Grunnen til at KI «ikke fungerer» for deg

Først: Hva er egentlig KI?

Vi må starte her. For begrepet "kunstig intelligens" er et av de mest misforståtte ordene i det norske språket akkurat nå.

KI er ikke en hjerne. Det er ikke en robot som "tenker". Det er — veldig grovt og forenklet — bare statistikk.

Gjettemaskiner. Sannsynlighetsmaskiner.

Gi en maskin et mønster med mange nok eksempler, og den kan lære seg å fortsette mønsteret. Den kan gjette hva som sannsynligvis kommer som det neste.

Det er hele greia.

“Intelligensen” begynner når maskinen kan begynne å finne mønsterne du ikke er .

For har du et mønster med mange nok eksempler, kan du finne mønstre i mønsteret. Og når du har funnet mønstrene, kan du gi maskinen noe nytt — og den kan gi deg et resultat som "passer inn".

KI er ikke nytt

Denne teknologien har vi hatt lenge. Maskinen du leser dette på akkurat nå bruker "KI" til å optimalisere seg selv. iPhonen din har hatt "KI" i kameraet i årevis — den gjør bildene dine finere uten at du vet det. Autokorrektur er KI. Spamfilteret ditt er KI.

Men det har alltid vært et problem

For å lage gode "gjettemaskiner", trenger du i mange tilfeller enorme mengder eksempler fra mønsteret ditt. Og du trenger at dataen er i et forutsigbart format. Tall. Piksler. Lydbølger. Ting som allerede er strukturert.

Kameraet ditt kan gjenkjenne et ansikt fordi et ansikt er piksler, og piksler er tall, og tall er noe en maskin forstår.

Og selv da — selv når du har nok data i riktig format — så er det ikke nødvendigvis enkelt. Det kommer an på hva maskinen skal gjette på, og hvor presis den må være. Å gjenkjenne en katt i et bilde? Det funker. Å forutsi aksjekurser? Lykke til.

Så bruksområdene har vært ganske begrensede. Bildegjenkjenning. Stemmeassistenter. Anbefalingsalgoritmer. Nyttige ting, men nisje-ting. Begrenset til domener der dataen allerede er pen og ryddig. Og der det fines nok data til å lage gode nok gjettemaskiner.

Så hva var det som forandret alt?

Språk.

Eller rettere sagt: det at noen endelig klarte å få en maskin til å forstå språk.

Hvorfor språk er så vanskelig for en maskin

Språk er noe helt annet enn piksler og lydbølger. Språk er rotete. Det er fullt av kontekst, dobbeltbetydninger, ironi, referanser.

Rekkefølgen på ordene betyr noe. "Kari Jaquesson bet mannen" og "mannen bet Kari Jaquesson" er de samme ordene — men helt forskjellige ting. Og meningen av et ord kan forandre seg fullstendig avhengig av hva som kom tre setninger tidligere.

De gamle modellene som forsøkte å jobbe med språk leste tekst omtrent som du leser en bok på et språk du nesten ikke kan: ett ord om gangen, fra venstre til høyre, og innen du er halvveis i setningen har du glemt begynnelsen.

For trege. For glemske. Og for dårlige til å se sammenhenger.

Åtte forskere hos Google

Så i 2017 publiserte åtte forskere hos Google en artikkel med en ganske selvsikker tittel: "Attention Is All You Need".

Det de fant ut var, forenklet sagt: Istedenfor å lese tekst ett ord om gangen — hva om maskinen kunne se alle ordene samtidig?

Og selv finne ut hvilke ord som hører sammen, hvilke som forklarer hverandre, hvilke som er viktige — uansett hvor langt fra hverandre de er i teksten?

De kalte arkitekturen Transformer.

Og den forandret alt.

Hva er en LLM, egentlig?

For plutselig kunne du trene en maskin på språk — i gigantisk skala. Hele internett. Alle bøker. Alle artikler. All kode. Alle samtaler.

Og maskinen kunne faktisk holde tråden. Den kunne se sammenhenger. Den kunne forstå at "den" i setning fire refererer til "prosjektet" i setning én.

Det er dette som er en LLM — en Large Language Model. En stor språkmodell. Bygd på Transformer-arkitekturen fra den Google-artikkelen.

