Hva er kunstig intelligens (AI)?
Kunstig intelligens (AI) er ikke lenger en framtidsvisjon, men en integrert del av hverdagen vår. Vi møter den i alt fra algoritmene som styrer feedene våre i sosiale medier og anbefalingene i strømmetjenester, til avanserte systemer som tolker røntgenbilder, diagnostiserer sykdommer, kjører biler, skriver kode og analyserer finansmarkedet.
Enkelt sagt handler AI om å få datamaskiner til å utføre oppgaver som normalt krever menneskelig intelligens: å gjenkjenne mønstre, trekke slutninger, ta beslutninger, forstå språk og løse problemer. I mange spesifikke sammenhenger viser datamaskiner allerede en evne som overgår menneskets, såkalt smal AI (narrow AI), det vil si systemer som er svært dyktige innenfor et avgrenset område, men som mangler evnen til å resonnere utenfor det.
Vi står overfor en digital transformasjon som ofte sammenlignes med industrialiseringen. Men mens den industrielle revolusjonen mekaniserte det manuelle arbeidet, endrer AI-revolusjonen forutsetningene for det kognitive og intellektuelle arbeidet. Det påvirker alt fra administrative yrker til kreative skapende prosesser og akademisk forskning.
En kort historikk: Fra enkle regelbaserte systemer til generativ AI
Ideen om tenkende maskiner er ikke ny. Allerede på 1950-tallet ble begrepet «kunstig intelligens» lansert, og de første tiårene var dominert av regelbaserte systemer, såkalte ekspertsystemer, der programmerere forsøkte å kode inn eksplisitte regler for hvordan en datamaskin skulle handle i ulike situasjoner. Metoden fungerte for strengt avgrensede problemer, men var vanskelig å skalere opp, fordi virkeligheten sjelden lar seg fange i et fast regelverk.
På 2000- og 2010-tallet skjedde et paradigmeskifte med gjennombruddet for maskinlæring. I stedet for å programmere regler for hånd fikk datamaskinene nå lære mønstre direkte fra store mengder data. Utviklingen ble drevet av tre faktorer som forsterket hverandre: tilgangen til enorme datamengder via internett, kraftigere maskinvare (ikke minst grafikkort, som viste seg å være utmerkede til å trene nevrale nettverk) og nye, mer effektive algoritmer. Gjennombrudd innen bildegjenkjenning rundt 2012 viste at såkalte dype nevrale nettverk kunne slå tidligere metoder med god margin, og siden har utviklingen akselerert år for år.
Det siste store spranget kom i begynnelsen av 2020-tallet med gjennombruddet for generativ AI og store språkmodeller, der verktøy som ChatGPT ble startskuddet for en bredere allmenn bevissthet om teknologiens potensial.
Figur 1 nedenfor viser hvordan evnene til AI-modeller har akselerert fra 2022 til 2026. Man ser en svært rask utvikling av evnene til språkmodellene. Evnene måles med standardiserte tester (se Artificial Analysis).
Modellenes evner forbedres parallelt med at størrelsen på modellene øker. Som det fremgår av figuren nedenfor, der størrelsen på sirklene angir språkmodellens størrelse, har modellene raskt blitt markant større, og parallelt med dette har den intellektuelle kapasiteten økt.
Utviklingen av språkmodeller har i stor grad vært drevet av enorme investeringer fra teknologiselskaper som Microsoft, Google, Meta, Amazon og Oracle. Investeringene disse selskapene har gjort i AI-infrastruktur, fremgår av figuren nedenfor. Det anslås at disse selskapene vil investere tusenvis av milliarder dollar i AI-infrastruktur i årene som kommer. Investeringene gjøres i jakten på å kunne tilby (overmenneskelig) intelligens fra enorme datafabrikker.
