11. June 2026
Det har skjedd igjen: Du setter opp en splitter ny AI-agent til å hjelpe med en kompleks arbeidsprosess, alt ser lovende ut i starten, men halvveis mister den tråden helt og sporer av. En ny forskningsstudie publisert i PNAS Nexus kaster lys over nøyaktig hvorfor dette skjer. Forskerne har undersøkt transformator-modellers (arkitekturen bak verktøy som ChatGPT) evne til såkalt «executive control» – altså evnen til å planlegge, korrigere egne feil og holde fokus på et overordnet mål over tid. Konklusjonen er at dagens AI-modeller rett og slett mangler de kognitive "bremsene" og styringsmekanismene som vi mennesker bruker for å holde oss på sporet.
Tenk på det som en hyperaktiv, men ekstremt belest kollega. AI-en er fantastisk til å generere neste logiske steg basert på det som nettopp skjedde, men den mangler evnen til å zoome ut og spørre seg selv: «Er denne retningen faktisk fornuftig for prosjektet som helhet?». Uten denne evnen til selvregulering og overordnet planlegging, vil modellene før eller siden gå i sirkel eller hallusinere seg bort når oppgavene blir for lange og komplekse.
For selskaper som nå prøver å rulle ut autonome agenter i kundeservice eller komplekse saksbehandlingskjeder, betyr dette at man ikke bare kan stole på "rå" AI-kraft. Finansforetak som bruker AI til automatisert revisjon eller kontraktanalyse må bygge strenge, eksterne styringsrammeverk – såkalte kognitive arkitekturer eller regelmotorer – rundt AI-en. Den neste store verdiskapingen ligger ikke i å kjøpe en større språkmodell, men i å bygge de systemene som holder modellen i ørene.
Les hele studien hos PNAS Nexus
Maskinvareprodusenten Raspberry Pi har nettopp lansert en ny versjon av sin populære Pi 5-modell med hele 16 GB RAM. Ved første øyekast virker dette kanskje som en nyhet for spesielt interesserte hobbyutviklere, men dette er en viktig brikke i et større skifte vi ser akkurat nå: overgangen til «Edge AI», hvor tunge AI-modeller kjøres lokalt på billig maskinvare i stedet for i dyre skytjenester.
Tradisjonelt har det å kjøre bildegjenkjenning eller språkmodeller krevd enorme mengder serverkraft i skyen, noe som raskt blir kostbart og gir forsinkelser (latens). Men i takt med at AI-modellene har blitt mindre og langt mer effektive (såkalte Small Language Models, eller SLMs), kan de nå presses inn på langt mindre enheter. Med 16 GB RAM på en maskin til under tusenlappen åpner det seg plutselig helt nye muligheter for å kjøre relativt avansert AI lokalt.
For driftsledere i produksjonsbedrifter gjør dette det mulig å plassere smarte sensorer og kameraer direkte på samlebåndet for å oppdage feil i sanntid, uten å måtte sende sensitiv videooverføring ut av huset. Likeledes kan butikkjeder installere lokal bildeanalyse for automatisk lagerstyring direkte i butikkhyllene. Dette kutter ikke bare sky-regningen dramatisk, men løser også utfordringer knyttet til personvern og GDPR på en svært elegant måte.