Hybrid intelligens: modsvaret til AI-agenterne

Den 7. september 2026 åbnede Jacob Sherson en konference om AI-implementering i Nyborg med 350 deltagere. Programmet var fyldt med oplæg om AI-agenter. Hans budskab til salen var, at de skulle holde op med at bygge dem. Resten af dagen blev hans keynote det oplæg, alle de andre talere refererede tilbage til.

Jeg sad i salen, og det var det oplæg, der gjorde størst indtryk på mig i løbet af de to dage. Men han talte i 40 minutter, sagde selv, at han talte for hurtigt, og sprang forbi halvdelen af sine slides. Det er ikke nok til at forklare det videre. Så jeg har gennemgået det hele: hi-infinity.ai, hans slidedeck på 66 sider, en transskription af talen og de fire manifest-artikler, der ligger som udkast på sitet. Sitet samler arbejdet fra Center for Hybrid Intelligence ved Aarhus Universitet og et netværk af over 100 forskere og virksomheder.

Den her guide er resultatet. Den forklarer begrebet hybrid intelligens fra bunden, de konkrete værktøjer, casene og økonomien bag. Og den skelner mellem det, forskerne har vist, og det, de satser på.

Kort fortalt: hvad er hybrid intelligens?

Hybrid intelligens, forkortet HI, er en måde at designe arbejde med AI på, hvor maskinen og mennesket får hver sin rolle med vilje. AI er god til at finde mønstre, gennemsøge store mængder information, lave første udkast og regne. Mennesket er godt til det, AI stadig er dårlig til: at læse en situation, vurdere hvad der faktisk betyder noget, vælge mellem hensyn, der ikke står i noget regneark, og tage ansvaret for beslutningen.

Hybrid intelligens sætter begge dele ind i det samme arbejdsforløb. Ikke som et menneske, der sidder til sidst og trykker godkend, men som en arbejdsdeling, der er designet trin for trin, så dømmekraften ikke stille og roligt forsvinder.

Forskerne har tre versioner af definitionen afhængigt af, hvem man taler med:

Ordet “beviseligt” er valgt med omhu. Det er ikke nok, at et menneske er til stede. Systemet skal kunne vise, at menneskets dømmekraft bliver bedre af at bruge det.

Hvem står bag?

Center for Hybrid Intelligence (CHI) ligger på Department of Management ved Aarhus Universitet. Det blev grundlagt i 2020 af Jacob Sherson, professor samme sted og uddannet kvantefysiker med en ph.d. fra Niels Bohr Institutet og flere artikler i Nature bag sig. Hans tætteste medforfatter på næsten alt er Janet Rafner.

Hi-infinity.ai er centrets fælles hjemmeside. Her ligger et manifest med tilhørende forskningsartikler og en samling use cases. Der er tre værktøjer: FERC, 4P og GenAI Stack. Der er også et spor om uddannelse, en FAQ med 80 spørgsmål og en underskriftsindsamling. Da jeg kiggede i september 2026, havde over 800 skrevet under.

Hovedmanifestet hedder “The Hybrid Intelligence Manifesto”. Det har omkring 60 forfattere fra blandt andet Aarhus, Lund, Delft, Oulu, Georgetown, Microsoft Research og Autodesk. Det bygger på mere end 50 rundborde med eksperter, mere end 50 workshops med praktikere og to workshops om fremtiden. Ifølge slidesene fra keynoten står et stort netværk bag: over 100 forskere, over 100 virksomheder og to kommuner. Dertil kommer Danske HR, Danske IT, fagforeningerne HK, 3F, DM og IDA og it-virksomhederne Mjølner, Trifork, Systematic og Knowit.

Artiklerne på sitet er udkast. Flere af PDF’erne har “DRAFT” i filnavnet, og designplaybooken har stadig en note om, at navne og screenshots skal godkendes. Det gør dem ikke mindre interessante, men det er ikke færdig, fagfællebedømt forskning endnu.

Kulkælderen: hvorfor AI-first går galt

Sherson bruger selv ordet kulkælderen. Første halvdel af hans keynote gik med at forklare, hvor slemt det bliver, hvis vi fortsætter som nu. Anden halvdel handlede om, hvad vi skal gøre i stedet.

Tallene er forældede, før de udkommer

Han startede med at spørge salen, hvor stor en andel af de opgaver, der ikke kræver fysisk arbejde, deres egen organisation kunne automatisere med den bedste AI, der findes i dag, hvis organisationen fik al den tid, den ville have. De fleste hænder kom op over 50 procent, en del over 70 og en håndfuld over 90. De laveste bud kom fra Region Syddanmark og uddannelsessystemet.

Så sammenlignede han med Nationalbanken, der i foråret 2026 skrev, at omkring 20 procent af opgaverne på det danske arbejdsmarked kan automatiseres. Hans indvending var ikke, at økonomerne regner forkert. Den var, at studiet bygger på teknologi fra 2023, og at AI’s evner fordobles med nogle måneders mellemrum. Han brugte seks måneder som et rundt tal. Tre år bagud er så mange fordoblinger, at tallet ikke siger ret meget om i dag.

Mennesket i løkken gør det dårligere

Hans næste eksempel var et studie fra Google DeepMind i Nature (McDuff m.fl., 2025). En sprogmodel, AMIE, fik 302 svære diagnostiske cases. Modellen alene ramte den rigtige diagnose blandt sine ti bud i 59,1 procent af tilfældene. Læger uden hjælp ramte 33,6 procent. Læger med hjælp fra modellen ramte 51,7 procent, altså dårligere end modellen alene.

Det er den type resultat, Silicon Valley bruger til at sige, at mennesket inden for få år bliver et minus i ethvert AI-workflow.

