AI i praksis

Så er jeg tilbage efter sommeren. Og jeg vender tilbage med noget, jeg ikke havde regnet med at få ud af en ferie: en bunke feltarbejde.

For sådan er det blevet. Man sætter sig til et bord, nogen spørger hvad man laver, man siger "jeg rådgiver virksomheder om kunstig intelligens" — og så er samtalen i gang. Hver gang. Ikke høfligt-interesseret, men engageret. Folk har prøvet noget. De har en holdning. De har som regel også en historie.

Det er nyt. For to år siden var reaktionen på det svar en høflig nikken og et emneskift. I sommer var det en samtale, der varede en time.

Diskussionen om, hvorvidt AI er nyttigt, er slut i verdens vigtigste softwareprojekt. Den blev lukket tirsdag aften amerikansk tid af manden, der har det sidste ord.

Et år siden var der stort set ét svar på, hvilken AI du skulle bruge. I dag er der fem seriøse at vælge mellem, og det ændrer ikke bare udvalget — det ændrer selve spørgsmålet.

"Hvilken er bedst?" er blevet det forkerte at spørge om. Det rigtige er: "hvilken AI til netop denne opgave?"

Tre modeller, ikke én

OpenAI udkom for nylig med GPT-5.6. Den kom ikke som én model, men som tre: Sol, der er den dyre flagskibsmodel, Terra i midten, og Luna, der er billig og hurtig. Samme hjerne, tre prispunkter der ligger omtrent fem gange fra hinanden.

Jeg har en notesamling, jeg bruger hver dag i mit arbejde med at rådgive virksomheder om AI. Den er ikke en app, jeg har købt. Den er et lille værktøj, jeg kører selv — en vidensgraf, der hedder iwe, hvor mine noter hænger sammen i links i stedet for at ligge i mapper.

I dag opdagede jeg noget ved den, der fik mig til at tænke på, hvor AI's værdi egentlig ligger.

Jeg søgte på ordet "kørende". Og min notesamling fandt en note, der hed "Hvorfor ikke bare køre det hele som root?". Den fandt den, selvom jeg aldrig har skrevet "kørende" i den note — kun "køre".

Når du underviser et hold, er der én ting du næsten aldrig ved med sikkerhed: hvad der egentlig landede. Nogen nikker. Nogen kigger ned i bordet. En enkelt stiller et godt spørgsmål. Men om de tolv mennesker foran dig faktisk sidder med det samme hul i forståelsen — det opdager du typisk først bagefter, hvis overhovedet. Feedbacken er forsinket, anekdotisk eller helt fraværende.

Det er en dyr blind plet. For du bruger din tid på at gennemgå det, du planlagde at gennemgå — ikke det, holdet faktisk har brug for. Og du får aldrig sort på hvidt, om undervisningen rykkede noget.

I det forrige indlæg skrev jeg, at man skal bygge en lille skal omkring modellen i stedet for at kopiere data ind i en chat. Her vil jeg zoome ind på det vigtigste, den skal giver dig — det, hele forskellen i praksis koger ned til: kontrol over konteksten.

Den nemmeste måde at bruge AI på produktdata er også den værste: marker et par hundrede rækker i regnearket, smid dem ind i en chat, og bed den om at skrive beskrivelser, fylde hullerne ud og rydde op. Det føles produktivt. Og det er præcis derfor, det er farligt.

I sidste måned udgav Google Cloud en åben specifikation kaldet Open Knowledge Format — OKF. Da jeg læste den, sad jeg med en mærkelig følelse af genkendelse. For den beskriver, næsten linje for linje, den måde jeg selv har bygget min vidensbase op på i over et år. Ikke fordi jeg var forud for Google. Men fordi princippet er gammelt, og den retning infrastrukturen bevæger sig i nu, er den samme retning, en enkelt rådgiver med en terminal også ender i, hvis han tænker det igennem.

Den hårdest arbejdende tast på mit tastatur er pipe-tegnet, |, den lodrette streg, som de fleste aldrig rører. Et lille skilletegn, der i virkeligheden binder ting sammen. Og det siger næsten alt om, hvordan jeg tænker om arbejde og processer.

I går aftes og i morges byggede jeg to små stykker software, jeg har manglet længe: En RSS-læser, der kører i min egen terminal, gemmer alt lokalt og ikke spørger nogen om lov. To åbne projekter, og tilsammen er de mindre, end de fleste ville tro.