Og da skjedde noe ingen helt hadde forutsett.

Fra mønstergjenkjenning til intensjonsforståelse

Maskinen begynte ikke bare å gjenkjenne mønstre i tekst. Den kan begynne å forstå intensjonen.

Eller, teknisk sett, den kan begynne å gjette på de ordene som må til for at det skal “se ut” som den forstår intensjonen. Men hva er egentlig forskjellen?

Og det er her det blir viktig å stoppe opp. For dette er vendepunktet som folk flest ikke har skjønt ennå.

Feilen jeg gjorde i 2022 — den samme feilen som nesten alle gjør — var å tro at verdien av KI handlet om kunnskap. Om å kunne svare riktig på spørsmål. Som et oppslagsverk.

Men det er ikke det en LLM er.

En LLM er en tolk.

Alt er språk

Tenk deg om. Alt vi gjør — mellom mennesker, mellom systemer, mellom en bruker og en skjerm — er språk.

Kode er språk. Et designsystem er språk. Et briefingdokument er språk. En Figma-kommentar er språk. En databasestruktur er språk. Til og med et klikk i et brukergrensesnitt er bare en måte å si "jeg vil ha dette" — uten å bruke ord.

Vi har alltid levd av oversettelse

Hele samfunnet vårt er bygget på oversettelse mellom ulike språk.

Det gjelder spesielt i vår bransje: En kunde beskriver et behov med sine ord. En strateg oversetter det til et rammeverk. En designer oversetter det til noe visuelt. En utvikler oversetter det til kode. Koden oversetter det til piksler på en skjerm.

Hvert steg er en oversettelse. Og hvert steg koster tid, penger og misforståelser.

Tolken

Det LLM-modeller gjorde var å gi oss en maskin som kan bevege seg mellom disse språkene. Som kan ta intensjonen din — uttrykt i helt vanlige, menneskelige ord — og oversette den til kode, til struktur, til handling.

Ikke fordi den "vet" ting. Men fordi den har sett så mange eksempler på hvordan mennesker uttrykker intensjon, at den kan gjenkjenne hva du mener — og oversette det.

Det er det som er revolusjonen. Ikke at maskinen ble smart. Men at den ble en tolk.

Og det er derfor Nicolai Tangen har rett når han sier at dette er noe av det største vi skal gjennom. Ikke fordi KI "kan alt". Men fordi språk er alt. Og nå finnes det en maskin som kan tolke det.

Og dette skjønte Anthropic

Nå som boikotten av ChatGPT har ført til at “alle” har oppdaget Claude og Anthropic, så begynner flere folk å skjønne greia.

For mens de andre KI-selskapene kappløp om å lage den "smarteste" modellen, den som kunne vinne flest benchmarks og svare riktig på flest quizspørsmål — så har Anthropic fokusert på noe annet.

De skjønte at hvis alt er språk, og en LLM er en tolk, så er den virkelige verdien ikke å vite mest. Det er å gjøre mest.

Mest av de oppgavene som vi faktisk omgir oss mest i hverdagen.

Og let’s face it: De færreste av oss jobber med ting som krever at vi får en 100% score på en amerikansk opptaksprøve til universitetet.

Folk tror at “verdien” til KI er den opplevelsen du får av å sitte i et chatvindu og holde en lang samtale.

Det er en så stor misforståelse at jeg holder på å knekke sammen av frustrasjon her.

Teknologien kan brukes på tusenvis av ulike måter, og rigges på vanvittig mange ulike vis – alt ettersom problemet du skal løse.

For der den virkelig skinner, er når du ikke bare bruker det som en “chat”, men som er verktøy!

Fra chatbot til verktøy

Tenk på det. Hvis du har en tolk som forstår intensjon, og all kode egentlig bare er språk, og alt som skjer på en skjerm egentlig bare er kode — da har du en tolk som kan gå fra det du mener til noe som fungerer. Direkte.

Og det er akkurat det Anthropic bygde. Ikke bare en chatbot du stiller spørsmål til. Men en tolk som kan handle. Som kan skrive kode. Som kan koble seg til systemene dine. Som kan ta det du sier med dine ord og gjøre det om til noe som lever.