De fem mekanismer

Det mest præcise i talen var fem fagudtryk, som han mener forklarer, hvorfor den agentiske vej ender dårligt for både medarbejdere, virksomheder og Europa. Han spurgte salen, hvem der kendte dem. Én gjorde.

1. Commoditization (varegørelse). Alle bruger AI til at skære i omkostningerne på samme tid, så ingen beholder fordelen. “I er alle sammen på vej til at blive Ryanair.”
2. Homogenization (ensretning). AI gør den enkelte mere kreativ, men et marked mindre kreativt. Konkurrenterne lancerer det samme produkt i samme uge.
3. Human review horizon (grænsen for menneskelig gennemgang). Et menneske kan ikke reelt gennemgå 10.000 linjer genereret kode eller en handlingsplan med 30 punkter, som tog to minutter at lave. Mennesket i løkken bliver teater.
4. Horizon breakdown. Det samme problem, når agenter kører selvstændigt over lange forløb.
5. Verticalization (lodret opsugning). OpenAI og Anthropic kommer til at konkurrere så hårdt, at de sluger værdikæden. Og de danske virksomheder er værdikæden. Han fortalte, at han havde sagt til Mærsk, at de måske kunne bygge en agentisk organisation i verdensklasse og alligevel tabe til det inden for 18 måneder.

Hertil kom Europa. Ifølge en analyse af AI-supercomputere, han citerede (Pilz, 2025), har Europa 17 gange mindre regnekraft end USA. Open source-modeller dækker efter hans vurdering 97 til 98 procent af det, organisationer skaber værdi med, men de ligger cirka to måneder bag de bedste lukkede modeller, og det hul lukker sig ikke. Hvis den mest værdifulde brug kræver adgang til de allerbedste amerikanske modeller, og adgangen bliver politisk styret, står europæiske virksomheder svagt.

Han nævnte også, at omkring 40 procent af de yngre medarbejdere aktivt modarbejder deres organisations AI-initiativer. Kilden viste han ikke på scenen, og jeg har ikke kunnet finde den.

Men sammenligningen er aldrig blevet lavet

Her kommer det skridt, der gør hybrid intelligens til mere end bekymring. Det står på manifest-siden og i de første sider af hovedmanifestet.

Se på, hvad “læger med AI” betød i DeepMind-studiet. Lægen fik modellens svar og besluttede, hvad han eller hun ville bruge det til. Ingen oplæring i værktøjet, ingen struktur, ingen støtte til at tænke selv. Forfatternes egen analyse peger på, at lægerne blev ankret til deres første diagnose, lod sig føre af modellen og manglede signaler om, hvornår de kunne stole på den.

Det er den tyndeste form for samarbejde, der findes. Forskningen i menneskecentreret AI har i ti år udviklet bedre måder at arbejde sammen på. Lad mennesket vurdere, før det ser maskinens svar. Vis usikkerheden. Giv feedback på brugerens egen dømmekraft over tid. Ingen af dem var med i testen.

Manifestet bruger også en metaanalyse i Nature Human Behaviour (Vaccaro m.fl., 2024), som fandt, at kombinationer af mennesker og AI i gennemsnit klarer sig dårligere end den bedste af de to alene. Forskernes læsning er, at studierne i analysen næsten alle tester den samme tynde model: AI anbefaler, mennesket siger ja eller nej.

Så konklusionen er: Den sammenligning, debatten behandler som afgørende, automatisering mod velfungerende menneske-AI-samarbejde, er ikke blevet lavet. Det, der er testet igen og igen, er automatisering mod et menneske, der er hægtet på i enden af et forløb, der er designet til automatisering. Manifestet er et forsøg på at bygge det udstyr, der skal til for at lave den rigtige test.

Forudsigelse mod dømmekraft: grænsen, der flytter sig

Hele HI-tankegangen bygger på én sondring: forskellen på forudsigelse (prediction) og dømmekraft (judgment). Den er lånt fra økonomerne Ajay Agrawal, Joshua Gans og Avi Goldfarb.

Forudsigelse er de dele af en opgave, hvor den viden, der skal til, allerede findes. Den er skrevet ned, kodet eller ligger i data, som en maskine kan få fat i. Tænk på at sortere, genkende mønstre, skrive tekst, regne og følge procedurer.

Dømmekraft er mere end at træffe en beslutning. Det er at ramme problemet ind og tænke klart, når man er usikker. Det er at samle flere synspunkter, finde på alternativer, veje hensyn op mod hinanden og give maskinens svar mening. Du har brug for dømmekraft, når den viden, opgaven kræver, ikke er skrevet ned. Den sidder i folk, i relationer eller i den konkrete situation.

Det afgørende er, at grænsen mellem de to ikke ligger fast. Hvis en virksomhed skriver sin erfaring ned og gør den tilgængelig for en model, bliver en del af gårsdagens dømmekraft til dagens forudsigelse. Derfor nægter forskerne at definere HI ud fra en liste over “rent menneskelige” evner som kreativitet eller empati. Den liste bliver kortere hvert år. I stedet spørger de: hvilken viden er gjort tilgængelig for maskinen i netop den her sammenhæng?

Manifestet giver konkrete tests til at placere en deltaske:

Sherson viste det som en skala på sine slides. Helt til venstre ingen automatisering: vurderinger, der kræver så meget tavs viden og kontekst, at det ikke kan lade sig gøre at skrive den ned. Så menneskedomineret, hvor maskinen forbehandler og foreslår. I midten en delt opgave. Så maskindomineret, hvor maskinen foreslår, og mennesket verificerer. Helt til højre fuld automatisering: store mængder strukturerede data, som intet menneske kunne nå at behandle. Hans instruks til salen var: Du får mere hjælp fra AI ved at flytte opgaver mod højre, og det gør du ved at formulere deres kontekst eksplicit.

