Danmarks Frie Forskningsfond offentliggjorde 7. oktober støtte på cirka 57 millioner kroner til ni nye forskningsprojekter om kunstig intelligens. Projekterne spænder over sundhed, energibevidste systemer og det noget mere komplicerede fag, vi plejer at kalde menneskelig adfærd.

Et af projekterne undersøger brugen af AI som samtalepartner, herunder om sådanne systemer kan påvirke menneskers holdninger. Andre ser på mulighederne for eksempelvis berøringsfølsomme robotter og på konsekvenserne af AI i professionelle arbejdsgange.

Det er en kærkommen kontrast til uger, hvor fremskridt opgøres i parametre og sekunder. Forskningsmidlerne går ikke til at lancere ni færdige produkter. De går til at finde ud af, hvad teknologien faktisk gør, når den møder mennesker.

For nordiske virksomheder er det relevant, fordi den sværeste del af AI-indførelse sjældent er at få et svar ud af en model. Den er at afgøre, om svaret er godt, om værktøjet ændrer adfærd, og hvilke faglige kompetencer der skal bevares.

Det er også et argument for at tænke bredere om AI-kompetencer. Faglig dømmekraft, etik, design og domæneviden bliver ikke mindre vigtige, bare fordi maskinen kan formulere sig flydende.

57 millioner kroner løser ikke de store spørgsmål. Men de finansierer nogen, der rent faktisk skal undersøge dem. Det er en noget bedre anvendelse af et forskningsbudget end endnu et dashboard, der fortæller os, at fremtiden er spændende.

En undersøgelse, som DI Digital offentliggjorde 8. oktober, viser en markant forskel mellem digitale virksomheder og resten af erhvervslivet. Den bygger på svar fra 7.741 virksomheder, heraf 505 inden for DI Digitals brancheområde.

I den digitale del af undersøgelsen oplever omkring otte ud af ti virksomheder, at AI har løftet medarbejdernes produktivitet. På tværs af alle brancher er det omkring seks ud af ti. Digitale virksomheder bruger desuden teknologien langt mere intensivt.

Men samme rapport peger på barrierer i form af regulering og datasikkerhed. Det er altså muligt både at få reel nytte af AI og samtidig være i tvivl om, hvordan den skal styres. Det er ikke nødvendigvis et paradoks. Det er en arbejdsdag.

Tallene er virksomhedernes egne vurderinger. De er derfor et signal om oplevet værdi, ikke en uafhængig effektmåling af minutter, penge og kvalitet. Den skelnen er vigtig, når nogen begynder at omregne en spørgeskemabesvarelse til besparelser på næste års budget.

For den enkelte organisation ligger den interessante opgave nu i at udvælge processer, opstille kvalitetskrav og finde ud af, hvor medarbejdernes tid faktisk bliver frigivet. Og hvor den bare flytter hen.

Hvis AI sparer tyve minutter på at skrive noget, der kræver tredive minutters ekstra kontrol, har vi ikke opfundet produktivitet. Vi har opfundet en lidt mere avanceret omvej.

AI Sweden annoncerede 7. oktober et forskningssamarbejde med britiske Genomics England. Her skal det svenskudviklede værktøj LeakPro testes i et avanceret genomforskningsmiljø for at undersøge privatlivsrisici ved AI-modeller, der er trænet på følsomme biologiske data.

Ideen er enkel, men problemet vanskeligt: Selv hvis en organisation ikke udleverer sine rå data, kan en model i visse tilfælde afsløre information fra træningen. Det gør datasikkerhed til mere end spørgsmålet om, hvem der har adgang til databasen.

Genomdata er en særlig skarp test af den problemstilling. De er ikke bare fortrolige; de kan fortælle noget om menneskers helbred, slægtskab og biologiske egenskaber.

Samarbejdet er en test, ikke en certificering af, at alle risici er væk. LeakPro skal netop undersøges i et miljø, hvor vanskelige spørgsmål om modeldeling og privatliv opstår i praksis.

For sundhedsvæsenet og andre dataintensive brancher er perspektivet interessant. Potentialet i AI bliver større, når modeller kan trænes på rige datasæt. Men prisen for en fejl bliver tilsvarende højere.

Det nyttige spørgsmål er derfor ikke kun, om en model kan bruges. Det er også, hvad en uvedkommende potentielt kan få ud af at spørge den længe nok. En AI må gerne huske sin undervisning. Den skal helst ikke kunne sladre om eleverne.

