksområder og risikoer. Det gjør oss dårligere rustet til å ta gode beslutninger både politisk og utdanningsmessig.

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 (Masood, 2026).

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 og personvernbrudd.

Med andre ord; vi kan ende opp med å regulerer begrepet «KI» fremfor reelle digitale systemer og disses konkrete funksjoner.

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 (4)

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?

Et konkret eksempel fra egen undervisning

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

– Førsteamanuensis Inga Strümke, 2025 (5)

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 Copilot eller Gemeni 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. 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 (6)

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 her 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 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.

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 (7)

Presisjon i språket er 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 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.

Se også

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 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 (8)

Forfatter: pagodejord

Førstelektor i informatikk ved Handelshøyskolen Nord, utdannet innen fagfeltet informasjonssikkerhet (Biometriske sikkerhetssystem og betalingsformidling) samt jus med spesialisering i Politirett og Arbeidsrett, tidligere lokalpolitiker for Høyre, tjenestepliktig stabsbefal i Sivilforsvaret (pensjonert) med lederansvar for TAKEVAL ved NTSFD, tidligere IT-sjef med sikkerhetsansvar, over 30 års erfaring med bevisstgjøringsarbeid innen IKT-sikkerhet og over 20 års erfaring med digital distribuering av undervisning og studentaktiv undervisning. Vis alle innlegg av pagodejord