20. July 2026
Tenk deg at du har en digital innbruddstyv som aldri sover, aldri blir sliten, og som kan prøve tusenvis av forskjellige nøkler i døren din hvert eneste sekund. Det er realiteten Telenor Norge-sjef Birgitte Engebretsen peker på når hun nå advarer om at neste generasjon KI-modeller for alvor har havnet i hendene på cyberkriminelle. De bruker teknologien til å finkjemme kildekode og nettverksarkitektur etter glemte sikkerhetshull på sekunder – en jobb som før tok uker.
Tidligere krevde det dyp teknisk ekspertise og dager med manuelt arbeid for hackere å kartlegge sårbarheter i en bedrifts programvare. Nå kan spesialiserte KI-verktøy gjøre den samme jobben på sekunder. Dette betyr at angrepene ikke bare blir mer sofistikerte, men at de rettes mot langt flere mål samtidig.
For selskaper som sitter på sensitive kundedata eller forvalter kritisk infrastruktur, holder det ikke lenger med den faste, årlige penetrasjonstesten. Det blir som å låse døren én gang i året og håpe på det beste. Her må forsvaret automatiseres med egne KI-verktøy som oppdaterer og tetter hullene før de kriminelle i det hele tatt rekker å utnytte dem. Les hele saken hos Digi.no.
Har du noen gang prøv å tyde bestefars gamle hyttebok? Da kan du forestille deg utfordringen Naturhistorisk museum i Oslo sto overfor med 15 000 historiske algeprøver. Etikettene, skrevet med snirklete, falmet håndskrift fra 1800-tallet, var nesten umulige å lese for vanlige datamaskiner. Men ved hjelp av spesialtrent kunstig intelligens har museet nå klart å digitalisere hele samlingen og gjøre den tilgjengelig på nett.
Det som gjør dette prosjektet spennende, er hvordan KI-en klarer å tolke kontekst og uforståelige bokstaver der tradisjonell OCR-programvare (optisk tegngjenkjenning) fullstendig melder pass. Ved å trene modellen på spesifikke håndskrifter, har museet hoppet bukk over tusenvis av timer med manuelt tasterarbeid.
For arkivtunge virksomheter, advokatkontorer eller logistikkbedrifter som sitter på store mengder historiske, håndskrevne dokumenter eller fysiske logger, viser dette at teknologien for å hente ut "fanget" data nå er ekstremt moden. Det åpner opp for å gjøre gamle saksarkiver, kundekartotek eller historiske prosjektdata søkbare og analyserbare med et tastetrykk, uten at man må ansette en hær av studenter til å taste det inn manuelt. Les hele saken hos Digi.no.
Mens debatten om datasentrenes strømforbruk raser videre, har digitaliseringsminister Karianne Tung (Ap) satt foten ned: Det blir ingen nye, strenge konsesjonskrav for å etablere datasentre i Norge. Til tross for hardt press fra partier som Høyre, SV og Rødt, mener ministeren at dagens regelverk og den ferske datasenterloven er mer enn nok til å beholde kontrollen.
Hvorfor er dette så viktig akkurat nå? Jo, fordi den eksplosive veksten i kunstig intelligens krever enorme mengder rå regnekraft. Uten datasentre, ingen KI. Opposisjonen frykter at datasentrene skal sluke for mye av det norske kraftoverskuddet, men regjeringen prioriterer forutsigbarhet for den digitale infrastrukturen.
For selskaper som utvikler tunge KI-modeller eller tilbyr skybaserte tjenester i Norden, betyr dette grønt lys for videre satsing. Norge beholder sin posisjon som et attraktivt og forutsigbart land for etablering av grønn datakraft, takket være vårt kjølige klima og gode tilgang på fornybar energi. Dette sikrer at norske teknologibedrifter fortsatt vil ha tilgang til lokal, lynrask infrastruktur uten å måtte bekymre seg for årelange, byråkratiske søknadsprosesser. Les hele saken hos Digi.no.
Å trene en stor språkmodell som GPT-4 fra bunnen av er forbeholdt tech-giganter med milliarder på bok. Men for oss andre handler det om å tilpasse eksisterende modeller til våre egne behov. Nå har det dukket opp en ny, uoffisiell konkurranse på GitHub kalt "LoRA Speedrun", som utfordrer utviklere til å finjustere (fine-tune) KI-modeller så raskt og billig som overhodet mulig ved hjelp av LoRA-metoden.
LoRA (Low-Rank Adaptation) fungerer litt som å gi en ferdigutdannet siviløkonom et intensivkurs i din spesifikke bransje, i stedet for å sende dem gjennom hele utdanningen på nytt. Konkurransen presser utviklingsmiljøene til å tyne maksimal ytelse ut av maskinvaren og optimalisere algoritmene til det ekstreme.
For produktutviklere og teknologiledere som ønsker å bygge spesialiserte KI-verktøy – for eksempel en intern chat-assistent som forstår bedriftens egne, intrikate fagspråk eller kontraktsmaler – betyr dette at kostnadene for skreddersøm raser nedover. Når finjusteringen går raskere og krever mindre datakraft, blir det økonomisk forsvarlig å kontinuerlig oppdatere spesialiserte KI-modeller med ferske forretningsdata, fremfor å belage seg på generiske, kostbare og utdaterte hyllevarer. Følg med på lederlisten på GitHub.