17. June 2026
En fascinerende debatt preger teknologiverdenen akkurat nå, med utgangspunkt i det klassiske filosofiske prinsippet om «Chestertons gjerde». Kort fortalt sier det at du aldri bør fjerne et gjerde før du vet nøyaktig hvorfor det ble satt opp i utgangspunktet. I dagens virkelighet, hvor selskaper i stor stil bruker generative AI-agenter til å rydde opp, optimalisere og modernisere gammel programvare, skaper dette en helt ny type risiko som kalles «Chestertons gap».
Bakgrunnen er den voldsomme farten AI-kodere som GitHub Copilot og Cursor har i 2026. Når utviklere ber disse verktøyene om å strømlinjeforme komplisert «legacy»-kode, vil AI-en ofte identifisere og slette «unødvendige» eller tungvinte kodesegmenter. Problemet er at disse kodesegmentene ofte ble skrevet for å håndtere svært sjeldne feilsituasjoner, obskure regulatoriske krav eller sikkerhetsbrister som AI-en ikke har historisk kontekst til å forstå. Resultatet er en renere kode på overflaten, men med kritiske, usynlige hull i forsvarsverket.
For teknologiledere og IT-direktører betyr ikke dette at man skal slutte å bruke AI til modernisering, men spillereglene må endres. I stedet for å måle suksess på hvor raskt koden skrives eller ryddes, må kvalitetskontrollen rettes mot hvorfor den gamle koden så ut som den gjorde. Bedrifter som moderniserer kjernesystemer bør innføre strenge retningslinjer der AI-en tvinges til å forklare hvorfor den mener en sperre eller et «gjerde» er overflødig, før en erfaren seniorutvikler godkjenner endringen. Les mer om saken på Stephan Tul og se diskusjonen på Hacker News.
Det skjer en stille revolusjon i hvordan norsk næringsliv ruller ut kunstig intelligens. Etter flere år med pilotprosjekter basert på amerikanske skytjenester, ser vi nå en tydelig trend der norske finansinstitusjoner og offentlige aktører flytter AI-satsingene sine over på nasjonal, beskyttet infrastruktur – såkalt «suveren AI».
Drivkraften bak dette skiftet er todelt. For det første har Datatilsynet og europeiske regulatorer strammet inn tolkningen av hvor sensitive person- og forretningsopplysninger kan prosesseres under det fulle regelverket til EU AI Act. For det andre har kvaliteten på mindre, lokalt hostede modeller blitt så god at de nå matcher de globale gigantene på spesifikke, snevre arbeidsoppgaver.
For norske virksomheter innen helse, bank og offentlig forvaltning åpner dette helt nye dører. I stedet for å risikere personvernbrudd ved å sende sensitive dokumenter til eksterne servere, kan man nå kjøre skreddersydde saksbehandlings-agenter på servere plassert på norsk jord. Dette gjør det mulig å automatisere tunge, manuelle prosesser – som analyse av pasientjournaler eller kredittvurderinger – med full regulatorisk ryggdekning.
Internasjonalt ser vi nå starten på slutten for programvare slik vi kjenner det. Det tradisjonelle «SaaS-paradigmet» (Software-as-a-Service), hvor bedrifter betaler månedlige lisenser for at ansatte skal sitte og taste inn data i ulike systemer, er under hardt press fra autonome AI-agenter.
Forskjellen er fundamental: I stedet for at en ansatt bruker et CRM-verktøy til å sende oppfølgings-e-poster og oppdatere salgsprosjekter, settes det nå ut agenter som gjør hele jobben selvstendig. De analyserer innkommende forespørsler, henter data fra interne systemer, tar beslutninger basert på gitte fullmakter og utfører handlinger på tvers av systemer uten menneskelig innblanding.
For selskaper som skal planlegge IT-budsjettene for de kommende årene, krever dette en fundamental tankeendring. Vi beveger oss bort fra å kjøpe programvare per hode («per seat»), til å kjøpe resultater («per oppgave»). Ledere må forberede organisasjonen på å lede og kvalitetssikre flåter av digitale agenter, noe som krever helt ny kompetanse innen prosessdesign og AI-styring snarere enn ren systemopplæring.