Hvorfor Claude fungerer

Det er derfor Claude — og spesielt Claude Code — fungerer så bra. Ikke fordi Claude nødvendigvis er "smartere" enn de andre. Men fordi hele arkitekturen er bygd rundt den innsikten: Verdien ligger ikke i å svare riktig på spørsmål. Verdien ligger i å forstå hva du mener, og så gjøre det.

Og de er ikke ferdige. Neste generasjon modeller kommer til å være dramatisk bedre på akkurat dette — å holde kontekst over komplekse oppgaver, forstå sammenhenger på tvers av systemer, og produsere resultater som faktisk henger sammen.

Det vi kan gjøre med denne teknologien i dag, kommer til å se primitivt ut om et halvt år.

"Men KI gir meg jo bare generisk søppel"

Okei. Men vent. Hvis dette er så revolusjonerende — hvorfor er det da så mange som prøver KI og tenker "meh"?

Godt spørsmål. Og svaret er egentlig ganske logisk når du først forstår det.

Det er en refleksjon av treningsdataen

KI er en sannsynlighetsmaskin. Den gjetter på det mest sannsynlige neste ordet. Og det mest sannsynlige er en refleksjon av det den har sett flest ganger.

Så når du ber den skrive en tekst — uten noe videre instruksjon, uten kontekst, uten å fortelle den hvem den skriver for eller hva som gjør akkurat denne teksten annerledes — hva tror du den gjør?

Den gir deg gjennomsnittet. Den gir deg det mest generiske, mest brukte, mest sannsynlige resultatet.

Altså: en tekst full av klisjéer.

Hele definisjonen av en klisjé

Og hallo — det er jo hele definisjonen av en klisjé. Ord og uttrykk som har blitt brukt så mange, mange ganger at de har mistet all mening. Selvfølgelig er det det en sannsynlighetsmaskin gir deg som standardsvar. Det er det den har sett mest av.

"I dagens digitale landskap..." Ja, den setningen finnes bokstavelig talt millioner av ganger i treningsdataen. Klart den dukker opp.

Hallusinasjoner, fordommer og skråsikkerhet

Det er den nøyaktig samme grunnen til at KI kan hallusinere — produsere faktafeil med en selvsikkerhet som ville fått enhver Fox News anker til å bli sjalu.

Det er en refleksjon av treningsdataen. Og det er den samme grunnen til at den kan reprodusere fordommer og skjevheter. Den gjetter. Og gjettingen er basert på hva den har sett flest ganger.

Som da den fortalte meg at min mormor ikke var verdens eldste ballerina. Den gjettet. Og den gjettet feil.

Fordi mormor min ikke akkurat dominerte treningsdataen til OpenAI i 2021. Så enkelt er det.

Det er ikke en feil ved teknologien. Det er en egenskap ved den.

Og det er nettopp det som er poenget

For når du forstår at det er en gjettemaskin — da forstår du også hva som skal til for å få den til å gjette bedre.

Du må gi den bedre kontekst. Bedre eksempler. Bedre struktur. Du må gi den mønster som er verdt å gjette fra.

Og det... det er noe vi vet ganske mye om.

Hvorfor vi tror strukturert innhold er en essensiell nøkkel

Dette er det jeg har prøvd å mase om i alle år. Og nå begynner det endelig å gi mening for folk.

Hvis du skal få en sannsynlighetsmaskin til å levere et godt resultat — så trenger du å gi den gode mønster på akkurat det du vil ha.

Tenk på det som å lære opp en ny ansatt. Du kan ikke bare sette dem ned og si "gjør en god jobb". Du må vise dem eksempler. Du må forklare konteksten. Du må gi dem tilgang til informasjonen de trenger. Og du må være tydelig på hva som er godt nok og hva som ikke er det.

KI er akkurat det samme. Bare mye raskere — og mye mer avhengig av at du faktisk gjør den jobben.

Du må reprodusere konseptet "erfaring"

Hva er det som gjør at du er god til det du gjør? Det er ikke bare at du "kan" ting. Det er at du har sett hundrevis av eksempler, gjort feil, fått tilbakemelding, og gradvis bygd opp en intuisjon for hva som fungerer og hva som ikke gjør det.

KI har ingen slik intuisjon. Den har bare det du gir den.

Så spørsmålet blir: Hvordan gir du en maskin din erfaring?