Grunnlaget: maskinlæring, dyp læring og nevrale nettverk
For å forstå dagens AI er det verdt å oppklare noen sentrale begreper. Maskinlæring (machine learning) er en samlebetegnelse for metoder der datamaskiner «lærer» å utføre en oppgave ved å analysere data, i stedet for å bli eksplisitt programmert for hvert enkelt scenario. Maskinlæring deles gjerne inn i tre hovedtyper.
Ved veiledet læring trenes modellen på data der fasiten allerede er kjent, for eksempel tusenvis av bilder merket «katt» eller «hund», og modellen lærer å gjenkjenne mønstrene som skiller dem fra hverandre. Ved ikke-veiledet læring mangler fasiten, og modellen må i stedet selv finne strukturer eller grupperinger i dataene, for eksempel ved å dele kunder inn i ulike segmenter. Ved forsterkende læring lærer systemet gjennom prøving og feiling og belønnes for ønsket atferd, en metode som blant annet har ligget bak AI som har mestret avanserte spill på et overmenneskelig nivå.
Dyp læring (deep learning) er en undergruppe av maskinlæring som bygger på kunstige nevrale nettverk, løst inspirert av hvordan hjernens nerveceller er koblet sammen. Ved å stable mange lag av disse nettverkene oppå hverandre kan systemet lære stadig mer abstrakte representasjoner av dataene, fra enkle kanter og former i et tidlig lag til hele ansikter eller begreper i et senere. Det er nettopp dyp læring, kombinert med en arkitektur kalt transformere (transformers), som ligger til grunn for dagens store språkmodeller.
Det store skiftet: fra smal AI til generativ AI og store språkmodeller
Den forrige generasjonen AI var i hovedsak analytisk. Den ble trent til å gjenkjenne mønstre, sortere data og utføre spesifikke, ofte repetitive oppgaver innenfor gitte rammer. Mange trodde lenge at AI bare ville kunne håndtere slike strukturerte prosesser. Dette endret seg grunnleggende i begynnelsen av 2020-tallet med gjennombruddet for generativ AI og store språkmodeller (LLM). Dagens AI er ikke lenger begrenset til bare å analysere eksisterende data; den kan skape helt nytt innhold: tekster, bilder, musikk, video og programkode, ofte på et nivå som er vanskelig å skille fra materiale skapt av mennesker.
Denne evnen til å generere innhold ut fra en instruksjon (en såkalt «prompt») har åpnet for helt nye bruksområder, fra å oppsummere rapporter og skrive utkast til å utarbeide designforslag eller feilsøke programkode på sekunder. Dagens mest avanserte modeller er også «multimodale», noe som betyr at de kan forstå og kombinere flere typer data samtidig, for eksempel tekst, bilde, lyd og video i samme resonnement.
Agentisk AI: fra passive assistenter til autonome agenter
Et av de største skiftene innen kunstig intelligens akkurat nå er overgangen fra generativ AI til agentisk AI (agentic AI). Tidligere krevde AI-modeller konstant styring gjennom spesifikke instruksjoner for å løse én oppgave om gangen. En AI-agent fungerer i stedet mer autonomt: du gir den et overordnet mål, og agenten planlegger selv de nødvendige stegene for å nå dit.
Styrken i dette ligger i at agenten kan samhandle med omverdenen. Den kan søke etter informasjon på internett, bruke eksterne programmer og verktøy, ta beslutninger basert på egne delresultater og korrigere feilene sine underveis. I stedet for bare å skrive et utkast til en e-post kan en AI-agent analysere et problem, samle inn data fra ulike systemer, sette sammen en rapport og selvstendig handle på innsiktene. Det forvandler AI fra et passivt verktøy til en aktiv samarbeidspartner som kan drive komplekse prosjekter fra start til mål. Samtidig reiser denne autonomien nye spørsmål om ansvar og kontroll: hvem har ansvaret når en agent tar en feilaktig beslutning på egen hånd?
