14. July 2026
Sikkerhetsforskere har begynt å ta i bruk hackernes egne metoder for å beskytte bedrifters data. Ved å bruke en form for "prompt injection" (instruksjonsinjisering) kalt "kontekst-bombing", kan man nå lure ondsinnede AI-agenter til å avslutte sine egne angrep før de i det hele tatt rekker å gjøre skade.
Tradisjonelt har prompt injection vært sett på som en stor sårbarhet, der eksterne aktører manipulerer en språkmodell til å bryte sine egne sikkerhetsregler. Det nye forsvarstrekket går ut på å gjemme spesifikke instruksjoner i nettsider eller dokumenter. Når en uønsket AI-bot skanner disse sidene for å hente ut sensitiv informasjon, "leser" den instruksjonene som ber den om å umiddelbart stoppe prosessen eller slette sine egne funn. Les mer om metoden hos Ars Technica.
For IT-sikkerhetsansvarlige som kjemper mot en bølge av automatiserte AI-skannere og datainnsamlere, gir dette et helt nytt og kostnadseffektivt verktøy i verktøykassen. I stedet for å bygge tunge, ressurskrevende brannmurer som risikerer å blokkere ekte brukere, kan man legge ut usynlige "snubletråder" i dataene sine. Dette er spesielt verdifullt for virksomheter som beskytter proprietære databaser, immaterielle rettigheter eller sensitive kundeportaler mot uautorisert høsting.
Matleveringsgiganten DoorDash har avduket en ny metode for å kvalitetssikre og strukturere de enorme mengdene ustrukturerte dataene de mottar fra restauranter hver eneste dag. Ved å bruke paneler av ulike språkmodeller – såkalte "LLM-juryer" – kombinert med multimodal AI, klarer de nå å automatisere prosesser som tidligere krevde tusenvis av manuelle arbeidstimer.
Å holde orden på menyer, skiftende ingredienser og allergimerking på tvers av hundretusenvis av restauranter er et logistisk mareritt. DoorDash løser dette ved å la flere uavhengige språkmodeller analysere de samme dataene (for eksempel et bilde av en meny). Hvis modellene er enige, godkjennes dataene automatisk. Dersom det oppstår uenighet i "juryen", sendes saken videre til en menneskelig moderator. Du kan lese hele den tekniske gjennomgangen på DoorDash sin blogg.
For logistikkaktører, nettbutikker og produksjonsbedrifter som har store mengder ustrukturerte produktdata, viser dette hvordan man kan skalere kvalitetskontroll uten at feilprosenten skyter i været. Ved å sette opp systemer der rimeligere modeller kontrollerer hverandre, oppnår man høyere presisjon til en brøkdel av prisen av å bruke én gigantisk modell eller utelukkende menneskelig arbeidskraft.
En fersk forskningsrapport fra Elasticity Institute tar for seg de økonomiske realitetene ved såkalt "Recursive Self-Improvement" (RSI) – prosessen der kunstig intelligens kontinuerlig skriver, tester og forbedrer sin egen kildekode uten menneskelig innblanding.
Mens konseptet lenge har vært forbeholdt sci-fi-entusiaster, analyserer denne studien de faktiske kostnadene knyttet til datakraft (compute) opp mot produktivitetsgevinstene. Konklusjonen er oppløftende for de som søker effektivisering: Vi nærmer oss et økonomisk vippepunkt der autonom programvareutvikling blir vesentlig billigere og raskere enn tradisjonell, menneskelig koding for en rekke standardiserte oppgaver. Rapporten kan leses i sin helhet som PDF her.
For teknologidirektører og selskaper som utvikler egen programvare, signaliserer dette et fundamentalt skifte i hvordan IT-budsjetter bør allokeres. Fremfor å skalere opp med store team av utviklere for å skrive rutinekode, vil vinneroppskriften fremover handle om å designe og overvåke disse selvforbedrende systemene. Programvare går fra å være et statisk byggverk til å bli en levende ressurs som kontinuerlig optimaliserer sin egen ytelse.