Den store overraskelse: Hvad kunstig intelligens lærte os om os selv

En artikel fra DagensAI om de ting, ingen forudså – og de antagelser, der slog fejl

For tre til fire år siden var der en ret fast konsensus om, hvad kunstig intelligens ville betyde for samfundet. Eksperterne var nogenlunde enige. Robotter ville tage over i lagrene. Autonome lastbiler ville erstatte chauffører på motorvejene. Industriarbejdere ville stå forrest i køen til omstilling og efteruddannelse. Det var dem, vi bekymrede os om. Det var dem, politikerne holdt konferencer for. Det var dem, fagbevægelsen forsøgte at beskytte.

Ingen – eller i hvert fald næsten ingen – sagde: “Vi skal bekymre os om softwareudviklerne. Og journalisterne. Og advokaterne. Og grafikerne. Og dem der sidder og skriver rapporter.”

Det viste sig at være helt forkert. Og den fejltagelse er måske den mest sigende enkeltting, vi kan sige om, hvad de seneste år med kunstig intelligens har lært os.

Bill Gates advarer: Kunstig intelligens truer med historisk ulighed

12. september 2026

Eksplosiv vækst: Ni ud af ti tekniske virksomheder bruger AI

16. september 2026

Den store omvending: Det var de uddannede, der kom i skudlinjen

Lad os starte med det, der måske har overrasket flest mennesker på det personlige plan: Det er ikke lastbilchaufføren eller lagermedarbejderen, der mærker forandringen først og hårdest. Det er cand.merc.’en, softwareudvikleren, grafikeren, journalisten, marketingkonsulenten og freelanceskribenten.

Grunden er egentlig logisk i bakspejlet, men den var svær at se, fordi vi i årevis havde fortalt os selv en bestemt historie om AI. Vi forestillede os automatisering som en forlængelse af industrialiseringen – maskiner, der overtog det rutineprægede, det fysisk gentagelige, det kedelige manuelle arbejde. Men sprogmodeller og billedgeneratorer er fundamentalt anderledes. De er ikke maskiner i traditionel forstand. De er systemer trænet på menneskelig viden, menneskelig kreativitet og menneskelig kommunikation. Og det betyder, at de er bedst til netop det: menneskelig kommunikation, kreativitet og vidensbehandling.

- Annonce -

En robot, der skal erstatte en lastbilchauffør, skal navigere i et kaotisk, uforudsigeligt fysisk miljø med vind, vejr, vejarbejde, cyklister og uventede situationer. Det er vanvittigt svært. En sprogmodel, der skal erstatte en junior-copywriter, skal producere tekst, der lyder troværdig og menneskelig. Det er ikke trivielt, men det er altså noget, GPT-4 og dens efterfølgere mestrede næsten fra dag ét.

Et Oxford-studie fra 2013, der forudsagde, at 47 % af alle job ville blive automatiseret inden for de næste to årtier, pegede på taxachauffører, kreditanalytikere og telefonoperatører. Men det angav programmering som en af de mindst udsatte professioner – med kun 8,4 % sandsynlighed for automatisering. I dag bruger de fleste professionelle udviklere AI til at skrive store dele af deres kode. Det er ikke det samme som at miste sit job, men det ændrer radikalt på, hvad kompetencerne er værd, og hvor mange mennesker der skal til for at løse samme mængde opgaver.

Tempoet. Ingen forudså tempoet.

Hvis du i 2021 eller begyndelsen af 2022 læste de mest optimistiske forudsigelser om AI’s udvikling, vil du opdage, at virkeligheden alligevel løb fra dem. Ikke med ti år. Med to til tre.

Da GPT-3 udkom i 2020, var det imponerende og fascinerende – men det var stadig noget, man primært brugte til sjov og eksperimenter. Det hallucinerede vildt. Det mistede konteksten i lange tekster. Det kunne ikke ræsonnere konsistent. Eksperter og skeptikere sagde med god grund, at der var et langt stykke vej til noget, man kunne kalde ægte intelligens.

Og så kom ChatGPT i november 2022. Og verden ændrede sig.