AI i praksis: helsevesen, utdanning, transport, kreative næringer og forskning
Potensialet i AI ligger ikke først og fremst i å erstatte mennesket, men i å forsterke evnene våre. Ved å automatisere rutineoppgaver kan vi konsentrere oss mer om menneskelig kontakt, dybdeanalyse og innovasjon. Nedenfor følger noen eksempler på hvordan AI allerede endrer ulike samfunnssektorer.
Helsevesenet. Et tydelig eksempel finnes i helsevesenet:
- Dagens utfordring: En lege har ofte begrenset tid per pasient. I løpet av en kort konsultasjon skal legen lese journaler, intervjue pasienten, gjøre en medisinsk vurdering, ordinere behandling, skrive henvisninger og til slutt dokumentere alt i journalsystemet. Tidspresset risikerer å gå ut over både pasientsikkerheten og arbeidsmiljøet.
- AI-løsningen: Med moderne AI-verktøy kan systemet lytte til samtalen, automatisk oppsummere den til et korrekt medisinsk journalnotat, søke gjennom pasienthistorikken og foreslå relevante behandlingsalternativer basert på den nyeste forskningen. Når AI tar seg av dokumentasjonen, kan legen i stedet bruke tiden på undersøkelsen og det personlige møtet med pasienten.
Utdanning. AI brukes stadig mer til å lage individtilpassede læremidler som følger hver elevs studietempo, og til å gi lærere støtte i retting og oppfølging, noe som frigjør tid til det pedagogiske møtet med eleven.
Transport. Selvkjørende kjøretøy og AI-basert trafikkoptimalisering viser hvordan mønstergjenkjenning i sanntid kan forbedre både sikkerhet og effektivitet i transportsystemene.
Kreative yrker. Innen design, musikk, film og markedsføring brukes generative verktøy til raskt å lage utkast, visualiseringer og varianter, noe som endrer de kreative yrkesutøvernes arbeidsflyt grunnleggende.
Forskning med «Co-Scientists». Innen forskning og avansert analyse er AI i ferd med å redefinere den vitenskapelige arbeidsmåten. Spesialiserte AI-systemer, iblant kalt «co-scientists», fungerer som autonome forskningspartnere som kan automatisere store deler av forskningskjeden: analysere enorme mengder eksisterende forskningsdata, generere nye hypoteser, designe eksperimenter og simulere resultater. Ved å koble slike AI-modeller sammen med automatiserte robotlaboratorier («cloud labs») kan eksperimenter kjøres i stor skala døgnet rundt. Denne symbiosen mellom menneskelig intuisjon og maskinell slutningsevne akselererer oppdagelsestakten innen medisin, materialvitenskap og klimaforskning.
Kappløpet mellom AI-laboratoriene
Utviklingen av de kraftigste språkmodellene, ofte kalt «frontier-modeller», har lenge vært drevet av et fåtall amerikanske AI-laboratorier som OpenAI, Anthropic og Google, med lukket (closed source) kildekode og lukkede modellvekter. Fram til sommeren 2026 var det i praksis disse aktørene som satte standarden for hva AI i det hele tatt klarte.
I juli 2026 kom det imidlertid et trendbrudd. Det kinesiske AI-laboratoriet Moonshot AI, med base i Beijing, lanserte da Kimi K3, en modell med åpne vekter (open weight) og hele 2,8 billioner parametere. I flere spesifikke sammenligninger, blant annet innen agentisk koding, presterte Kimi K3 bedre enn Anthropics daværende ledende modeller Claude Fable 5 og Claude Mythos, samtidig som den lå svært nær konkurrenten GPT-5.6 fra OpenAI. Det var første gang en åpent tilgjengelig modell, attpåtil utviklet i Asia, gikk forbi de lukkede vestlige frontier-modellene på vesentlige punkter, selv om bildet er nyansert, siden de lukkede modellene fortsatt lå noe foran på andre typer tester.
