13. July 2026
Den profilerte teknologen og gründeren George Hotz (ofte kjent som «geohot») har publisert et friskt oppgjør med den rådende AI-hypen. Hotz, som selv har dyp teknisk kjærlighet til store språkmodeller (LLM-er), advarer kraftig mot hvordan selskaper i dag overselger AI som en magisk totalleverandør av forretningsverdi uten rot i virkeligheten.
Bakgrunnen er den økende frustrasjonen over at virksomheter kaster penger etter diffuse «AI-transformasjoner» uten en konkret plan. Hotz understreker at dagens modeller er fantastiske verktøy – spesielt som digitale assistenter for programmering og tekstbehandling – men at de fortsatt mangler evnen til å resonnere selvstendig på et nivå som forsvarer de mest ekstreme verdsettelsene i markedet.
For teknologiledere og innkjøpsansvarlige gir dette en gyllen anledning til å puste med magen. I stedet for å la seg blende av konkurrentenes høytflyvende visjoner, bør fokuset rettes mot konkrete og målbare gevinster. Utviklingsavdelinger som tar i bruk AI som en ren programmeringspartner (copilot) opplever gjerne umiddelbar effektivisering, mens virksomheter som prøver å erstatte hele kundeserviceavdelingen med uovervåket AI ofte ender opp med omdømmesmell og sinte kunder. Suksess akkurat nå handler om å høste de lavthengende, praktiske fruktene fremfor å jakte på ren science fiction.
Les hele innlegget til George Hotz her.
Et nylig publisert essay fra AI-miljøet advarer mot det som kalles «The One-Step Trap». Dette beskriver en utbredt tendens til å tro at komplekse problemer kan løses i én enkelt operasjon – for eksempel ved å sende en enorm prompt til en språkmodell og forvente det perfekte resultatet umiddelbart – i stedet for å bygge systemer som kontinuerlig lærer, søker og korrigerer seg selv underveis.
Dette har dype røtter i hvordan AI-forskning har utviklet seg, men det har i høyeste grad kommersiell relevans i dag. Mange virksomheter har det travelt med å rulle ut statiske AI-løsninger. Disse fungerer ofte glimrende i kontrollerte testmiljøer, men feiler spektakulært i møte med en uforutsigbar virkelighet fordi de mangler evnen til å tilpasse seg dynamiske endringer.
For produktutviklere og IT-arkitekter som designer AI-drevne systemer, er dette en viktig påminnelse om å tenke arkitektur fremfor raske snarveier. Ved å unngå rigide, låste AI-moduler og heller investere i systemer som tillater løpende tilbakemeldinger (RLHF) og iterative søkeprosesser, bygger man løsninger som tåler uforutsette endringer. Dette er spesielt kritisk for virksomheter som bruker AI til komplekse oppgaver som logistikkplanlegging eller markedsvurderinger.
Les mer om «One-Step Trap» her.
En fersk forskningsrapport belyser de skjulte farene ved å automatisere forretningsprosesser med AI uten at verken teknologien eller menneskene bak har en dyp, kausal forståelse av oppgavene som utføres. Når maskiner tar beslutninger basert på rene statistiske korrelasjoner, øker risikoen for uventede systemfeil drastisk.
I jakten på kostnadskutt og effektivisering rulles AI-agenter ut i høyt tempo for å håndtere alt fra kredittvurderinger til lagerstyring. Men ettersom AI-en ikke «forstår» de underliggende mekanismene i den virkelige verden, kan uforutsette endringer i markedet føre til at systemene fatter katastrofalt feilaktige beslutninger uten at noen merker det før skaden er skjedd.
Driftsdirektører og risikostyrere i sterkt regulerte bransjer, som finans og logistikk, bør merke seg dette. Fullautomatisering bør inntil videre forbeholdes lavrisiko-oppgaver. For kritiske beslutningsprosesser bør strategien være en hybridmodell: La AI-en gjøre grovarbeidet og analysene, men behold alltid erfarne fagfolk i loopen som har det endelige eierskapet og som faktisk forstår faget.