22. June 2026
Ansatte hos Meta har startet en underskriftskampanje i protest mot at selskapet bruker deres interne kommunikasjon og arbeidsdata til å trene opp egne maskinlæringsmodeller. De ansatte krever full åpenhet rundt prosessen og retten til å reservere seg mot at deres digitale fotavtrykk på arbeidsplassen blir brukt som treningsmateriale.
Mens diskusjonen rundt opphavsrett og datainnsamling lenge har herjet i det offentlige rom, flytter frontlinjen seg nå på innsiden av bedriftsveggene. Interne Slack-meldinger, e-poster og fildelingslogger er gull verdt for selskaper som ønsker å trene skreddersydde, interne AI-assistenter. Men denne saken viser at ansatte ikke uten videre godtar å bli ufrivillige bidragsytere til systemer som i ytterste konsekvens kan automatisere bort deler av deres egne jobber.
For personalledere og HR-direktører som planlegger å effektivisere organisasjonen med egendefinerte AI-verktøy, tegner dette opp en viktig kjøreregel: Tillit må bygges før teknologien rulles ut. Skal dere opprettholde et godt samarbeidsklima og unngå gnisninger med fagforeningene, bør det etableres klare retningslinjer for dataminering på arbeidsplassen, gjerne med reelle muligheter for "opt-out" for de ansatte. Les mer om underskriftskampanjen her.
En fersk suksesshistorie viser hvordan en utvikler har lykkes med å finjustere en ekstremt kompakt, lokal AI-modell (Qwen 3 på kun 0,6 milliarder parametere) til å kategorisere komplekse brukerspørsmål. Resultatene er på linje med det man tidligere trengte gigantiske sky-modeller til, men denne varianten kjører lynraskt og helt lokalt.
I starten av AI-bølgen handlet alt om at "større er bedre", noe som har gjort bedrifter avhengige av kostbare og tunge skytjenester. Nå ser vi et markant skifte mot hyper-spesialiserte minimodeller som gjør én spesifikk ting ekstremt godt. Disse krever minimalt med maskinkraft og kan kjøres direkte på standard kontor-PC-er eller lukkede servere.
For finansdirektører og IT-beslutningstakere som sliter med økende API-lisenskostnader til aktører som OpenAI og Anthropic, åpner dette en langt mer lønnsom rute. Ved å trene opp små, åpne modeller til spesifikke oppgaver – som sortering av kundestøtte-henvendelser eller dokumentarkivering – kan dere redusere driftskostnadene drastisk. Samtidig beholder dere full kontroll over sensitive data, ettersom ingenting forlater bedriftens egne brannmurer. Se de oppløftende testresultatene her.
En mye omtalt historie om at bildegeneratoren Midjourney angivelig ble brukt til å utføre presise, medisinske ultralydskanninger har vist seg å være basert på en misforståelse. En av de mest profilerte pådriverne bak nyheten har nå gått ut med en offentlig beklagelse og innrømmet at påstandene ikke holdt vann.
Saken illustrerer hvor sterkt presset er for å finne revolusjonerende AI-historier, og hvor raskt halvsannheter sprer seg i sosiale medier når entusiasmen tar overhånd. Spesielt innen helsesektoren og andre høyrisikobransjer er konsekvensene av feilinformasjon kritiske, og denne hendelsen har blåst nytt liv i debatten om ukritisk AI-optimisme.
For risikovurderere og styremedlemmer understreker dette behovet for streng kildekritikk. Før dere investerer kapital eller merkevare i nye AI-løsninger som lover banebrytende resultater, må teknologien verifiseres av uavhengige fageksperter. AI-hype kan gi rask oppmerksomhet, men umodne verktøy i kjernevirksomheten kan føre til dype tillitsbrudd hos kundene dine. Les beklagelsen og se debatten på X.