Det som gjør dette særlig betydningsfullt, er prisbildet. Ifølge Moonshots offisielle prisliste koster Kimi K3 omkring 0,30 dollar per million bufrede input-tokens, 3 dollar per million vanlige input-tokens og 15 dollar per million output-tokens. Claude Fable 5 koster til sammenligning 10 dollar per million input-tokens og 50 dollar per million output-tokens, omtrent tre ganger så mye i begge ender. Forskjellen viser hvor raskt AI-intelligens er i ferd med å bli en handelsvare (commodity): evner som bare noen måneder tidligere var forbeholdt et fåtall aktører til en høy pris, er nå tilgjengelige for en brøkdel av kostnaden, iblant til og med gratis å laste ned og kjøre selv.
Dette stiller nye krav til den som bruker AI. Ulike modeller er gode på ulike ting og krever dessuten helt ulik infrastruktur. En mindre, effektivisert modell kan i dag kjøres lokalt på én enkelt kraftig GPU hos en entusiast eller i en mindre bedrift. Kimi K3 er derimot, til tross for sine åpne vekter, i praksis vanskelig å kjøre lokalt for de aller fleste: med 2,8 billioner parametere totalt (hvorav bare en mindre andel aktiveres per token, takket være en såkalt Mixture-of-Experts-arkitektur) kreves det likevel betydelige mengder minne og flere sammenkoblede grafikkort for å drifte modellen selv. De fleste brukere vil derfor også i fortsettelsen bruke slike modeller via et API, snarere enn å kjøre dem på egen maskinvare.
Samlet betyr dette at den som vil bruke AI på en god måte, må skaffe seg en viss kunnskap: hvilken modell passer til hvilken oppgave, hva den koster å kjøre i stor skala, og hvilken infrastruktur den krever. Siden både regnekraft og energi er begrensede ressurser, bør AI også brukes ansvarlig; å velge en mindre, billigere modell når oppgaven ikke krever den aller mest avanserte (og energikrevende) frontier-modellen, er en del av en bærekraftig og bevisst AI-bruk.
Muligheter og nytte: AI endrer arbeidslivet
Akkurat som den industrielle revolusjonen frigjorde muskelkraft gjennom mekanisering, frigjør AI-revolusjonen nå kognitiv kapasitet. Ved å automatisere rutineoppgaver som datainnsamling, dokumentasjon og første utkast kan medarbeidere bruke mer tid på det som faktisk krever menneskelig skjønn: relasjoner, kreativitet og komplekse beslutninger. AI virker også demokratiserende, fordi den gir flere mennesker tilgang til kompetanse som tidligere krevde spesialistkunnskap, for eksempel hjelp med programmering, tekstutkast eller dataanalyse. Samlet innebærer dette raskere beslutningsprosesser, mer persontilpassede tjenester og en mulighet for mindre organisasjoner til å konkurrere med ressurser som tidligere bare fantes hos store aktører.
Det er usannsynlig at vi i løpet av de nærmeste årene vil få se en såkalt kunstig generell intelligens, AGI, det vil si en AI som har en fullstendig menneskelig begavelse med egen bevissthet, drømmer og spontanitet. Menneskelig intelligens er dypt forankret i vår biologiske og emosjonelle eksistens. De kraftigste språkmodellene i dag fortsetter å gjøre banale feil, noe som avslører at de er langt fra AGI. Det betyr at dagens generative AI, det vil si språkmodeller, kan vise både svært imponerende evner og samtidig svikte i enkle, grunnleggende oppgaver som krever eksakt logikk eller regning. Et eksempel er at generativ AI i flere studier har prestert bedre enn leger på spesifikke diagnostiske oppgaver, men den samme modellen kan mislykkes med å telle hvor mange ord setningen «Hvordan har du det?» inneholder.