Det er en vigtig nuance. HI handler ikke om at holde AI ude. Det handler om at gøre flytningen bevidst og om at lade de mennesker, der har viden, være dem, der flytter grænsen.

Ikke al tavs viden er god viden

Manifestet passer på ikke at blive romantisk om mennesker. Tavs viden kan lige så godt være fordomme, vaner og bortforklaringer som ekspertise. Det viste Paul Meehl allerede i 1954, og senere Daniel Kahneman og Amos Tversky. Igen og igen slog statistiske modeller eksperternes mavefornemmelse. HI bevarer derfor ikke dømmekraft, bare fordi den er menneskelig. Den bevarer og styrker den dømmekraft, der bygger på faglighed, som nogen kan stå til ansvar for, og som hele tiden bliver tjekket mod virkeligheden.

Hvor mennesket aldrig bliver overflødigt

Manifestet bruger Stacey-matricen, et klassisk ledelsesværktøj af Ralph Stacey, til at placere opgaver efter to akser: hvor sikker er sammenhængen mellem årsag og virkning, og hvor enige er vi om målet.

• Simple opgaver (fakturabehandling, logistik) er oplagte for AI og kan ende med fuld automatisering.
• Komplicerede opgaver (prognoser, svindeldetektion) kan AI hjælpe meget med.
• Komplekse opgaver (at gå ind på et nyt marked, en omstrukturering) kan AI kun støtte, ikke løse.
• Kaotiske opgaver (krisestyring) har hverken sikkerhed eller enighed.

Matricen fører til to pointer.

Selv simple opgaver har brug for mennesker, mens systemet bliver sat i gang. Forestil dig et AI-system, der fanger 75 procent af fejlene. Medarbejderne tager resten, og hver gang de retter noget, lærer systemet af det. Når systemet er godt nok til at køre alene, er det medarbejderne, der siger det. Det giver tryghed, hvor et klassisk automatiseringsprojekt ofte giver modstand. Manifestet nævner en virksomhed, der gjorde sådan i sit salgsflow. Fejlene faldt, og ikke kun fordi algoritmen blev bedre. Organisationen forstod også bedre, hvorfor fejlene opstod.

I nogle opgaver er det en del af værdien, hvem der traf beslutningen. Folk reagerer anderledes, når de ved, at en AI stod bag. Nyheder skrevet af AI kan skabe mistillid. Når AI har været med til at vælge, hvem der bliver ansat, spørger folk, om det gik retfærdigt til. Sundhedsråd fra en AI kan blive afvist. Lader du maskinen træffe beslutningen, løser du altså et andet problem end det, du startede med. Derfor er mennesket her ikke en midlertidig løsning, indtil modellerne bliver gode nok. Mennesket er en del af selve løsningen.

De fire niveauer, og hvorfor gode værktøjer ikke er nok

Forsiden af hi-infinity.ai viser hybrid intelligens som fire niveauer, der hænger sammen:

Forskerne mener, at man skal arbejde på alle fire niveauer på én gang.

For at designe et godt menneske-AI-workflow skal du først spørge de mennesker, der gør arbejdet: Hvilke dele af dit job kunne en maskine regne ud, og hvilke kræver din erfaring og din fornemmelse for situationen? Svaret er guld værd. Det er også et kort over, hvordan man erstatter den person.

Hvis virksomheden lige har annonceret fyringer, eller har startet sin AI-satsning med at lede efter hurtige besparelser, holder de dygtigste medarbejdere det bedste for sig selv. Systemet bliver bygget på et fattigt kort og virker dårligt. Og det dårlige resultat bliver taget som bevis for, at automatisering var det rigtige valg. Automatiseringen vandt ikke, fordi den var bedre. Alternativet fik aldrig den viden, det havde brug for.

Derfor hænger niveauerne sammen oppefra. Medarbejderne deler kun deres viden, hvis organisationen troværdigt lover, at den bliver brugt til at styrke dem og ikke imod dem. Organisationen kan kun holde det løfte, hvis markedet belønner menneskelig dømmekraft. Og markedet kan kun belønne dømmekraft, hvis uddannelserne bliver ved med at skabe den. Hvis du kun gør værktøjerne bedre, trækker resten dig tilbage mod automatisering.

FERC: sådan arbejder du selv med AI uden at blive dummere

FERC er den del af hybrid intelligens, du kan bruge i morgen. Det er en fast rytme for en samtale med AI, der skal sikre, at du stadig er forfatteren til det, der kommer ud.

Problemet, den løser, kalder forskerne “authorship drift”. Når du igen og igen accepterer flydende AI-svar uden at vurdere dem, flytter du lidt efter lidt dine mål, din vurdering og dit ansvar over til maskinen. På kort sigt går det hurtigere. På lang sigt mister du den faglighed, der gjorde dig i stand til at se, om svaret var godt. Det er det, forskerne kalder deskilling.

Kritikken af promptkurserne

Sherson var hård ved de promptkurser, danske virksomheder har kørt. Han nævnte Danske Bank, Vestas, Grundfos, LEGO, Aarhus Universitet og skolerne og kaldte kurserne “super dårlige”. Hans forklaring var, at it-afdelingen typisk har lavet dem, og at it elsker stive rammer. Så kurserne lærer en formel til den perfekte prompt, for eksempel TAG (task, action, goal), og stopper der. De bedste siger til sidst, at man skal være iterativ og tænke kritisk. Men ingen fortæller, hvad kritisk tænkning betyder, når man sidder med en chatbot.

På sine slides var han mere retfærdig: færdige promptrammer er fine til at strukturere den første prompt. De giver bare ingen hjælp til, hvad du gør, når det første svar ikke er godt nok. Og det er næsten altid dér, arbejdet ligger. Derfor skifter FERC fokus fra produktet (“den perfekte prompt”) til processen (“det perfekte samarbejde”).