Ikke fordi teknologien i sig selv var en fundamental gennembrudsopfindelse. ChatGPT var grundlæggende GPT-3.5 med noget, der hed RLHF – Reinforcement Learning from Human Feedback – der gjorde modellen bedre til at holde en samtale og give hjælpsomme svar. Men det var nok til at gøre AI tilgængeligt og nyttigt for alle. Det nåede 100 millioner brugere på to måneder. Det tog Instagram to et halvt år at opnå det samme.

Og så kom GPT-4. Claude. Gemini. Llama. Mistral. Model på model på model, i et tempo, ingen rigtig havde turde sætte i sine prognoser. Hvert kvartal bød på noget, der for halvandet år siden ville have set umuligt ud.

Emergente evner: Hvad sker der, når modellen bare… kan det pludselig?

En af de dybeste overraskelser for AI-forskere selv – ikke bare offentligheden – var opdagelsen af såkaldte emergente evner. Det vil sige evner, der ikke var til stede i mindre modeller, men som pludselig dukkede op, da modellerne blev store nok. Ikke gradvist. Pludseligt.

Et eksempel: Aritmetik med mange trin. En lille model kan ikke gøre det. En mellemstor model kan ikke gøre det. Og så, ved en vis størrelse, kan en model pludselig bare… gøre det. Næsten som om der var en tærskel, der blev krydset.

Det samme gjaldt for logisk ræsonnement, for evnen til at oversætte til sjældnere sprog, for evnen til at forklare analogier og metaforer. Disse evner kom ikke lineært. De kom i spring.

Det er dybt foruroligende for folk, der gerne vil forudsige, hvad næste generation af modeller kan. For det betyder, at man ikke bare kan ekstrapolere. Man ved ikke, hvad der er lige bag næste hjørne.

Og det var ikke det, nogen havde forventet. Vi troede, vi forstod kurven. Det viste sig, at kurven ikke var en kurve.

Ræsonnering: Fra papegøje til noget mere

Den mest populære kritik af store sprogmodeller var i lang tid, at de blot var “stokastiske papegøjer” – avancerede statistiske mønstre, der gentog ting fra træningsdata uden egentlig forståelse. Det var en fair og vigtig kritik.

Men så skete der noget. Modellerne lærte at tænke højt. At bryde problemer ned. At tjekke sig selv. Og pludselig begyndte de at løse problemer, ingen forventede, at de kunne løse.

OpenAI’s o1-model i 2024 og dens efterfølgere – og tilsvarende systemer fra Anthropic og Google – viste, at det var muligt at opnå markant bedre resultater, hvis modellen fik lov til at “ræsonnere” igennem et problem trin for trin, før den svarede. Det lyder banalt. Men effekten var dramatisk. Pludselig kunne AI bestå matematik-olympiader. Bestå lægeeksamener. Skrive kode til komplekse systemer.

Er det “ægte” tænkning? Det ved ingen med sikkerhed. Filosofer, kognitionsforskere og AI-forskere skændes stadig. Men det praktiske resultat er, at det er tilstrækkeligt godt til at løse problemer, vi troede krævede menneskelig intelligens.

Kreativitet: Den overraskelse, der ramte kunstnere som en jernknytnæve

I 2021 ville de fleste sige: “AI kan aldrig producere ægte kunst. Det kan imitere, men ikke skabe.” Og så kom Midjourney, DALL-E, Stable Diffusion, Sora og en hær af andre systemer, der genererede billeder, musik, video og tekst af en kvalitet, der ikke bare var imponerende – den var kommercielt brugbar fra dag ét.

Grafikere, illustratorer og fotografer begyndte at opleve, at kunder ringede og aflyste projekter. Ikke fordi AI var perfekt. Men fordi AI var godt nok til det pågældende formål og kostede en brøkdel.

Musik var det samme. AI-genereret musik, der lyder som populærmusik, er ikke fremtid – det er nutid. Lovgivningen halser bagefter. Retssagerne hagler ned. Og kunstnerne sidder midt i det hele og prøver at forstå, om deres karrierer stadig eksisterer om fem år.