Utviklingen er imidlertid eksponentiell. Generativ AI blir raskt bedre, og stadig flere svakheter elimineres gjennom fortløpende forbedringer. Forbedringene innebærer som regel at modellene blir større og at arkitekturen justeres til det bedre. Suksessen med generativ AI har også gjort det tydelig for oss at mange av arbeidsoppgavene vi betrakter som intellektuelle, kan løses uten bevisst tenkning. AI-modeller mangler nemlig bevissthet og subjektiv opplevelse, selv om det iblant hevdes at de «tenker». Kompliserte vurderinger innen helsevesen, finans, ingeniørfag og matematikk har kunnet løses med AI, til tross for at modellene altså ikke tenker i egentlig forstand. Det har reist nærmest eksistensielle spørsmål om hvordan menneskets rolle vil utvikle seg i årene som kommer. Vi vet foreløpig ikke hvor raskt eller hvor mye AI vil utvikle seg. Vi vet ikke om språkmodeller noen gang vil oppnå AGI, og flere ledende forskere mener at AGI ikke kan oppnås med eksisterende metoder for å bygge språkmodeller. Det vi derimot vet, er at stadig flere arbeidsoppgaver helt eller delvis vil kunne utføres av AI. Med største sannsynlighet vil menneske og maskin arbeide parallelt i årene som kommer, og deretter kan man anta at menneskets rolle i de fleste nåværende arbeidsoppgaver vil endre seg. Det vil gi mennesket mulighet til å bruke mer tid på det som krever fysisk tilstedeværelse, menneskelige relasjoner, kreativitet og etiske avveininger, det som alltid har krevd et menneske, men som vi hittil sjelden har hatt tid til i arbeidslivet vårt.
Utfordringer, risikoer og etikk
Til tross for de imponerende framskrittene er det viktig å være realistisk og forstå teknologiens begrensninger. AI-systemer mangler bevissthet, følelser og ekte biologisk forståelse; de opererer gjennom avansert statistikk og sannsynlighetsberegninger. Når vi integrerer AI i samfunnet, står vi overfor flere store utfordringer:
- Hallusinasjoner: Språkmodeller kan iblant generere informasjon som høres helt overbevisende ut, men som faktisk er feil, noe som stiller krav til kildekritikk og menneskelig gjennomgang.
- Skjevheter og fordommer (bias): En AI blir aldri bedre enn dataene den trenes på. Hvis treningsdataene inneholder menneskelige fordommer eller skjevheter, vil AI-en reprodusere og iblant forsterke dem.
- Etikk og opphavsrett: Det pågår en intens juridisk og etisk debatt om hvordan data brukes til å trene modeller, og om hvem som eier rettighetene til det AI-genererte materialet.
- Personvern: Når AI-systemer trenes på og analyserer store mengder personopplysninger, oppstår det spørsmål om hvordan informasjonen samles inn, lagres og beskyttes.
- Desinformasjon: Generativ AI gjør det enklere å lage overbevisende, men falske bilder, lyd og video (såkalte deepfakes), noe som stiller nye krav til verifisering og mediekompetanse.
- Arbeidsmarked: Automatisering reiser berettigede spørsmål om hvilke yrker og arbeidsoppgaver som vil endres eller forsvinne, og hvilken kompetanse som vil bli etterspurt framover.
Regulering og styring
Etter hvert som AI får stadig større innflytelse i samfunnet, har behovet for regelverk vokst. I EU er det utarbeidet en AI-forordning (AI Act), et av verdens første overordnede regelverk for kunstig intelligens, som klassifiserer AI-systemer etter risikonivå og stiller strengere krav til systemer som vurderes som høyrisiko, for eksempel innen helse, rekruttering og kriminalitetsbekjempelse. Parallelt arbeider land, forskningsinstitusjoner og selskaper verden over med egne retningslinjer for ansvarlig AI-utvikling, ofte med vekt på åpenhet, sikkerhet og menneskelig kontroll. Reguleringen befinner seg fortsatt i en tidlig fase i rask endring, og det er sannsynlig at lovgivningen vil fortsette å utvikle seg i takt med teknologien.
