14. June 2026
KPMG har sett seg nødt til å trekke en nylig publisert rapport om bruken av kunstig intelligens. Årsaken er pinlig, men akk så illustrerende: Rapporten, som skulle belyse hvordan næringslivet tar i bruk teknologien, inneholdt opplagte AI-genererte hallusinasjoner og feilaktige data. Det som skulle være et flaggskip for konsulentselskapets AI-kompetanse, endte i stedet opp som et stjerneeksempel på hva som skjer når kvalitetssikringen svikter.
Bakgrunnen er det enorme presset på konsulentbransjen for å fremstå som ledende premissgivere i AI-revolusjonen. Det produseres i dag enorme mengder analyser og rapporter i et tempo som krever utstrakt bruk av generative verktøy. I dette tilfellet har interne AI-modeller trolig skrevet eller analysert deler av rapporten uten at menneskelige eksperter har faktasjekket sluttresultatet godt nok før publisering.
Dette er en kraftig vekker for markedsavdelinger og kommunikasjonsdirektører som ønsker å effektivisere innholdsproduksjonen sin. Når selv en av verdens største revisjons- og rådgivningsaktører feiler så synlig, viser det at menneskelig overstyring ikke bare er en floskel, men en kritisk forretningsprosess. For virksomheter som publiserer analyser, markedsrapporter eller juridiske vurderinger, må verifisering og faktasjekk rigges som en uavhengig og obligatorisk kontrollstasjon. Automatisering sparer tid, men uten streng redaksjonell kontroll risikerer man å sette hele selskapets tillit på spill i løpet av sekunder. Du kan lese mer om saken hos TechCrunch.
Byregjeringen i Rio de Janeiro har uventet markert seg på den globale AI-arenaen. Deres egenutviklede språkmodell, Rio3.5, har nylig slått Alibabas splitter nye flaggskipmodell, Qwen3.7, i flere anerkjente ytelsestester (benchmarks). Det er ekstremt uvanlig at en lokal, offentlig etat klarer å utfordre de gigantiske teknologiselskapene som pøser milliarder inn i modelltrening.
Tradisjonelt har utvikling av ledende språkmodeller vært forbeholdt teknologigiganter i Silicon Valley og Kina. Rio de Janeiro viser imidlertid at målrettet satsing på lokale data og spesifikke bruksområder kan kompensere for mindre budsjetter. Ved å trene modellen på spissede, relevante datasett har de klart å skape et verktøy som er mer effektivt for deres formål enn de generelle, massive modellene fra de globale gigantene.
Dette representerer et viktig skifte for teknologiledere og strategiske beslutningstakere i både privat og offentlig sektor. Det viser at man ikke nødvendigvis må binde seg til dyre, proprietære lisenser fra OpenAI eller Google for å få topp ytelse. For selskaper med unike datasett – enten det gjelder maritim sektor, norsk prosessindustri eller spesifikke finansielle nisjer – åpner dette døren for å utvikle egne, skreddersydde modeller. Ved å finjustere mindre, åpne modeller på egne data kan man oppnå resultater i verdensklasse, beholde full kontroll over egne data, og redusere driftskostnadene dramatisk. Se detaljene om testen på Twitter/X.