Det, der overraskede mange, var ikke bare kvaliteten. Det var hastigheden af udbredelsen og den totale mangel på en blød landing. Ingen fase-in. Ingen gradvis tilpasning. Fra ingenting til “vent, er det ikke det samme som det, jeg laver?” på under to år.

Kodning: Programmørernes stille revolution

Her er noget paradoksalt: Programmering var et af de job, vi var allermest sikre på var sikkert. Det krævede logik, kreativitet, forståelse for komplekse systemer og evnen til at fejlsøge på subtile måder. Det var svært. Det tog år at lære. Det var godt betalt, netop fordi det var svært.

I dag bruger de fleste professionelle udviklere GitHub Copilot, Cursor, Claude eller lignende værktøjer til at skrive store dele af deres kode. Juniorudviklere rapporterer, at AI kan skrive 80-90 % af rutinekoden. Seniorudviklere bruger AI til at generere boilerplate, skrive tests og hurtigt prototype nye funktioner.

Det har ikke gjort programmeringsjobbene overflødige – endnu. Men det har radikalt ændret, hvad en programmør skal kunne. Og det har sendt chokbølger igennem ansættelsesbranchen. Virksomheder ansætter færre juniorer. De forventer, at de seniorerne de har, producerer mere. Entry-level programmørstillinger er under pres på en måde, der ville have virket absurd for bare tre år siden.

Bootcamp-industrien – den, der på et par måneder lover at gøre dig til en betalt webudvikler – er i dyb krise. Fordi det job, bootcampene uddannede folk til, er et af de job, der er allermest under forandring.

Videnskaben: Her var overraskelsen positiv

Ikke alt, der overraskede, var dystert. En af de lyseste overraskelser var, hvad AI viste sig at kunne i naturvidenskaben.

AlphaFold fra DeepMind løste i 2021 et af biologiens sværeste problemer: proteinfolding. At forudsige, hvilken tredimensionel form et protein antager ud fra dets aminosyresekvens. Det problem havde biokemikere arbejdet på i årtier. AlphaFold løste det med en præcision, der grænser til det mirakuløse.

Det udløste en bølge af forskning i medicin, vaccineudvikling og bioteknologi, der stadig er i gang. Og det var kun begyndelsen. AI-systemer er siden hen anvendt til at finde nye antibiotika, forudsige strukturen af RNA, accelerere materialevidenskab og hjælpe med at forstå klimamodeller.

Her var AI ikke noget der erstattede en forsker. Det var et værktøj, der satte forskere i stand til at stille spørgsmål, de aldrig ville have kunnet stille før – og få svar på dem.

Det var den bedste overraskelse.

Den åbne kildes triumf: Ingen forventede, at open source kunne følge med

For to år siden var der en bekymret diskussion i AI-samfundet: Hvad sker der, hvis de store sprogmodeller kun kontrolleres af en håndfuld amerikanske megakorps? OpenAI, Google, Microsoft og Anthropic sad med kortene.

Og så udkom Meta’s Llama-model. Og så kom Llama 2. Og Llama 3. Og Mistral fra Frankrig. Og Falcon. Og Qwen fra Alibaba.

Pludselig var der kraftfulde, åbne modeller tilgængelige for alle – startups, forskere, hobbyister og lande, der ikke ville være afhængige af amerikanske tech-giganter. Det ændrede dynamikken fundamentalt.

I dag kan du køre en overraskende dygtig sprogmodel lokalt på en gammel laptop. Det ville have virket som science fiction for tre år siden. Det rejser store spørgsmål om kontrol, censur og misbrugspotentiale – men det er også en demokratisering af teknologien, som ingen rigtig forudså i det omfang, det er sket.

Kina: Overraskelsen, der rykkede geopolitikken

Mange vestlige eksperter forventede, at Kina ville halte bagud i AI-kapløbet på grund af sanktioner på avancerede chips, mangel på adgang til vestlig træningsdata og en statslig styringsmodel, der ikke fremmer den slags kreative kaos, der kendetegner Silicon Valley.

