19. July 2026
Norges profilerte KI-forsker, Inga Strümke, tegner et tydelig bilde av tingenes tilstand i et ferskt intervju. Hun påpeker at moderne KI-agenter – altså systemer som ikke bare svarer på spørsmål, men som selvstendig planlegger og utfører oppgaver i flere ledd – nå leverer resultater som overgår det man kan forvente av en gjennomsnittlig masterstudent. Samtidig advarer hun mot overfladisk teknologi som smarte briller, og tar til orde for at vi må tørre å satse på kjernekraft for å dekke energibehovet KI-bølgen bringer med seg.
Bakgrunnen for uttalelsen er den eksplosive modningen av "agentisk" KI. Der fjorårets verktøy krevde konstant input og detaljstyring (såkalt "prompting") fra mennesker, kan dagens agenter tildeles et overordnet mål og deretter jobbe i bakgrunnen for å løse det. Dette representerer et fundamentalt skift fra reaktive verktøy til proaktive digitale kolleger.
For selskaper som baserer forretningsmodellen sin på analyse, rådgivning og tyngre kunnskapsarbeid, betyr denne utviklingen at behovet for tradisjonelle "junioroppgaver" faller bort. I stedet for å bruke nyutdannede eller praktikanter til tidkrevende informasjonsinnhenting og oppsummering, kan slike prosesser nå automatiseres i sin helhet. For HR-avdelinger og utdanningsinstitusjoner tvinger dette frem en rask omstilling: Fremtidens talenter må måles på kritisk tenkning, kvalitetssikring og evnen til å styre KI-agentene, snarere enn ren produksjonskapasitet.
Les mer i intervjuet på Digi.no.
Naturhistorisk museum har oppnådd et digitalt gjennombrudd ved å tilgjengeliggjøre 15 000 historiske algeprøver på internett. Den store bøygen har lenge vært etikettene på prøvene – skrevet med en snirklete, gammel håndskrift som tidligere krevde menneskelige eksperter å tyde. Ved å kombinere dugnadsånd med spesialtrente KI-modeller har museet nå klart å transkribere og digitalisere hele samlingen i et tempo som tidligere var utenkelig.
Dette prosjektet berører kjernen av det såkalte "mørke data"-problemet. Rundt om i verden sitter organisasjoner på enorme mengder historisk informasjon som er låst i fysiske formater, enten fordi skriften er uleselig for vanlige skannere, eller fordi materialet er for skjørt. Moderne generative synsmodeller (Vision LLMs) har imidlertid vist seg ekstremt dyktige til å tolke kontekst og mønstre i ustrukturerte bilder, inkludert historisk håndskrift.
For virksomheter innen tradisjonsrike bransjer som shipping, forsikring eller bygg og anlegg, demonstrerer dette prosjektet at arkivene ikke lenger trenger å være en passiv kostnadspost. Gamle loggbøker, håndskrevne skaderapporter eller historiske plantegninger kan nå mates inn i KI-systemer for automatisk indeksering og analyse. Dette gjør det mulig å låse opp verdifull historisk innsikt, forbedre risikovurderinger eller rett og slett digitalisere bedriftshistorien med minimale personalkostnader.
Les hele saken hos Digi.no.
Debatten raser i det internasjonale teknologimiljøet rundt hva som faktisk kreves for å oppnå ekte autonome KI-systemer. En fersk analyse peker på at den vanskeligste delen av utviklingen aldri handlet om selve "agent-arkitekturen" (rammeverkene som lar KI bruke verktøy og ta beslutninger), men snarere om kapasiteten til den underliggende språkmodellen. Uten en ekstremt solid og logisk "hjerne" i bunnen, kollapser selv de mest avanserte agent-systemene under vekten av sine egne feilbeslutninger.
De siste årene har markedet flommet over av verktøy som lover å automatisere komplekse arbeidsflyter ved å la KI-agenter snakke sammen og løse oppgaver i sekvenser. Men i praksis opplever mange selskaper at disse agentene "hallusinerer" eller kjører seg fast i logiske looper hvis oppgaven blir for kompleks. Analysen slår fast at suksess i neste fase av KI-bølgen avhenger av fundamentale forbedringer i de rå reasoning-modellene, snarere enn smarte programmeringstriks rundt dem.
For teknologidirektører og produktutviklere som bygger proprietære KI-løsninger, gir dette en viktig strategisk pekepinn: Ikke kast bort for mye ressurser på å bygge intrikate, skreddersydde agent-rammeverk på toppen av gårsdagens modeller. Det er mer lønnsomt å holde arkitekturen slank og heller posisjonere seg for å plugge inn neste generasjon av kraftige basemodeller så fort de blir tilgjengelige. Motoren i bunnen bestemmer fortsatt hvor langt kjøretøyet kan nå.
Les analysen på The Innermost Loop.