Den norske regering og arbejdsmarkedets hovedorganisationer underskrev 2. oktober en aftale om ansvarlig indførelse og brug af kunstig intelligens på arbejdspladserne. Både arbejdsgiver- og lønmodtagersiden er med.

Aftalen skal bringe AI ind under den norske tradition for samarbejde, medarbejderinddragelse og fælles ansvar. Den handler blandt andet om produktivitet, kompetenceudvikling og at undgå, at nye teknologier skaber unødvendig usikkerhed eller udelukkelse.

Det er ikke en detaljeret lov med nye AI-forbud. Men det er en konkret politisk og organisatorisk aftale, hvor parterne forpligter sig til at arbejde sammen om omstillingen.

Det er let at betragte AI-implementering som en licensbeslutning: Ledelsen køber adgang, medarbejderne får et webinar, og så håber alle på et mirakel før næste kvartalsregnskab.

Norges tilgang minder om, at teknologiændringer også er ændringer i arbejdsfordeling, ansvar og faglighed. Hvem bestemmer, hvad der automatiseres? Hvem opdager fejl? Hvem bliver dygtigere, og hvem bliver hægtet af?

For danske virksomheder er det en nærliggende diskussion. Jo mere AI kommer ind i kerneopgaverne, desto mindre mening giver det at behandle den som et sideprojekt i IT-afdelingen. Når den nye kollega ikke får løn, betyder det ikke, at man kan springe personalemødet over.

Det er nemt at sælge AI som noget næsten vægtløst. Et spørgsmål, et svar, lidt magi i browseren.

Det bliver straks mere kompliceret, når skyen ankommer med gravemaskiner.

Den 6. oktober greb de finske myndigheder ind over for forberedelsesarbejdet ved Googles planlagte datacentre i Muhos og Kajaani. Myndighederne krævede, at arbejder, som kan ændre miljøet væsentligt, standses, indtil de nødvendige miljøkonsekvensvurderinger er afsluttet.

Det drejer sig blandt andet om fældning af skov, fjernelse af muldlag, anlæggelse af veje og ændringer i områdets afvanding.

Der er allerede ryddet flere hundrede hektar skov, og myndighederne undersøger, om arbejdet er foregået i strid med reglerne. Google har erkendt, at selskabet ikke har levet op til sine egne høje standarder i sagen, og siger, at det vil følge myndighedernes anvisninger.

Det er vigtigt at holde proportionerne på plads. Der er ikke tale om et generelt forbud mod Googles finske datacenterplaner, og mistanke om ulovlig skovrydning er ikke det samme som en endelig juridisk afgørelse.

Men konflikten er reel.

For miljøkonsekvensvurderinger er ikke tænkt som noget, man udfylder, når gravemaskinerne er færdige og skoven er blevet til parkeringsplads.

De skal være med til at afgøre, hvad der overhovedet bør bygges.

Her bliver historien interessant fra et nordisk perspektiv.

Den 5. oktober offentliggjorde Staða gervigreindar á Íslandi to analyser, der tilsammen rammer præcis den diskussion, som nu udspiller sig i Finland.

Den første undersøger AI’s miljøpåvirkning og gør op med forestillingen om, at vi kan måle teknologiens samlede aftryk ved at tælle vanddråber eller watt-timer pr. chatbotspørgsmål. Et enkelt spørgsmål kan være relativt billigt. Men regnestykket ændrer sig, når millioner af mennesker bruger stadig mere krævende modeller, agenter arbejder i timevis, og nye datacentre skal bygges til at håndtere efterspørgslen.

Strømmen skal produceres. Serverne skal køles. Chips skal fremstilles. Og infrastrukturen skal placeres et sted.

Island har nogle åbenlyse fordele: vedvarende energi fra vandkraft og geotermiske kilder, et koldt klima og gode muligheder for effektiv køling. Men selv grøn elektricitet er ikke en ubegrænset ressource. Den strøm, der bruges til et datacenter, kan ikke samtidig bruges af andre virksomheder. Og selv et energieffektivt datacenter kræver fysiske anlæg, materialer og plads.

Den anden islandske analyse tager skridtet videre og stiller spørgsmålet om AI-suverænitet.

For hvad betyder det egentlig at have datacentre inden for landets grænser?

Et datacenter på islandsk jord betyder ikke automatisk, at islandske virksomheder, forskere eller myndigheder har adgang til regnekraften. Det betyder heller ikke, at landet har kontrol over modellerne, dataene eller de kommercielle beslutninger. Man kan altså godt levere strømmen og stadig stå uden for maskinrummet. Og så begynder regnestykket at blive politisk interessant.