Bærekraft: Energi- og ressursbehov
Trening og drift av moderne AI-modeller, særlig store språkmodeller, krever betydelig regnekraft, som i sin tur krever energi og kjøling i store datasentre. Denne ressursbruken har blitt et stadig viktigere spørsmål etter hvert som bruken av AI vokser globalt, og den reiser spørsmål om hvordan teknologiutviklingen kan kombineres med klimamål og bærekraftig energiforsyning. Samtidig brukes AI selv som et verktøy for å effektivisere energisystemer, optimalisere ressursbruk og framskynde forskning på fornybar energi. Forholdet mellom AI og bærekraft går altså begge veier.
Tokenomics
Med tokenomics menes hvordan kostnaden ved å bruke en AI-modell beregnes og prises, altså økonomien som bygges opp rundt tokens. Siden hvert kall til en språkmodell koster penger per million tokens, blir valget av modell en avveining mellom kvalitet, hastighet og pris. Etter hvert som konkurransen mellom AI-laboratoriene skjerpes, faller prisen per token raskt, noe som er en viktig grunn til at AI, som nevnt tidligere, i økende grad beskrives som en handelsvare snarere enn en eksklusiv ressurs.
Ordliste
AI: Kunstig intelligens, en samlebetegnelse for datasystemer som kan utføre oppgaver som normalt krever menneskelig intelligens, som å gjenkjenne mønstre, trekke slutninger og ta beslutninger.
Generativ AI: AI som kan skape nytt innhold, for eksempel tekst, bilder, lyd, video eller programkode, snarere enn bare å analysere eller klassifisere eksisterende data.
Symbolsk AI: En eldre type AI der kunnskap representeres gjennom eksplisitte regler og symboler som mennesker programmerer for hånd, i motsetning til dagens AI, som lærer mønstre direkte fra data.
Språkmodell (LLM): En AI-modell, en såkalt stor språkmodell, Large Language Model, som er trent på enorme mengder tekst og kan forstå og generere menneskelig språk.
Nevralt nett (nevralt nettverk): En modellarkitektur inspirert av hjernens nerveceller, bygd opp av sammenkoblede lag som sammen lærer å gjenkjenne mønstre i data.
AI-modell: Selve den trente matematiske modellen, for eksempel en språkmodell, LLM, et bildegjenkjenningsnettverk, CNN, eller et annet nevralt nett, med enten smal eller mer generell kapasitet.
AI-verktøy: Grensesnittet eller applikasjonen som gjør en AI-modell tilgjengelig og brukbar for en person, for eksempel chattevinduet man skriver i når man bruker ChatGPT.
GPU: Grafikkprosessor, Graphics Processing Unit, en type prosessor som er særlig effektiv til de parallelle beregningene som kreves for å trene og kjøre nevrale nett (AI-modeller).
Token: Den minste byggesteinen en språkmodell bearbeider tekst i, ofte en del av et ord, et helt ord eller et tegn, og det er ut fra disse tokens at modellen leser input og genererer output.
Mixture-of-Experts, Input tokens, Output tokens: Mixture-of-Experts er en arkitektur der en AI-modell egentlig består av mange mindre delmodeller, såkalte eksperter, men der bare et fåtall av disse aktiveres for hvert enkelt token som bearbeides. På den måten kan en modell ha et svært stort totalt antall parametere, samtidig som beregningskostnaden per token holdes nede, siden langt fra alle parametere brukes samtidig. Input tokens er de tokens som utgjør det man sender inn til modellen, for eksempel et spørsmål eller en instruksjon, mens output tokens er de tokens modellen genererer som svar. Siden output tokens vanligvis koster betydelig mer per stykk enn input tokens, blir lengden på modellens svar ofte den faktoren som påvirker den endelige kostnaden mest.
Vibe-koding: Et uformelt uttrykk for å skrive programkode ved å beskrive hva man vil oppnå, med vanlig språk, til en AI-modell, som deretter genererer koden, uten at personen selv skriver eller nødvendigvis forstår hver kodelinje i detalj.