De fire faser

Frame (ram opgaven ind). Før du beder om noget, spørger du dig selv: Hvad ved jeg, som AI’en ikke ved? Skriv så meget af det ned som muligt. Formål, kontekst, begrænsninger, hvad et godt resultat er, og hvilken rolle AI’en skal have. Det er her, promptkurset stadig kan bruges.

Explore (udforsk). Bed aldrig om ét svar. Altid mindst to. Han begrundede det med, at AI er så velformuleret og så empatisk, at det er næsten umuligt at kritisere et enkelt svar. Det lyder rigtigt. Når du har to eller flere foran dig, kan du se forskellene, og så begynder du at tænke.

Refine (forfin). Du må ikke bare vælge et af svarene. Gå ind i dem. Skriv ned, hvad du kan lide, og hvad du ikke kan lide. Giv det tilbage og bed om fem nye bud. Gentag. Hans eksempel var en dansk stil: Eleverne må bruge al den AI, de vil, men de skal igennem sløjfen så mange gange, at de kan stå inde for hver eneste linje.

Commit (forpligt dig). Du vælger og tager ansvaret. Det indebærer at beslutte, hvad der skal bruges, forklare hvorfor og notere de risici eller usikkerheder, der stadig er.

Fem principper for brugen

Fra hans slides:

1. Brug FERC til enhver opgave, hvor du løser et problem.
2. Bed aldrig AI om at lave første udkast. Giv altid kontekst og struktur først.
3. Brug aldrig AI som ekspert ud over din egen (eller din organisations) ekspertise.
4. Del samarbejdet op i trin, der er små nok til, at det giver mening at bede om muligheder.
5. Små trin betyder lavere energiforbrug og pris og mindre afhængighed af modeller fra Silicon Valley.

Hans eget slogan: Sørg for dit forfatterskab ved at blive din AI’s spillende træner.

Princip 3 er det, jeg oftest ser brudt. Hvis du beder AI om at skrive om et fagområde, du ikke selv kan vurdere, har du ingen mulighed for at opdage fejlene. Så har du ikke et samarbejde. Så har du et orakel.

Review-horisonten og FERC til softwareudvikling

For alle, der arbejder med kode, handler det om review-horisonten. Når du ser på et output, skal du beslutte, hvor stort et output du reelt kan stå inde for at have gennemgået. Er det for stort, skal opgaven deles i mindre stykker.

Han skitserede FERC til softwareudvikling som en række FERC-sløjfer oven på hinanden. Først definerer du, hvad resultatet skal være, med FERC. Så designer du arkitekturen, med FERC, hvor du får flere muligheder og vælger. Så bygger du komponenter og integrerer dem. AI hjælper hele vejen, så det går hurtigt. Men du har været inde i hver del og besluttet, hvor din review-horisont går, i stedet for at trykke på én knap og få 10.000 linjer tilbage.

Han sagde det selv ret direkte: Hvis man vil arbejde hybridt intelligent, er det “bare sindssygt hårdt arbejde”. Du skal være kritisk og tænke hele tiden. Den agentiske vej er behagelig, for du trykker på en knap, ser YouTube, mens den kører, og trykker godkend, når den er færdig. Men den eneste måde at lære noget på er, at det er hårdt arbejde.

FERC-bot

Fordi en ramme på papir sjældent ændrer vaner, har centret bygget en FERC-bot. Den lægger de fire faser ind i en chatgrænseflade. Du vælger selv, hvilken fase du er i, og botten giver feedback i realtid. Den scorer for eksempel, om du faktisk bad om flere alternativer i Explore, eller om du lavede en reel sammenligning i Refine. I Nyborg viste Sherson en version, hvor man skriver sin organisation og sin udfordring ind og bliver ført igennem et træningsforløb. Idéen er, at samme slags lille sidepanel kan ligge ved siden af den chatbot, en virksomhed allerede bruger, uanset om det er Copilot, Claude eller noget andet, og puffe til medarbejderen, hvis vedkommende springer faserne over.

Ifølge sitet er over 2.000 personer trænet i FERC. Forskningen bag er artiklen “Ensuring Human Authorship in the Age of Generative AI” af Sherson, Rafner og 16 andre. Den bygger på forskning i kreativitet og tager udgangspunkt i Double Diamond, en kendt model fra designverdenen. Artiklen skelner mellem at eje noget og at være forfatter til det. Ejerskab handler om, hvem der ejer resultatet på papiret. Forfatterskab handler om, hvem der reelt har styret processen og står til ansvar for den. Man kan godt eje noget, man ikke er forfatter til.

Designplaybooken: ti mønstre til systemer, der gør brugeren klogere

FERC handler om, hvordan du selv arbejder med AI. The Hybrid Intelligence Design Playbook handler om noget andet: hvordan man bygger systemer, der gør den gode praksis til en fast del af arbejdet.

Den er styret af centrets tekniske “grand challenge”: Byg systemer, hvor brugeren lærer mere, end systemet gør. I dag sælges mange systemer, især i det offentlige, på det modsatte løfte: Hver gang sagsbehandleren trykker på en knap, bliver systemet klogere. Det lyder godt, men det betyder også, at systemet bliver mere og mere klar til at tage over.

Sådan blev den lavet

Processen var hurtig. 86 forskere blev inviteret i maj 2026 og bidrog med 26 designmønstre over to workshops. Centret kogte dem ned til ti på fire dage og dokumenterede, hvor hvert mønster kom fra. Den 8. juni testede 38 praktikere fra 22 organisationer mønstrene på en enkelt dag og byggede 13 fungerende prototyper. Blandt organisationerne var Systematic, Knowit, Gensam, Innovation Living, Sundhedsvæsenets Kvalitetsinstitut og Nævnenes Hus. Resultaterne blev præsenteret for EU-Kommissionen og Europa-Parlamentet i slutningen af juni.