Hvis et lille land stiller energi, jord og infrastruktur til rådighed for den globale AI-industri, bør man kunne svare på nogle ganske almindelige spørgsmål.

Hvilke arbejdspladser skabes? Hvilken viden bliver tilbage? Får lokale virksomheder og forskningsmiljøer adgang til regnekraften? Hvem betaler for udbygningen af elnettet? Og hvem bestemmer, hvad ressourcerne skal bruges til?

Det er ikke nødvendigvis argumenter imod datacentre. Tværtimod kan de skabe investeringer, arbejdspladser og nye muligheder.

Men fordelene opstår ikke automatisk, blot fordi nogen stiller et par tusinde GPU’er op.

Fra miljøtilladelse til samfundskontrakt

Finland og Island illustrerer to sider af den samme udfordring.

I Finland handler det om at sikre, at udbygningen overholder de regler, der beskytter naturen og de mennesker, som skal leve med infrastrukturen.

I Island handler diskussionen også om, hvilke rettigheder, muligheder og langsigtede gevinster samfundet skal sikre sig, når det stiller sine ressourcer til rådighed.

Det er en diskussion, resten af Norden med fordel kan tage, før næste milliardinvestering bliver annonceret med champagne og et meget stort billede af et serverrack. For spørgsmålet er ikke nødvendigvis, om vi skal sige ja eller nej til flere datacentre. Det er, hvilke betingelser et ja skal have.

Ellers risikerer AI at ende med en ganske velkendt forretningsmodel:

Gevinsten er i skyen. Regningen lander på jorden.

Google lancerede 7. oktober Playground, en eksperimentel platform, hvor brugere kan bygge, afprøve og dele spil ved at beskrive deres idéer i almindeligt sprog. Figurer, regler, miljøer og justeringer kan formuleres som instruktioner frem for programmeringskode.

Platformen er i første omgang tilgængelig i USA for brugere over 18 år. Google har samtidig peget på en kommende integration med Unity Spark, men den mere avancerede løsning er endnu under test.

Det fascinerende er ikke, at et spil kan begynde med en prompt. Det er, at udviklingen kan fortsætte som en samtale: Gør figuren tungere, ændr fysikken, flyt banen, og prøv igen. Afstanden fra idé til noget, der kan testes, bliver kortere.

For designere, undervisere og små kreative teams åbner det interessante muligheder. En prototype kan bruges til at undersøge en oplevelse, længe før nogen har bygget et komplet produktionsapparat omkring den.

Men der er en vigtig forskel på at kunne generere et spil og at kunne skabe et godt spil. Spildesign er rytme, regler, motivation, feedback, dramaturgi og evnen til at mærke, hvornår oplevelsen faktisk er sjov. Det lærer man ikke automatisk ved at få færre menuer.

Derfor er den største nyhed måske, at flere får mulighed for at eksperimentere med spil som medie. Det er godt for kreativiteten. Også selv om verden sandsynligvis skal overleve en periode med temmelig mange spil om talende kartofler.

OpenAI offentliggjorde 5. oktober sin tilgang til tekstmærkning som led i arbejdet med EU’s regler om AI-genereret indhold. API-kunder kan nu aktivere vandmærkning for udvalgte modeller, mens understøttede ChatGPT- og Codex-tekster i EU efter planen får en gradvis udrulning.

Teknikken er ikke et synligt stempel eller nogle skjulte tegn i teksten. Den ændrer små statistiske valg under genereringen, så et særligt værktøj senere kan forsøge at genkende mønsteret.

Det lyder enkelt, men markeringsproblemet er ikke løst. Korte tekster, efterfølgende redigeringer og andre ændringer kan gøre signalet svagere. Derfor er OpenAI også forsigtig med at beskrive det som et bevis på noget som helst.

Et fundet vandmærke kan give et signal om, at et understøttet system har været med til at producere tekst. Det kan ikke fortælle, hvem der skrev prompten, hvor meget et menneske har redigeret, om indholdet er sandt, eller hvem der ejer det.

Og omvendt beviser fraværet af et vandmærke ikke, at teksten er skrevet af et menneske. Det er en vigtig pointe for skoler, medier og virksomheder, der fristes til at gøre teknologi til dommer over forfatterskab.

Mærkning er nyttig som ét lag i en større transparensmodel. Den må ikke blive en magisk detektor, der afgør sager uden kontekst. Vi har trods alt allerede erfaring med systemer, der udtaler sig meget sikkert på et lidt tyndt grundlag.

Meta og Sierra annoncerede 6. oktober arbejdet med Personal Agent Protocol, en foreslået åben standard for, hvordan personlige AI-agenter kan møde virksomhedernes websites, API’er og egne kundeserviceagenter.