De fik delvist ret, men ikke på den måde, de forventede. Kina er bagud på de allerstørste frontier-modeller. Men kinesiske virksomheder – Baidu, Alibaba, Zhipu, og ikke mindst DeepSeek – har vist sig at være enormt dygtige til at producere konkurrencedygtige modeller med færre ressourcer.

DeepSeek i begyndelsen af 2025 var den model, der for alvor rystede Silicon Valley. En kinesisk startup, der med en brøkdel af Metas og OpenAIs budgetter producerede en model, der matchede verdens bedste. Det sendte aktierne i NVIDIA og andre AI-chipselskaber i frit fald i dagene efter offentliggørelsen.

Det viste, at antagelsen om, at man skal bruge uendelige mængder kapital og de allerbedste chips for at bygge verdensledende AI, ikke nødvendigvis holder. Og det ændrede diskussionen om, hvem der rent faktisk vil vinde AI-kapløbet.

Reguleringen: Langsommere end nogen frygtede, men den kom

Der var to lejre for tre år siden. Den ene sagde: “Reguleringen vil kvæle innovationen, inden den kommer i gang.” Den anden sagde: “Politikerne er så langt bagud, at de aldrig vil nå at reagere meningsfuldt.”

Begge lejre tog delvist fejl. EU’s AI Act kom igennem – og det er et ambitiøst, komplekst stykke lovgivning, der faktisk sætter standarder for, hvad AI må og ikke må. Det skabte ikke apokalypsen for europæisk AI-innovation, men det skabte en regulatorisk virkelighed, som virksomheder rundt om i verden nu skal forholde sig til.

USA har været mere fragmenteret, men executive orders, høringer og lobbying fra alle sider har alligevel produceret et system af blødere normer og branchen-standarder. Det er ikke den banebrydende regulering, nogen drømte om. Men det er heller ikke det lovgivningsmæssige tomrum, pessimisterne frygtede.

Den virkelige overraskelse på det regulatoriske område er, at det globale kapløb om at sætte regler er intensiveret. I 2022 handlede AI-regulering om privacy og bias. I 2025-2026 handler det om national sikkerhed, militær anvendelse og spørgsmålet om AI-systemer, der kan handle autonomt. Det er en dramatisk optrappet diskussion.

Fejltagelserne, der varede: Hallucinationer og tillid

En ting, mange forventede ville blive løst hurtigt, var hallucinationer – det fænomen, hvor AI med fuld selvtillid fortæller dig noget, der er komplet forkert. Falske citater. Opdigtede studier. Advokater, der har mistet sager, fordi de stoler på AI-referencer, der ikke eksisterer.

Det er blevet bedre. Meget bedre. Men det er ikke løst. Og det er en kilde til både frustration og fascinerende filosofisk undren: Hvorfor er det så svært? Modeller, der kan bestå lægernes specialisteksamen med flyvende farver, kan alligevel pludselig fortælle dig, at Sokrates var en af de tolv apostle. Ikke fordi de er dumme. Men fordi de er fundamentalt anderledes fra os.

Det har lært os noget vigtigt: AI-systemer fejler på måder, som menneskelig intelligens ikke fejler. De kompenserer ikke for manglende viden ved at sige “det ved jeg ikke.” De udfylder hullet med noget, der ligner et svar. Det kræver en anden form for kritisk brug, end vi umiddelbart er opdraget til.

Jobmarkedet: Mere komplekst end nogen troede

Lad os vende tilbage til det, vi startede med. Jobmarkedet. Hvad er der egentlig sket?

Svaret er: det er kompliceret. Vi har ikke set massefyringer på den dramatiske måde, dommedagsscenarierne forudsagde. Men vi har set små, strukturelle forandringer. Mediebranchen har skåret ned – og AI spiller en rolle i det. Kundeservice er under forandring. Juristernes assistentlag er tyndere. Reklamebureauerne ansætter færre tekstforfattere og grafikere.

Og der er kommet nye job. Prompt engineers. AI trainers. AI ethicists. Folk, der specialiserer sig i at vurdere og styre AI-systemer. Behovet for “human in the loop” – menneskelig kontrol og oversight af AI-processer – har skabt en hel kategori af arbejde, der ikke eksisterede for tre år siden.