De ti mønstre

Otte af dem er kendte principper fra forskningen i menneskecentreret AI. De to første er nye, og de blev præsenteret som obligatoriske, mens resten var et inspirationskatalog.

Mønster 1 er selve metoden: Vælg et helt arbejdsforløb frem for en enkelt opgave, bevar de enkelte trin, sorter hvert trin i forudsigelse og dømmekraft, og sæt det sammen igen til ét menneske-AI-forløb.

Mønster 2 er den organisatoriske forudsætning. Før du designer noget, skal du sammen med fagfolkene beskrive en fremtid for deres fag, som de kan tro på. Ellers har de ingen grund til at give dig den tavse viden, systemet skal bygges på.

Dømmekraftspunktet: den mindste enhed af hybrid intelligens

Det mønster, flest teams byggede uafhængigt af hinanden, var det, forskerne kalder en judgment gate. Jeg kalder det et dømmekraftspunkt. Arbejdsgangen kan ikke gå videre, før et menneske har truffet en beslutning, helst med en begrundelse. Et godkend-klik uden stillingtagen tæller ikke.

Fire hold byggede den hver for sig, til så forskellige ting som akutmedicin, debriefing af ledere og rapportskrivning. Forskerne ser den som den mindste byggesten, der skiller et HI-system fra et AI-first-system, hvor gennemgang er valgfri. Tæt på den ligger “døm før du ser”: Brugeren skriver sin egen vurdering, før AI’ens svar vises. Så bliver AI’ens svar et kalibreringstjek i stedet for et anker. Det er præcis det, der manglede i DeepMind-studiet.

Flagskibet: en akutmodtagelse, hvor lægen tænker først

Systematic byggede et interface, der hjælper lægerne i akutmodtagelsen med at overveje mulige diagnoser. Teamet tog udgangspunkt i, hvordan akutmedicin tænker: Spørgsmålet er ikke, hvad den mest sandsynlige diagnose er. Det er, hvad jeg ikke må overse.

• AI-forslag er blå, lægens beslutninger er grønne. De er adskilt visuelt og i strukturen.
• Forløbet går kun videre, når lægen har skrevet sin egen vurdering og truffet en beslutning, for eksempel at bestille et EKG eller tilkalde bagvagten. Lægens input går ind i AI’ens forudsigelse, i stedet for at lægen bare vælger mellem AI’ens bud. Teamet tilføjede feltet, da de indså, at lægerne ellers “ikke lærer noget”.
• Adgangen til nationale retningslinjer er delt op i kendte og formodede diagnoser, så lægen kan se forskel på, hvad vi ved, og hvad vi gætter på.
• En knap beder systemet om at udfordre lægens hypotese.
• Til sidst viser en oversigt, hvad AI’en anbefalede, hvad lægen valgte, og hvad der skete. Planen er en løbende oversigt over, hvornår den unge læge havde ret, og hvornår maskinen havde.

Forretningsargumentet er også et HI-argument: at granulært samarbejde med eksperten plus en lille model på egne servere (8 milliarder parametre i stedet for 70, af hensyn til GDPR) kan nå en kvalitet, der ellers ville kræve en langt større model. Interfacet erstatter modelstørrelse. Forskerne er selv tydelige om, at prototypen er demonstreret og ikke evalueret.

Hvad testen viste

En opfølgende spørgeskemaundersøgelse med 12 svar gav alle ti mønstre positive vurderinger. To tal stak ud. Deltagerne forstod mønstrene godt, 4,33 ud af 5. De syntes mindre om, hvor meget mønstrene hjalp dem med at designe bedre interfaces, 3,80. De havde altså principperne, men manglede opskrifterne.

Forskerne bad også Claude og ChatGPT om hver for sig at vurdere prototyperne: Gjorde de faktisk det, deltagerne sagde, de gjorde? Begge modeller pegede på mønster 2, den langsigtede faglige forankring, som det dårligst byggede. Deltagerne troede selv, de havde ramt det. Flere hold havde bygget en fælles vidensbase i stedet for at beskrive, hvor faget er på vej hen. Forskerne kalder det en forståelsesillusion: Man kan godt forklare et princip uden at kunne bygge det. Mønster 8 blev vurderet svagt i alle tre målinger.

Den gennemgående fejl var at skrive princippet i stedet for at bygge det. Et system bød brugeren velkommen med linjen “Jeg kan forudsige og informere, men det er dig, der dømmer”. I selve interfacet var der hverken en opdeling af rollerne eller et punkt, hvor brugeren skulle tage stilling, før forløbet kunne gå videre. Derfor får version 2 af playbooken en regel: Et mønster tæller kun, hvis interfacet håndhæver det. En pæn sætning tæller ikke.

Dagen viste også syv gode praksisser, som ingen af de ti mønstre dækker. Her er to af dem.

Den ene er et fælles vidensgrundlag. AI’en svarer ud fra organisationens egen viden, og et menneske godkender, hvad der kommer ind i grundlaget. Så ved alle, hvor svarene stammer fra.

Den anden er en holdbar fordeling af opgaver. Når AI overtager de lette sager, står mennesket tilbage med en dag, der kun består af de svære. De lette sager er også dem, der giver pusterum, og uden dem kan arbejdet ende i stress og udbrændthed. Advarslen kom fra en jernbaneoperatør på workshoppen. Her skal man dog være opmærksom på, at de lette sager også er dem, nye folk lærer faget på. Tager AI dem alle, får de aldrig den erfaring, de svære sager kræver. Det er deskilling, og det opdager man først flere år senere.