Blandt de nævnte samarbejdspartnere er blandt andre Shopify, Stripe, Walmart og Genesys. Ambitionen er at få en fælles måde at håndtere identitet, tilladelser og sporbarhed på, når det ikke længere er kunden selv, der klikker sig gennem alle trin.

Det er en væsentlig forskel fra en chatbot, der anbefaler en vare. En personlig agent kan i princippet have instruktioner om at finde, forhandle, bestille og følge op, mens virksomheden skal vide, hvad agenten faktisk har mandat til.

Standarden er annonceret som et udviklingsarbejde. Den er ikke ensbetydende med, at alle butikker og alle AI-agenter nu taler problemfrit sammen. Først skal der være fælles specifikationer, implementeringer og praktiske sikkerhedserfaringer.

For handel og kundeservice kan det på sigt ændre grundformen på et digitalt besøg. Hjemmesiden er måske ikke længere kun designet til et menneske, der læser og klikker, men også til en agent, der kommer med en dokumenteret opgave.

Og her kan det godt betale sig at være lidt gammeldags: Den, der henter kundens dankort frem, bør også kunne vise, hvem der bad om det. Ellers er agentisk handel bare en dyrere udgave af at sende en fremmed i Netto med sin pinkode.

Biohub, amerikanske forskningsmyndigheder og teknologipartnere annoncerede 7. oktober en fælles indsats på omkring 1,8 milliarder dollar i finansiering, data, regnekraft og måleteknologi. Målet er at skabe bedre åbne biologiske datasæt til AI-modeller, der på længere sigt kan forudsige, hvordan celler fungerer.

Blandt partnerne er det amerikanske energiministerium, National Institutes of Health samt aktører omkring Meta og Google DeepMind. De samlede beløb er ikke bare en ny kontant overførsel: De omfatter også tidligere finansierede dataressourcer og bidrag i form af teknologi og kapacitet.

Det er værd at fremhæve, fordi en digital cellemodel ikke kommer af at bede en sprogmodel om at spille biolog. Den kræver enorme mængder pålidelige målinger, standardiserede data og eksperimenter, der kan bruges til at teste forudsigelserne.

Hvis arbejdet lykkes, kan AI få en ny rolle i biologien. Forskere vil i højere grad kunne udforske hypoteser digitalt og bruge laboratoriet til at teste de mest lovende. Det vil kunne hjælpe både grundforskning og udvikling af behandlinger.

Men den digitale celle er endnu et forskningsmål, ikke en fuldstændig simulering af menneskelig biologi. Celler er besværligt levende, og de har tilsyneladende ikke læst vores projektplaner.

For virksomheder uden for life science er historien alligevel interessant. Den viser, at AI’s næste store fremskridt kan afhænge mindre af prompts og mere af kvaliteten af specialiserede data. Gode modeller begynder ofte med det lidt mindre glamourøse arbejde: gode målinger.

Mistral lancerede 6. oktober en offentlig API-preview af Mistral Large 4, en multimodal model med omkring en billion parametre, hvor kun en mindre del er aktiv ved hver beregning. Modellen er trænet på europæisk infrastruktur og er målrettet blandt andet kode, agentopgaver og professionelt arbejde.

Mistral lægger vægt på sin open-weight-strategi, men vægtene var ikke offentligt frigivet ved annonceringen. Virksomheden har sagt, at de skal komme senere i oktober. Indtil da kan modellen prøves via virksomhedens API og vurderes af udvalgte partnere.

Størrelsen er selvfølgelig imponerende, men det mest interessante er alternativet: Europeiske organisationer efterspørger stadig større kontrol over, hvor deres data og modeller køres, hvilke leverandører de er bundet til, og hvordan sikkerheden testes.

Mistrals egne benchmarkresultater peger på stærke præstationer, blandt andet inden for specialiserede arbejdsopgaver. De skal dog læses som producentens evalueringer, indtil uafhængige tests giver et bredere billede.

Det europæiske AI-landskab får ikke automatisk digital suverænitet ved at få en større model. Suverænitet kræver også compute, kompetencer, tilgængelige vægte, support, finansiering og mulighed for reelt at vælge anderledes.

Men Large 4 er en konkret udvikling, som virksomheder kan teste. Og det er trods alt mere nyttigt end en pressemeddelelse, der blot lover, at Europa en dag vil få sin egen AI. Mistral har sat en maskine på bordet. Nu må den gerne bestå arbejdstesten.

