13. July 2026
Den kjente utvikleren og gründeren George Hotz (ofte kalt "geohot") har rykket ut med et engasjert oppgjør med dagens AI-hype. Budskapet hans er todelt: Han elsker teknologien bak store språkmodeller (LLMer), men han advarer kraftig mot hvordan teknologien overselges som en magisk løsning på alle verdens problemer.
Hotz peker på at dagens språkmodeller i praksis fungerer som fantastiske mønstergjenkjenningsmotorer som for alvor har revolusjonert koding og tekstbehandling. Likevel advarer han mot forestillingen om at vi står på trappene til en "kunstig generell intelligens" (AGI) som kan erstatte menneskelig tenkning over hele linja. Mye av det som selges inn til styrerommene i dag, er ifølge ham mer opportunistisk markedsføring enn reell substans.
For teknologidirektører og beslutningstakere som sitter på investeringsbudsjettene, fungerer dette som en sunn realitetssjekk. I stedet for å kaste penger etter udefinerte transformasjonsprosjekter basert på frykten for å "bli akterutseilt", bør fokuset ligge på konkrete, målbare gevinster. Utviklingsteam som tar i bruk AI-assistenter til koding opplever allerede en voldsom produktivitetsvekst, mens selskaper som forsøker å erstatte hele kundeserviceavdelinger med helautonome roboter, ofte ender opp med uforutsigbare feil og misfornøyde kunder. Strategien bør være å satse på praktiske verktøy som løser spesifikke flaskehalser i dag, fremfor å betale for luftige visjoner om morgendagen.
En fersk forskningsartikkel advarer nå mot det forfatterne kaller "automatisering uten forståelse". Problemstillingen treffer midt i blinken på dagens digitaliseringstrend: Stadig flere organisasjoner tar i bruk komplekse AI-modeller til å styre kritiske prosesser, uten at de ansatte – eller utviklerne selv – fullt ut forstår hvordan AI-en faktisk kommer frem til avgjørelsene sine.
Historisk sett har automatisering handlet om å kode faste, forståelige regler: "Hvis A skjer, gjør B". Med moderne maskinlæring mates systemet i stedet med historiske data og finner mønstrene selv. Utfordringen oppstår når AI-en oppdager korrelasjoner som virker statistisk logiske i en lukket modell, men som slår feil ut i den fysiske hverdagen. Når kritiske funksjoner overlates til slike uoversiktlige systemer, risikerer man at organisasjonen mister den menneskelige kjernekompetansen som kreves for å oppdage og rette opp systemiske feil når uforutsette situasjoner oppstår.
For driftsdirektører og risikoansvarlige i bransjer som logistikk, finans og produksjon understreker dette viktigheten av å designe systemer med menneskelig overoppsyn ("human-in-the-loop"). Hvis en bank for eksempel automatiserer kredittvurderinger fullstendig uten at saksbehandlerne kan forklare hvorfor en kunde får avslag, mister man evnen til å kvalitetssikre prosessen og ivareta kundetilfredsheten. Selskaper som lykkes best med AI fremover, er de som bruker teknologien til å forsterke de ansattes beslutningsevne, fremfor å fjerne den menneskelige forståelsen fra ligningen.