05. June 2026
Det pågår en fascinerende dragkamp på IT-avdelingene akkurat nå. På den ene siden har vi AI-entusiastene som løper febrilsk for å bygge nye løsninger før teknologien endrer seg igjen eller konkurrentene tar innersvingen på dem. På den andre siden står skeptikerne som kjemper en utrettelig kamp mot "entropi" – altså det snikende kaoset av dårlig kode, teknisk gjeld og uforutsigbare AI-modeller som truer med å velte eksisterende systemer. Dette konseptet belyser hvorfor mange virksomheter i dag opplever en dyp intern splittelse i utviklingsarbeidet sitt.
Tenk på det som en samtale med utviklingssjefen din over en kaffekopp: Halvparten av teamet vil kaste seg over de nyeste språkmodellene for å automatisere kundeservicen i en fei, mens den andre halvparten advarer om at kildekoden er i ferd med å bli en uforståelig røre fordi AI-generert kode har blitt dyttet inn uten ordentlig kvalitetssikring. Dette er ikke bare en teknisk uenighet; det er en fundamental forskjell i risikovurdering. Entusiastene frykter å miste momentum, mens skeptikerne frykter den dagen systemet krasjer og ingen vet hvordan det kan repareres.
For teknologiledere og CTO-er handler ikke dette om å velge side, men om å sette opp kjøreregler for "AI-hygiene". Hvis du lar entusiastene løpe fritt uten kontroll, risikerer du å sitte igjen med et ustabilt korthus av AI-tjenester som blir umulige å vedlikeholde om bare et år. Selskaper som utvikler eller tilpasser egen programvare bør derfor kreve strengere manuell kodegjennomgang (code review) for AI-generert kode, samtidig som man opprettholder sandkasser hvor entusiastene kan eksperimentere fritt uten å infisere produksjonssystemene.
Les mer: Simon Willison om dragkampen i AI-teamene.
En ny metode kalt "Latent Agents" viser hvordan vi kan trene opp språkmodeller til å gjennomføre komplekse, interne diskusjoner med seg selv før de gir oss et svar – helt uten at brukeren opplever forsinkelser. I stedet for å sette opp flere trege, eksterne AI-agenter som prater frem og tilbake (noe som krever enorme mengder datakraft og tid), integreres denne kvalitetssikrende debatten direkte i modellens egne tankeprosesser under etter-treningsfasen (post-training).
Hvis bedriften din har forsøkt å bygge avanserte AI-løsninger, har du sikkert merket at såkalte "multi-agent-systemer" (hvor én AI foreslår et utkast, en annen kritiserer det, og en tredje finpusser resultatet) er uutholdelig trege og dyre i drift. Det blir nesten som å holde et tre timer langt styremøte for hver minste lille oppgave. Den nye metoden flytter denne debatten inn i AI-ens "underbevissthet". Den gjør unna hele diskusjonen internt i sine egne skjulte (latente) lag før den spytter ut det ferdige, kvalitetssikrede svaret.
For selskaper som leverer sanntidstjenester – for eksempel finansinstitusjoner som gjør automatiserte kredittvurderinger, eller logistikkaktører som ruteoptimaliserer underveis i transporten – er dette et stort gjennombrudd. Det betyr at man kan oppnå den høye presisjonen til komplekse agentsystemer, men med responstiden og kostnaden til en enkel, enslig modell. Implementering av slike modeller vil redusere skyregningen for AI-drift betraktelig, samtidig som brukeropplevelsen blir langt smidigere.
Les mer: Forskningsartikkelen om Latent Agents på arXiv.