Seks niveauer: fra autonom AI til samarbejdende HI

Manifestet har en skala, der gør det muligt at sige præcist, hvor et system ligger. Det er nyttigt, fordi næsten alle leverandører i dag vil sige, at deres produkt har “et menneske i løkken”.

Kun niveau 2 til 4 kan bære betegnelsen hybrid intelligens. Niveau 1 er der, hvor lægerne i DeepMind-studiet sad: et menneske hægtet på et forløb, der er formet til automatisering.

På niveau 2 laver AI det meste af arbejdet, og udfordringen er at gøre modellen forklarlig nok til, at mennesket kan føre et reelt tilsyn. På niveau 3 er arbejdet delt i så små trin, at eksperten kan vurdere hvert mellemresultat direkte ud fra sin egen faglighed. Så har man langt mindre brug for dyb forklarlighed i modellen. Niveau 3 er hjemmet for det, manifestet kalder den menneskestyrede workflow-assistent, og det er her, de satser på, at mindre og billigere modeller kan gøre arbejdet.

Når leverandøren siger HI: pas på HI-washing

Ligesom greenwashing findes der HI-washing: Et system bliver kaldt hybridt eller menneskecentreret, selv om menneskets rolle er symbolsk. Forskernes definitioner er bevidst skrevet som eksklusionsværktøjer. Testen er, om et AI-first-system med symbolsk tilsyn kan snige sig igennem. Det skal det ikke kunne.

FAQ’en på sitet giver fem spørgsmål, du kan stille til ethvert system:

1. Hvor i forløbet påvirker menneskets dømmekraft resultatet?
2. Kan brugeren udfordre AI’en?
3. Hvem har ansvaret for hvad, og er det skrevet ned?
4. Er systemets begrænsninger synlige?
5. Bygger samspillet brugerens faglighed op, eller dræner det den?

Et beslægtet begreb er symbolsk tilsyn. Det er, når et menneske ser ud til at have ansvaret, men i praksis ikke kan ændre resultatet. Personen mangler tiden, informationen, myndigheden eller evnen til at vurdere det.

Modenhedsmatricen: fem dimensioner

Til at vurdere cases bruger forskerne en matrix med fem dimensioner, som hver scores fra 0 til 4:

1. Interaktionsstruktur. Hvor godt interfacet holder dømmekraften inde i forløbet.
2. Medindflydelse på designet. Hvor meget slutbrugerne har formet systemet.
3. Brugerens praksis. Om brugerne arbejder bevidst med AI, for eksempel med FERC, eller bare reagerer.
4. Organisatorisk kapacitet. Om læringen bliver delt og skaleret, eller bliver hos enkeltpersoner.
5. Signal til markedet. Om det menneskelige bidrag bliver synligt og belønnet af kunderne.

Den femte dimension er den, de fleste glemmer. Manifestet illustrerer den med Hauge Korn, som jeg kommer til nedenfor.

Organisationen: 4P, villighed og tilbageholderne

4P-modellen

4P-rammen er centrets modenhedsmodel for organisationer. Den måler fire akser:

• Projects. AI-projekter og hvordan de er integreret i forretningsprocesserne.
• Platform. Teknisk kapacitet, infrastruktur og værktøjer.
• Policies. Strategi, vision og governance.
• People. Medarbejdernes tankegang, kultur og kompetencer.

Akserne vejer ikke lige meget. People er den afgørende. Forskerne skriver ret radikalt, at udvikling af generativ AI ikke først og fremmest bør handle om valg af teknologi. Organisationen bør forpligte sig til ét samlet mål: medarbejderens eller kundens oplevelse af partnerskab med organisationen. Det måler de gennem tre underdimensioner: psykologisk tryghed, tro på egen evne til at bruge AI og en vækstorienteret tankegang.

Deres begrundelse er, at færdige AI-værktøjer og agenter bliver varer, som alle har adgang til. De skaber ikke konkurrencefordele i sig selv. Fordelen ligger i organisationens evne til løbende at omstille sig, og hvert HI-projekt bør øge organisationens villighed og evne til at tage det næste.

Modellen hjælper også med konkrete valg. Skal man starte med en hurtig og enkel chatbot uden logning? Eller skal man investere i en integreret løsning med feedback? Det afhænger af, hvor moden organisationen er. Den enkle løsning passer, hvis ledelsen har en klar HI-vision, og medarbejderne har den rette tankegang. Er strategien stadig uklar, og er medarbejderne usikre, kan den polerede løsning være bedre. Så skal oplevelsen være god, før folk får tillid til den.

Ifølge sitet har 21 organisationer fået en 4P-vurdering. Blandt dem er Energinet, Bestseller, Aarhus Kommune, AGF, JN Data og Gensam.

De tre spørgsmål og tilbageholderne

I Nyborg viste Sherson en simpel model fra et forskningsprojekt, der endnu ikke er udgivet. Det handler om, hvor villige medarbejdere er, og hedder “The Microfoundations of Hybrid Intelligence Transformation”. Modellen består af tre spørgsmål til medarbejderne:

1. Har jeg de færdigheder, der skal til for at bruge de AI-værktøjer, der findes?
2. Tror jeg på en fremtid, det er værd at omskole sig til? Hvis du tror, at vi alle er på borgerløn om fem år, giver det ingen mening at lære noget nyt.
3. Tror jeg på, at netop denne organisation giver mig noget tilbage, hvis jeg deler det, jeg ved?

Dem, der svarer ja, ja og nej, kalder han tilbageholderne. Det er dygtige folk, der ikke er dommedagsprofeter, men som ikke stoler på organisationen og derfor holder på deres viden, til de er videre i næste job. Hans budskab til lederne i salen var, at den største lederopgave lige nu er at skabe så meget tryghed, at de deler. Og at det kræver konkrete tiltag, der viser, at når virksomheden tjener flere penge og bliver hurtigere, får medarbejderne også noget ud af det.