Du strukturerer den.

Du artikulerer og definerer hva det er som gjør at akkurat du er god på dette. Hva er mønstrene? Hva er reglene? Hva er unntakene? Du gjør om den tause kunnskapen i hodet ditt til noe eksplisitt, noe en maskin kan bruke som grunnlag for sine gjetninger.

Å være en god leder for en KI-agent

Det er egentlig det samme som å være en god leder for mennesker. Du må gi tydelige instruksjoner. Du må sørge for at de har tilgang til riktig informasjon. Du må definere hva "bra" ser ut som. Og du må bygge systemer som gjør at det er enkelt å gjøre ting riktig, og vanskelig å gjøre ting feil.

Forskjellen er bare at med KI kan du gjøre dette i en skala som er helt absurd sammenlignet med mennesker.

Det Anthropic skjønte — og det vi skjønte

Hva var det Anthropic egentlig gjorde riktig? De bygde ikke bare en smart modell. De bygde rammeverket rundt modellen. De laget systemer — som MCP (Model Context Protocol) — som gjør at Claude kan koble seg direkte til verktøyene og informasjonskildene dine. Slik at den ikke bare gjetter fra generell treningsdata, men fra din kontekst. Dine mønster. Din kunnskap.

Og det er det vi har gjort hos oss i Kult Byrå. Vi har bygd Klippy — vår egen MCP-server som kobler Claude direkte til innsikten vår. Møtereferatene våre, kundehistorikken vår, prosjektdokumentasjonen vår.

Slik at når vi ber om hjelp, så gjetter den ikke fra gjennomsnittet av alt som finnes på internett. Den gjetter fra våre mønster.

Men det starter mye enklere enn det. Det starter med det vi alltid har trodd på: strukturert innhold.

Strukturert innhold er KI-klar kunnskap

Fra vinteren 2023 har det vært ganske tydelig for oss i Kult Byrå hvilken vei dette gikk. Og nå som "alle" har oppdaget hvor god Claude er — mye takket være Opus 4.5 som kom ut i november, og Opus 4.6 som kom i februar — så tror vi denne utviklingen kommer til å sette full fart.

Det vi har drevet med i alle disse årene — å hjelpe organisasjoner med å strukturere innholdet sitt, bygge forutsigbare informasjonssystemer, lage designsystemer som er konsistente og gjenbrukbare — det er akkurat det en KI trenger for å gjøre en god jobb.

For det handler om mønster. Det har alltid handlet om mønster.

Et designsystem er et mønster. En innholdsmodell i Sanity er et mønster. En merkevaremanual er et mønster. Strukturerte data er et mønster.

Og en gjettemaskin elsker mønster.

Et praktisk eksempel

La meg gi deg et eksempel. Tenk deg at du har et bedrifter som jobber med å skrive anbud. 100 anbud levert over 10 år. Hvert tilbud har en struktur: en problemdefinisjon, en løsningsbeskrivelse, en prismodell, referanser. Noen av anbudene vant. Andre tapte.

Hvis du samler alle de vinnende tilbudene og gir dem til en KI, kan den finne mønstrene: Hvilke formuleringer fungerer? Hvor lang er den ideelle problemdefinisjonen? Hvilke referanser er mest overbevisende? Og neste gang du skal skrive et tilbud, kan den gi deg et utkast som er basert på mønstrene i dine egne beste eksempler.

Det er ikke magi. Det er statistikk. Men det er din statistikk.

Problemet er bare at de fleste verken har samlet eksemplene sine, strukturert dem, eller gjort dem tilgjengelige for en maskin.

Og da sitter du igjen med en gjettemaskin som gjetter fra andres data — altså: gjennomsnittet av internett.

Den harde sannheten — og den gode nyheten

De som investerer i å bygge gode verktøy, kunnskapssystemer og strukturer nå — de bygger fundamentet som KI kan levere utrolige resultater fra. De som sitter og venter på at KI bare skal bli "smart nok" til å fikse alt uten kontekst, instruksjoner eller struktur?

De er ille ute.

Unnskyld. Det er grusomt å si. Men det er bare sånn kapitalismen fungerer, dessverre. Den belønner produktivitet og effektivet. Og den belønner mennesker som kan skape store verdier.