1. Dansk AI-forskning mod kræft: Danmarks Frie Forskningsfond har 6. oktober givet over 36 mio. kr. til syv projekter om AI og kræft, blandt andet tidligere diagnostik og støtte til behandling. Det er nye forskningsprojekter, ikke færdige kliniske løsninger.
2. Norske Boost.ai på vej til Automation Anywhere: Automation Anywhere annoncerede 7. oktober en aftale om at købe den norske conversational-AI-virksomhed. Handlen ventes først afsluttet senere og afhænger af de sædvanlige godkendelser.
3. Reflection præsenterer Beam: Den amerikanske virksomhed lancerede 5. oktober en 501-milliarder-parameter open-weight-model til blandt andet kode og agenter. Endnu et tegn på, at valget ikke nødvendigvis står mellem lukket amerikansk og åbent kinesisk.
4. Google finder mere atomkraft: En aftale med Constellation fra 6. oktober skal på sigt skabe 890 MW ekstra kapacitet ved at opgradere eksisterende amerikanske reaktorer. AI-boomet får energiselskaberne til at kigge grundigt på deres turbineanlæg.
5. Anthropic åbner flere cyberadgange: Fra 6. oktober tilbyder virksomheden tre niveauer i sit Cyber Verification Program for kvalificerede sikkerhedsfolk. Stærke modeller kræver åbenbart både ekspertise og et mere omhyggeligt adgangskort.
6. Claude Haiku 5.5 bliver hurtigere og billigere: Anthropic annoncerede modellen 7. oktober med fokus på store mængder korte og prisfølsomme opgaver. Den er interessant for driftsøkonomien, selv om endnu en modelrelease næppe behøver sin egen fanfare.
7. New York holder AI-sikkerhedshøring: Byrådet afhørte 5. oktober repræsentanter fra store AI-virksomheder og kritikere om transparens og sikkerhed. Høringen var en politisk undersøgelse, ikke en vedtaget lov.
8. Ultralyd som hjerne-computer-interface: Bridge Neurotech blev præsenteret 6. oktober med 13,5 mio. dollar og planer om at aflæse hjernesignaler uden kirurgiske implantater. Klinisk virkning er stadig noget, der skal demonstreres.
9. Sierra lancerer AI-til-AI-identifikation: Sierra præsenterede 8. oktober sin model fleming-1, der skal hjælpe med at opdage, om en kundehenvendelse kommer fra en anden agent. Et lille, men sigende tegn på, at kundeservice nu også skal identificere maskiner.
10. Norge og Finland taler AI-sikkerhed på topniveau: Statsminister Jonas Gahr Støre og præsident Alexander Stubb mødtes 8. oktober om deres internationale opråb for kontrol med de mest avancerede AI-modeller. Over 30 ledere støtter ifølge det norske statsministerkontor initiativet; konkrete fælles regler mangler stadig.

Det mest interessante ved uge 41 er ikke, at vi fik en ny model, endnu en standard eller nye millioner til forskning. Det er, at næsten alle historierne handler om grænsen mellem en digital mulighed og noget meget fysisk: skov, laboratorier, medarbejdere, energisystemer, følsomme data eller juridisk ansvar.

Finland minder os om, at datacentre står på rigtige grunde med rigtige naboer. Og når Norge og Finland samtidig efterlyser mere international kontrol med de stærkeste modeller, ser vi to sider af samme sag: En teknologi kan være global uden at slippe for lokale hensyn eller politisk ansvar. En enkelt prompt er sjældent problemet. Skalaen kan være det.

Samtidig viser både Norge og Danmark, at AI-modning er mere end at købe en licens. Medarbejderinddragelse, forskning, procesdesign og kvalitetsmåling bliver centrale. De flotte produktivitetstal er spændende; endnu mere spændende bliver det, når virksomheder kan fortælle, hvilke opgaver der faktisk blev bedre, og hvilke fejl man slap for.

Globalt bliver brugerflader og arbejdsprocesser mere flydende. Et spil begynder som en beskrivelse, en agent kan møde en butik på vores vegne, og en model kan bidrage til biologisk forskning. Men de nye muligheder kræver også nye beviser: Hvem godkendte købet? Kan tekstens oprindelse undersøges? Er data gode nok? Kan løsningen testes uden for demoen?

Måske er det ugens mest nordiske konklusion. Vi behøver hverken at være begejstrede for alt eller bange for det hele. Vi skal være dygtige til at stille spørgsmål, mens vi bygger. Fremtiden kommer sikkert alligevel. Den kan lige så godt møde op med en ordentlig miljørapport og en brugsanvisning.