13. July 2026
Den kjente programvareutvikleren og gründeren George Hotz (ofte kjent som «geohot») har publisert en ærlig og kritisk refleksjon rundt tingenes tilstand i KI-bransjen. Han legger ikke skjul på sin dype kjærlighet for store språkmodeller (LLM), men retter samtidig et kritisk søkelys mot den finansielle boblen og de urealistiske løftene som preger markedet akkurat nå.
Bakgrunnen for utspillet er den økende kløften mellom hva teknologien faktisk kan levere i dag, og hva oppstartsselskaper lover investorene sine. Hotz påpeker at LLM-er er fantastiske verktøy for konkrete oppgaver som koding og tekstbehandling, men advarer om at markedet oppfører seg som om generell kunstig intelligens (AGI) er rett rundt hjørnet – noe han mener er en farlig overvurdering som skaper urealistiske forventninger.
For strategiske innkjøpere og IT-direktører som skal prioritere teknologibudsjetter, gir dette en viktig påminnelse om å skille mellom reell produktivitet og markedsføringsstøy. I stedet for å kaste store summer etter kostbare, altomfattende KI-plattformer som lover å revolusjonere hele virksomheten over natten, ligger den virkelige verdien i spissede verktøy som løser konkrete flaskehalser. De virksomhetene som lykkes best akkurat nå, behandler KI som en svært kapabel assistent for utviklerne sine fremfor en magisk erstatning for menneskelig tankekraft. Les hele innlegget på geohot.github.io.
En ny forskningsartikkel tar for seg den økende trenden med å rulle ut KI-agenter til å styre forretningsprosesser, og advarer mot det forfatterne kaller «automatisering uten forståelse». Studien belyser sårbarheten som oppstår når virksomheter lar statistiske modeller ta operative beslutninger uten at modellene har et reelt begrepsmessig fundament for handlingene sine.
Dagens KI-systemer er ekstremt dyktige til å gjenkjenne mønstre og generere logiske neste steg basert på historiske data. Problemet oppstår når uforutsette hendelser (såkalte «edge cases») treffer systemet. Siden maskinen ikke forstår *hvorfor* den gjør som den gjør, kan den fortsette å utføre feilaktige handlinger med stor selvsikkerhet, noe som i verste fall kan føre til systemiske svikt i verdikjeden.
For driftsledere og operasjonelt ansvarlige som vurderer å helautomatisere kundereiser, ordrebehandling eller logistikk, betyr dette at menneskelig overoppsyn (human-in-the-loop) fortsatt er kritisk. Å fjerne det menneskelige leddet fullstendig for å spare kortsiktige kostnader kan fort slå tilbake i form av uforutsette feil og tap av kundetillit. En hybridmodell der KI-en gjør grovarbeidet, men flagger unntak til en menneskelig operatør, fremstår som den mest robuste strategien for å unngå kostbare avsporinger. Du kan fordype deg i problemstillingen på arXiv.
Google Research har lagt frem oppløftende resultater fra sine initiativer for å redusere trafikkorker ved hjelp av kunstig intelligens. Gjennom samarbeidsprosjekter over hele verden har de demonstrert hvordan smart teknologi kan optimalisere eksisterende fysisk infrastruktur, helt uten behov for massive ombygginger.
Tradisjonell trafikkstyring krever ofte kostbare sensorer i veibanen og manuelle tellinger som raskt blir utdaterte. Googles tilnærming er å fôre KI-modeller med anonymiserte trafikkdata fra Google Maps. Ved å analysere flyten i sanntid kan systemet foreslå små justeringer i trafikklysenes tidsintervaller. Dette har vist seg å redusere både ventetid og unødvendig tomgangskjøring betydelig i testområdene.
For transport- og logistikkbedrifter som er avhengige av presis levering i urbane strøk, lover denne teknologien bedre flyt og mer forutsigbare transporttider. Samtidig gir det kommunale beslutningstakere og byplanleggere et konkret og kostnadseffektivt verktøy for å nå utslippsmål raskt, rett og slett ved å bruke eksisterende data på en smartere måte. Les detaljene i Googles rapport på Google Research.