13. July 2026
Den kjente teknologen og gründeren George Hotz har publisert et friskt og usminket oppgjør med dagens AI-hype. Hans kjernebudskap er befriende enkelt: Han elsker teknologien bak store språkmodeller (LLM-er), men hater måten risikokapitalister og selskaper overselger den på. Hotz peker på at LLM-er er fantastiske til konkrete oppgaver som kodestøtte og strukturering av ustrukturert tekst, men advarer mot å tro på visjonene om at AI i nær fremtid vil kunne erstatte hele avdelinger autonomt.
Bakgrunnen for utspillet er den økende frustrasjonen i teknologimiljøet over såkalt "AI-vasking", der helt ordinær programvare pakkes inn i AI-merkevare for å tiltrekke seg kapital. Hotz argumenterer for at vi må slutte å se på AI som en magisk boks som kan løse alt, og heller behandle det som et ekstremt kraftfullt verktøy for spesifikke, avgrensede oppgaver. Det handler om å skille mellom reell nytteverdi og spektakulære demoer som kollapser i møte med en kompleks produksjonshverdag.
For teknologiledere som skal fordele IT-budsjetter i månedene fremover, gir dette en viktig realitetsorientering. I stedet for å kaste penger etter umodne og kostbare "AI-agenter" som lover å styre hele prosesser på egen hånd, bør man prioritere verktøy som gir umiddelbar og målbar effektivitet. Utvikleravdelinger som bruker AI som en avansert form for "super-autocomplete" sparer allerede enorme mengder tid. For ledere i operative roller betyr dette at man bør skygge unna de mest glitrende salgspresentasjonene, og i stedet kreve bevis på hvordan verktøyene løser konkrete, daglige flaskehalser.
Les hele innlegget på George Hotz' blogg.
AI-pioneren Richard Sutton advarer mot det han kaller "ett-trinns-fellen" (The One-Step Trap) i AI-utviklingen. Han mener at dagens dominerende AI-forskning og produktutvikling fokuserer altfor mye på å gi umiddelbare svar basert på én enkelt forespørsel (ett trinn), fremfor å utvikle systemer som kan planlegge og tenke i flere ledd over tid.
Når en bruker i dag samhandler med en språkmodell, genererer maskinen et svar basert på statistiske mønstre i et enkelt løp. Dette fungerer utmerket for enkle spørsmål, men Sutton argumenterer for at ekte intelligens krever prøving, feiling og kontinuerlig justering av kursen underveis. For at AI skal kunne løse komplekse, dynamiske problemer i den virkelige verden, må systemene designes for langsiktig planlegging der maskinen simulerer ulike utfall før den handler.
For selskaper som i dag utvikler egne AI-løsninger for logistikk, dynamisk prising eller automatiserte kundereiser, er dette et kritisk veiskille. Å bare koble en standard språkmodell til databasen vil raskt møte veggen når kompleksiteten øker. De som vil lykkes best fremover, er arkitekter og produktutviklere som tør å investere i systemer som kombinerer språklig forståelse med simulerings- og planleggingsverktøy. Det handler om å gå fra reaktive tekstgeneratorer til proaktive problemløsere.
Les mer om teorien på Richard Suttons nettside.