Workshopmetoden: automatisering, der kommer nedefra

Han fortalte om en workshop på én dag. Centret har kørt den omkring 50 gange i forskellige udgaver, blandt andet med Systematic, Mjølner og Knowit.

1. Medarbejdere og folk fra it sætter sig sammen og bliver enige om et arbejdsforløb på omkring fem trin.
2. For hvert trin spørger de: Hvilke knapper kunne jeg tænke mig, hvis jeg kunne drømme om AI om to, seks eller tolv måneder? Og hvilke beslutningspunkter må vi ikke automatisere væk?
3. De sorterer hvert trin i forudsigelse og dømmekraft og beskriver dømmekraftspunktet bag hver knap.
4. En sprogmodel genererer en klikbar HTML-demo af det samlede system, så alle kan se og blive enige om, hvad de prøver at bygge.
5. Til sidst spørger de, hvad den mindste prototype er, hvor man kan koble rigtige API-nøgler på og få den til at virke.

Knapperne er stadig automatisering. Forskellen er, hvor den kommer fra. I den klassiske model laver it en gennemgang af processerne, finder det, der er nemt at automatisere, og giver medarbejderne en agent, de skal tage imod. Her skaber medarbejderne selv visionen for agenterne. Som han sagde: Han sagde ikke, at man ikke skal bygge agenter. Han sagde, at man skal lade være med kun at bygge agenter.

B&R Industrial Automation: villige medarbejdere, uforberedt organisation Læs casen Luk

B&R, der er en del af ABB, viser det modsatte mønster. En spørgeskemaundersøgelse blandt 26 medarbejdere i salg og applikation viste, at 73 procent var i den mest begejstrede gruppe. Vækstorienteret tankegang scorede 4,5 ud af 5 og psykologisk tryghed 4,3. Men organisatorisk støtte var laveste dimension med 3,84. Træningen var for generisk, retningslinjerne for værktøjer og data var uklare.

De medarbejdere, der var dygtigst til AI, var samtidig de mindst tilbøjelige til at dele deres viden. Ekspertisen blev hos den enkelte. Næste skridt blev rollespecifikke læringsforløb, et fælles promptbibliotek, klare retningslinjer og faste møder, hvor use cases deles.

Tre forretningsmodeller med hybrid intelligens

Det økonomiske argument for HI står eller falder med, om det kan betale sig. Manifestet peger på tre mønstre, og sitet har grundige cases med kilder på hver. De har alle det samme dilemma i centrum: AI kan nu gøre en stor del af det, medarbejderne gør. Skærer vi medarbejderne væk, eller ændrer vi, hvad menneskeligt arbejde er til for?

3. AI tager det mekaniske, rådgiveren beholder tilliden: Morgan Stanley og Octopus Læs casen Luk

Morgan Stanley har omkring 15.000 finansielle rådgivere. Da GPT-4 kunne svare på næsten ethvert spørgsmål om investering, lå en robotrådgiver lige for. I stedet byggede banken to værktøjer. Det ene er en assistent, der søger i 100.000 interne analyser. Det andet hedder Debrief. Det tager noter under kundemøder, når kunden har sagt ja, og skriver et udkast til opfølgningen. Over 98 procent af rådgiverteamene bruger assistenten, og Debrief sparer omkring 30 minutter pr. møde. Den tid bruger rådgiverne på kunden.

Octopus Energy satte i 2023 AI til at svare på kundehenvendelser. Efter tre måneder besvarede AI’en 34 procent af dem. Det svarede til arbejdet for omkring 250 medarbejdere. Mails skrevet af AI fik 80 procent tilfredshed, mod 65 procent for mails skrevet af mennesker. Direktøren Greg Jackson sagde offentligt, at det næppe ville føre til fyringer. Værktøjet hedder Magic Ink. Det skriver udkast, men et menneske ser alt igennem, og omkring to tredjedele af beskederne bliver rettet mærkbart. I januar 2025 overhalede Octopus British Gas og blev Storbritanniens største energiselskab.

Hertil kommer Walmart. De automatiserer hårdt, men har lovet cirka samme antal ansatte om to til fem år. Et omskolingsprogram gør timelønnede butiksansatte til teknikere, der holder robotterne kørende. Alle 108 fra første hold fik job som teknikere, med en gennemsnitlig timeløn på 32 dollar.

De store cases er alle fra kundeservice og rådgivning. Det er her, en kunde kan mærke forskel på et menneske og en maskine, og hvor tillid er en del af produktet.

De danske cases

Sitet kalder de store internationale cases “iconic”. Det er offentligt kendte eksempler, som forskerne har analyseret udefra. De danske cases er anderledes. Her har centret arbejdet direkte med virksomheden. For en lille eller mellemstor dansk virksomhed er de mere relevante.

Økonomien: hvorfor markedet måske vil betale for mennesker

Den del af manifestet, der handler om samfund og økonomi, er den mindst færdige. Den bygger på siden om det makroøkonomiske framework og på artiklen “The Economics of Hybrid Intelligence”. Artiklen er skrevet af Sherson, Sarah Schroeder, Mariola Pytlikova, Janet Rafner og Magnus Lodefalk.

Fra opgaver til hele roller

Klassiske økonomiske modeller går ud fra, at AI overtager enkelte opgaver. Mennesker beholder koordineringen og den endelige vurdering. Agentisk AI bryder med den antagelse. Den kan dele et mål op i mindre opgaver, vælge værktøjer og rette sine egne planer. Den arbejder altså ikke kun inde i arbejdsgangene, men på selve arbejdsgangene. Spørgsmålet er ikke længere, hvilke opgaver AI kan løse. Det er, om AI kan organisere alle de opgaver, der tilsammen udgør en hel rolle.

