22. June 2026
Den kjente tech-profilen og tidligere Google-ingeniøren Steve Yegge har skapt bølger med sitt nyeste essay, "The Flat Curve Society". Han argumenterer for at den eksplosive utviklingen i store språkmodeller (LLMs) er i ferd med å flate ut. Vi ser ikke lenger de enorme kvantesprangene fra versjon til versjon, og teknologigigantene tvinges nå til å bruke eksponensielt mer strøm, data og maskinvare bare for å oppnå marginale forbedringer.
I flere år har mantraet i Silicon Valley vært "scaling laws" – troen på at modellene blir fundamentalt smartere bare man mater dem med mer data og regnekraft. Nå innser stadig flere eksperter at vi nærmer oss grensene for hva dagens transformator-arkitektur kan prestere. Diskusjonen handler ikke om at kunstig intelligens har spilt fallitt, men at vi har nådd et teknologisk platå der rå råstoff-skalering ikke lenger gir de samme revolusjonerende sprangene.
For selskaper som har sittet på gjerdet i påvente av den "perfekte" AI-modellen, betyr dette at ventetiden er over. Det er på tide å slutte å drømme om hva den neste gigantiske modellen kan løse, og heller fokusere på å integrere dagens modne teknologi i faktiske arbeidsprosesser. Konkurransefortrinnet ligger ikke lenger i hvem som har tilgang på den største generelle modellen, men hvem som klarer å finjustere dagens verktøy til å løse spesifikke oppgaver i egen drift.
Utviklingsavdelinger og produktledere bør derfor dreie oppmerksomheten bort fra kostbare "alt-mulig-modeller" og over mot mindre, spesialiserte modeller (SLMs) som kjører lokalt eller i lukkede skyer. Disse er billigere i drift, raskere, og ofte langt mer presise på snevre fagfelt som juridisk dokumentanalyse eller automatisert kundesupport. De som vinner det neste kapittelet i AI-kappløpet, er de som mestrer integrasjon, arbeidsflyt og datahygiene.
Les saken på Medium / Hacker News
Datatilsynet uttrykker sterk skepsis til at blodprøver fra 800 000 norske nyfødte lagres på ubestemt tid uten at foreldrene er tilstrekkelig informert. Prøvene, som opprinnelig tas for å avdekke sjeldne, alvorlige sykdommer hos spedbarn, utgjør en uvurderlig biobank. Denne typen strukturerte helsedata blir i økende grad ettertraktet for medisinsk forskning og utvikling av avansert helseteknologi.
Kampen om høykvalitets bio-data er intensivert globalt. Skal man trene opp treffsikre AI-modeller som kan diagnostisere kreft tidlig eller forutsi arvelige lidelser, kreves det massive, kvalitetssikrede datasett over lang tid. Norge har med sine unike helseregistre et enormt fortrinn, men voksende skepsis fra personvernmyndigheter viser hvor skjør denne ressursen er hvis ikke tilliten opprettholdes.
For gründere og ledere innen helseteknologi (MedTech) understreker denne konflikten at juridisk risiko (compliance) må inn i styrerommene fra dag én. Å utvikle AI-løsninger basert på data som mangler et vanntett, eksplisitt samtykkegrunnlag, er en ekstrem forretningsrisiko. Det hjelper lite at algoritmen din har en treffsikkerhet på 99 prosent hvis regulatoriske myndigheter krever at du må slette hele treningsdatasettet på grunn av personvernavvik.
For sykehusledere og offentlige innkjøpere betyr dette også at kravene til leverandørers dataetikk blir markant strengere fremover. Selskaper som klarer å bygge AI-løsninger som respekterer personvernet – for eksempel gjennom syntetisk data eller såkalt "federated learning", der modellene trenes lokalt på sykehusene uten at sensitive pasientopplysninger flyttes – vil sitte med et betydelig konkurransefortrinn i et marked som krever absolutt tillit.