13. July 2026
Den anerkjente AI-forskeren Rich Sutton har publisert en tankevekkende analyse av det han kaller «ett-skritts-fellen» (The One-Step Trap) i AI-forskning. Han argumenterer for at for mye av dagens utvikling og testing handler om umiddelbare, reaktive handlinger – som å forutse neste ord eller gjenkjenne et bilde – i stedet for å trene opp modeller til langsiktig planlegging, prøving og feiling.
Dette treffer kjernen i hvorfor mange selskaper opplever at deres AI-piloter stopper opp. Dagens store språkmodeller (LLM) er fantastiske til å generere tekst i øyeblikket, men de mangler en indre motor for å legge en strategi, evaluere underveis, og justere kursen når forutsetningene endrer seg.
For driftsdirektører og prosjektledere som prøver å bygge autonome "AI-agenter" for kundeservice eller logistikk, forklarer dette hvorfor systemene ofte sporer av i komplekse prosesser. Løsningen fremover ligger ikke nødvendigvis i å vente på en revolusjonerende oppdatering fra teknologigigantene, men i å designe hybridsystemer. Ved å koble dagens språkmodeller sammen med tradisjonell, regelbasert planleggingsprogramvare, kan man tette gapet og bygge systemer som faktisk tåler møtet med en uforutsigbar arbeidshverdag.
Mens mange drømmer om spektakulære AI-avatarer og helautomatiske styrerom, ligger de virkelige pengene i dag i noe langt mer jordnært: PDF-filer. En ny bølge av oppmerksomhet rettes nå mot det enorme markedet for å konvertere ustrukturerte dokumenter til strukturerte databaser ved hjelp av moderne AI-modeller.
Gjennom tiår har selskaper lagret kontrakter, tollpapirer, fakturaer og tekniske manualer i PDF-formatet – et format som opprinnelig ble designet for utskrift, ikke for at maskiner skal lese det. Å manuelt taste inn eller programmere tradisjonelle skannere (OCR) til å forstå disse dokumentene har historisk sett vært en uendelig og kostbar hodepine.
Dette åpner opp store effektiviseringsgevinster for selskaper innen finans, logistikk og juss. Ved å ta i bruk LLM-baserte verktøy kan man nå trekke ut presise data fra komplekse tabeller og ustrukturerte tekstblokker på sekunder. I stedet for å kaste bort timer på manuell punching, kan saksbehandlere og analytikere få ferdigtygde data rett inn i sine fagsystemer, noe som dramatisk reduserer behandlingstid og feilmarginer.
Den kjente teknologiprofilen George Hotz (geohot) har rystet tech-miljøet med et ærlig oppgjør med tingenes tilstand i AI-bransjen. Hotz, som selv har dyp erfaring med maskinlæring, understreker at han er en stor tilhenger av språkmodeller som verktøy, men at han er inderlig lei av den oppblåste markedsføringshypen som lover "kunstig generell intelligens" (AGI) rundt neste sving.
Han peker på at det akkurat nå pågår en massiv overinvestering basert på urealistiske forventninger. Mange selskaper brenner av millioner på å bygge egne gigantmodeller i troen på at de skal revolusjonere hele forretningsmodellen over natten, i stedet for å se på teknologien som det den faktisk er: En ekstremt kraftig versjon av "autofullfør".
Finansdirektører og teknologiledere gjør lurt i å ta dette som et signal om å stramme inn tøylene på AI-budsjettene. I stedet for å kaste penger etter luftige visjoner om autonome superintelligenser, bør fokuset rettes mot konkrete, lavthengende frukter. Spørsmålet man bør stille i styrerommet er ikke "Hvordan kan AI erstatte alle våre ansatte?", men heller "Hvordan kan vi bruke enkle LLM-integrasjoner til å gjøre våre nåværende ansatte 20 prosent mer effektive i dag?".