De som forstår teknologien og tilpasser seg, kommer til å dra ifra. Og avstanden kommer til å bli eksponentiell, ikke lineær.

Ja, det er urettferdig. Men jeg synes det er viktig å anerkjenne at mennesker gjennom hele historien har opplevd store omveltninger som dette og kommet seg gjennom.

Og denne gangen er det vår tur.

Men vi ser feil vei

Personlig mener jeg det er ekstremt mange ting å glede seg over her.

Vi mennesker lider av noe psykologien kaller loss aversion — en kognitiv skjevhet, oppdaget av Kahneman og Tversky, som viser at vi opplever smerten ved et tap omtrent dobbelt så sterkt som gleden ved en tilsvarende gevinst.

Vi er rett og slett koblet sammen slik at vi vil fokusere mest på hva vi mister. Det er derfor debatten om KI så ofte handler om "hva forsvinner" fremfor "hva blir mulig".

Ikke så rart, når så mange mennesker selvfølgelig ser livsverket sitt forsvinne.

Og ja, jeg tror det kommer til å bli noen harde år for mange. Bransjer kommer til å forandre seg. Roller kommer til å forsvinne. Det er reelt, og det er ikke noe vi bør bagatellisere.

Men jeg tror også det er en mulighet for at vi — på den andre siden av denne omstillingen — kan ende opp med et mye, mye bedre samfunn.

Det skal jeg snakke mer om en annen gang, for her har jeg MYE på hjertet

Men det fordrer én ting

At folk forstår hva teknologien er. Og hva den ikke er.

Den er ikke en kunnskapsmaskin. Den er ikke en erstatning for menneskelig dømmekraft. Den er ikke magisk. Den er en tolk. En gjettemaskin. En sannsynlighetsmaskin som er nøyaktig så god som mønstrene du gir den.

Og det betyr at de som kan noe — de som har erfaring, kunnskap, struktur — har en enorm fordel. Fordi de kan gjøre tolken sin.

Mitt råd

Til bedrifter:

Ikke få panikk. Ikke kast deg over "KI" uten å tenke deg om først. Det første du må gjøre er å definere hva slags problem du faktisk skal løse. Hvilken kunnskap har du som er verdifull? Hvordan er den strukturert i dag? Og hva skal til for å gjøre den tilgjengelig for en maskin?

Start der. Ikke med verktøyet. Med problemet.

Til deg som individ:

Lær deg å bruke KI. Ikke bare prøv det en gang og konkluder med at det er "overhypet". Lær deg å artikulere kunnskapen din. Lær deg å samle en god kontekst. Lær deg å gi maskinen mønstrene den trenger for å gjette riktig.

Det er en ferdighet. Og som alle ferdigheter, tar det tid å bli god. Men gevinsten er enorm.

Til de som er kritiske:

Jeg hyller dere. Seriøst.

Dere har helt rett i at folk bruker KI feil. At uhemmet og ukritisk KI-bruk kommer til å føre oss inn i store utfordringer. At vi trenger folk som stiller spørsmål, setter grenser, og krever kvalitet.

Men løsningen er ikke å "ikke bruke KI". Det er å lære seg å forstå verktøyet — så man skjønner hvordan det skal brukes.

Jeg har MYE på hjertet om KI og kommer til å skrive mye mer om dette. Neste gang vil jeg gå dypere inn i det praktiske: Hvordan du faktisk setter opp systemer som gjør KI nyttig for deg. Hva MCP er og hvorfor det er viktig. Og hvordan vi har brukt dette i praksis med kundene våre.

Men for nå: Forstå dette ene. KI er en mønstermaskin. Og den som lager de beste mønstrene, vinner.

PS: I skrivende stund er Sigurd — daglig leder, medeier og tech lead hos oss i Kult Byrå — med i NM i AI. En konkurranse der det ikke er juks å bruke KI, men der det er hele poenget. 22 timer inn ligger Kult Byrå på en solid førsteplass. Selv om det er en hard konkurranse som fort kan endre seg.

Hvordan havnet han der? Ikke fordi han har lært seg noen hemmelige triks. Men fordi han forstår nøyaktig det denne artikkelen handler om: Hvordan du gir en gjettemaskin gode nok mønster til at den gjetter riktig.