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.
Jeg byggede en lille app for at se, hvor meget af den blinde plet man kan lukke. Den hedder AI IQ, og på overfladen er det bare en quiz om kunstig intelligens med lidt for meget konfetti. Men det interessante er ikke quizzen. Det er, hvad underviseren kan se, mens holdet spiller.
Live feedback — mens de stadig sidder der
Som underviser åbner du et dashboard og følger holdet i realtid. Hvem sidder på spørgsmål 2, hvem er nået til 9, hvem har en streak kørende, hvem gik i stå. Et rullende live-feed viser hvert svar, efterhånden som det falder.
Men det vigtigste panel er det nederste: svageste emner — en løbende rangliste over, hvad folk oftest svarer forkert på. Ikke bagefter, ikke i en rapport ugen efter. Nu. Hvis otte ud af tolv falder på det samme spørgsmål om RAG, står det lige der, mens du stadig har holdet i lokalet og kan tage det op.
Det flytter undervisningen fra at gætte til at måle. Du underviser i det, dataene peger på — ikke i det, du regnede med var svært.
Læring der tilpasser sig den enkelte
Når en deltager er færdig, sker der noget, de fleste kurser ikke gør: appen samler et personligt kursusmateriale af præcis de emner, personen svarede forkert på. Fik du RAG, fine-tuning og hallucinationer galt, får du en kort, korrekt mini-lektion om netop de tre — og intet andet. Ingen læser om det, de allerede kan.
Det er tilpasset læring i sin mest håndgribelige form: pensummet er ikke det samme for hele holdet, det er skåret efter den enkeltes faktiske huller. Og fordi det bygger på, hvad personen lige har vist, ikke hvad de siger de er i tvivl om, rammer det stedet, hvor det gør en forskel.
Og så det, ingen tør love: virkede det?
Efter mini-kurset kan deltageren tage quizzen igen. Og her lukker cirklen sig: dashboardet viser effekten af kurset — den gennemsnitlige forbedring fra første til seneste forsøg. Mads gik fra 7 til 11 rigtige. Sofie fra 5 til 8. I gennemsnit 3,5 flere rigtige svar efter kurset.
Det er den måling, næsten al undervisning mangler. Vi bruger enorme ressourcer på at undervise og næsten ingen på at dokumentere, om folk rent faktisk lærte noget. Her er det bygget ind fra bunden: før og efter, sort på hvidt, med et tidsfilter så du kan måle ét bestemt hold.
Hvorfor jeg bygger den slags
AI IQ er lille. Den kører på en Nushell-scriptbar HTTP-server, gemmer alt i en indbygget stream-store uden ekstern database, og hele live-dashboardet er drevet af server-sent events — ingen polling, ingen tung infrastruktur. Det tog en weekend.
Men det er præcis pointen. Den værdi, der gør en forskel her, er ikke selve AI-modellen. Det er skelettet omkring: at fange hvert svar, aggregere hullerne, samle et kursus ud fra dem og måle effekten over tid. Langt størstedelen af et brugbart AI-system er ikke AI — det er regler, data og kontrol. Og det er den del, der oftest bliver glemt.
Jeg rådgiver virksomheder om at bruge AI. Jeg gør det ud fra ting, jeg selv har bygget og sat i drift — ikke ud fra slides. Denne app er et lille, konkret eksempel på det, jeg mener, når jeg siger, at AI's værdi sjældent ligger i modellen, men i det, du bygger rundt om den. Og på, at man altid bør spørge: kan vi måle, om det virkede?