Men den overordnede tendens er klar: Det er vidensjobbene, der er under forvandling. Og forvandlingen er ikke altid fyring. Det er ofte en ændring i, hvad du forventes at producere, og i hvilken hastighed. Det er en ændring i, hvilke dele af dit job der er dit, og hvilke der delegeres til maskinen.

Det er på mange måder sværere at håndtere end simpel jobsøgning. Det er en glidende transformation af, hvad det vil sige at have et bestemt job.

Den filosofiske overraskelse: Hvad er intelligens egentlig?

Den dybeste overraskelse er måske ikke teknologisk. Den er filosofisk.

Vi troede, vi vidste, hvad intelligens var. Vi troede, vi vidste, at der var en klar skillelinje mellem “rigtig” tænkning og statistisk mønstergenkendelse. Vi troede, vi vidste, at kreativitet var noget fundamentalt menneskelig.

AI har ikke afklaret disse spørgsmål. Det har gjort dem mere akutte og mere forvirrende. Når en model skriver et digt, der rører dig til tårer – hvad sker der så præcist? Når den forklarer et komplekst problem på en måde, der oplyser dig – er det forståelse eller imitation?

Vi ved det ikke. Og det er ubehageligt at erkende, fordi det betyder, at vi faktisk aldrig rigtig vidste, hvad vi snakkede om, når vi snakkede om “menneskelig intelligens” som noget særligt og ubetinget.

Det er den overraskelse, der måske vil vise sig at være den største i det lange løb. Ikke at AI er smart. Men at det at tænke på AI tvinger os til at tænke nøjere på, hvad vi selv er.

Hvad kommer nu?

Det er det sværeste spørgsmål, og det er det, alle stiller. Og det ærligste svar er: vi ved det ikke. Vi har netop lært, at vores evne til at forudsige denne teknologis udviklingstempo og retning er begrænset.

Men et par ting synes mere klare i dag end for tre år siden:

AI-agenter – systemer, der ikke bare svarer på spørgsmål, men planlægger og udfører komplekse opgaver over tid – er den næste store bølge. De er allerede her i embryonal form. Når de modnes, vil de ændre ikke bare individuelle job, men hele arbejdsgange og forretningsmodeller.

Multimodalitet – at AI kan se, høre, tale og handle på tværs af formater – er allerede en realitet. Det vil blive dybere og mere integreret.

Den fysiske verden – robotik kombineret med AI – er endelig ved at indhente den digitale verden. Autonome fabrikker, kirurgiske robotter, leveringssystemer. Det er her, de klassiske forudsigelser om manuelle job under pres endelig vil begynde at materialise sig – bare ti år forsinket.

Og så er der det store, uafklarede spørgsmål om AGI – kunstig generel intelligens. Hvornår, hvis nogensinde, vil vi have et system, der kan lære og tilpasse sig til et niveau, vi kan kalde ægte generel intelligens? Nogle af de mest seriøse forskere i verden tror, vi er tættere på end nogensinde. Andre mener, der er uoverstigelige barrierer, vi endnu ikke har forstået.

Afslutning: Ydmygheden som den vigtigste lektie

Hvis der er én ting, de seneste år med kunstig intelligens har lært os, er det ydmyghed.

Vi var sikre på, hvem der var sårbare. Vi tog fejl. Vi var sikre på, hvad AI kunne og ikke kunne. Vi tog fejl. Vi var sikre på, at kreativitet og ræsonnering var human-only domæner. Vi – i hvert fald delvist – tog fejl.

Det er ikke en opfordring til panik. Det er en opfordring til at holde op med at være for sikre. Til at holde diskussionen åben. Til at anerkende, at vi stadig er i de tidlige kapitler af en forandring, vi endnu ikke kender slutningen på.

Og måske er den mest menneskelige ting vi kan gøre i mødet med kunstig intelligens – at vedblive med at stille spørgsmål, som vi ikke er sikre på svarene til.

Artiklen er skrevet i juni 2026 og afspejler udviklingen i kunstig intelligens frem til dette tidspunkt. Teknologien udvikler sig hurtigt – om et år er dele af dette sandsynligvis allerede forældet. – DagensAI