Og i modsætning til tidligere teknologier kan AI selv producere noget af det, der skal til for at blive taget i brug: skrive software, dokumentation og træningsmateriale og finde flaskehalse i organisationen. Det kan få omstillingen til at gå hurtigere end ved tidligere teknologiskift.

Hvad tallene siger

Estimaterne spænder vidt, fordi de måler forskellige ting. Ifølge IMF er omkring 60 procent af danske job udsat for AI. Omkring 20 procent risikerer at blive erstattet: 25 procent i det private og 13 procent i det offentlige. OpenAI vurderer i rapporten “Mapping AI Jobs Transition EU”, at omkring 14 procent af beskæftigelsen i EU står over for udfordringer på kort sigt. Da rapporten kom den 30. juni 2026, kaldte Sherson den en “kviksandsanalyse” over for DR. Hans kritik er, at OpenAI ikke ved, om virksomhederne vil have opgaverne løst af AI alene eller af mennesker med AI.

Forventningsfælden

Forskerne kalder et af begreberne AI-forventningsfælden. Virksomheder træffer ikke beslutninger om ansættelser ud fra, hvad AI kan i dag, men ud fra forventninger til, hvad den kan i morgen, og hvad konkurrenterne og investorerne forventer. Så de skærer ned på juniorstillinger og oplæring, før AI reelt kan klare hele arbejdet. Det bliver selvforstærkende: Når der er færre, der lærer faget, bliver virksomheden mere afhængig af AI, og nedskæringerne bliver tolket som bevis på, at strategien virker.

Det hænger sammen med det, FAQ’en kalder ekspertiserørledningen. Juniorarbejde er ikke kun produktion. Det er der, folk lærer faget. Fjerner man de trin, har man om ti år ikke de erfarne folk, der skal vurdere, hvad AI laver.

Fire mulige fremtider

Forskernes fremtidsanalyse fandt fire paradigmer:

1. Automatiseringens overflod. AI bliver en selvkørende værdimaskine, og væksten skal kompensere for de sociale omkostninger gennem omfordeling.
2. Den agentiske organisation. Virksomheder redesigner sig omkring AI-agenter, og mennesker bliver dirigenter og godkendere. Det er den fortælling, man hører fra World Economic Forum og McKinsey.
3. Regulering og etik indbygget i designet. AI begrænses af krav om gennemsigtighed, revision og menneskeligt tilsyn, som i EU’s tilgang.
4. Hybrid intelligens. Selve produktionsarkitekturen bliver lagt om, så menneskelig dømmekraft sidder i kernen.

De første tre deler én antagelse: at agentiske systemer er det økonomiske endemål. De er kun uenige om, hvordan konsekvenserne skal håndteres. Kritikken er ikke, at de ikke kan skabe værdi. Den er, at værdien i stigende grad afhænger af arkitekturer, hvor menneskelig dømmekraft bliver perifer. Og at regulering alene kan ende med at bevare mennesket i formen, men ikke i indholdet.

Forskerne mener, at både AI-first og HI er teknologisk mulige inden for de samme evner. Teknologien afgør ikke valget. Det gør design, incitamenter og institutioner.

Markedet for det menneskelige aftryk

Den økonomiske idé kalder forskerne the human-touch marketplace, markedet for det menneskelige aftryk. Når alle har adgang til de samme modeller, bliver det billigt at få lavet ting, der bare skal virke. Så flytter konkurrencen sig til det, der er svært at kopiere: tillid, ansvar, oprindelse, relationer og mening.

Artiklen bruger en klassisk økonomisk opdeling af varer:

Tillidsvarer er for eksempel rådgivning, sundhed, jura og revision. Her kan kunden ikke se, om kvaliteten var god. Derfor betyder det meget, hvem der har stået bag, og hvem der tager ansvaret. AI gør det sværere på de markeder. Det bliver nemlig sværere at se forskel på en ægte menneskelig vurdering og en maskine med et menneske-klistermærke på.

På sine slides siger han, at de ikke sælger AI-udgaven af en økogris, et dyrere produkt man køber af etiske grunde. De taler om det menneskecentrerede sidestykke til de kvalitetsprodukter, der differentierer sig på både kvalitet og opfattelse, og som efter hans opgørelse kan udgøre op mod halvdelen af BNP. Og han kalder det Europas strategiske fordel.

Hvorfor markedet ikke kommer af sig selv

Artiklen peger på flere kræfter, der trækker mod automatisering, også der, hvor hybride løsninger samlet set ville være bedre:

• Ingen enkelt virksomhed har grund til at betale for at uddanne de eksperter, som hele markedet har brug for.
• Kunderne kan ikke tjekke, om et menneske faktisk var involveret. Så billige påstande konkurrerer med ærlige.
• Investorer foretrækker AI-investeringer, fordi afkastet kommer hurtigere og er lettere at vise.
• En fyringsfælde: Hver virksomhed automatiserer af gode grunde, men tilsammen presser de lønninger og efterspørgsel ned.

Derfor foreslår forskerne en række politiske værktøjer:

• Certificering og standarder, der kan skelne ægte menneskelig dømmekraft fra symbolsk tilsyn.
• Revisionsspor, der viser, hvor mennesker har været involveret.
• Klare regler for ansvar.
• Krav i offentlige indkøb om HI-certificerede ydelser.
• Skattefordele for investeringer i mennesker og HI-arbejdsgange.
• Rettigheder til medarbejderne over den ekspertise, der bliver trukket ud af dem.

Samlet kalder de det sensecurity, et ordspil på den nordiske flexicurity-model. Flexicurity gør det trygt at skifte job. Sensecurity skal skabe tryghed ved hele tiden at udvide de områder, hvor menneskers forståelse og dømmekraft er uundværlig for økonomien.

Dødens dal

Forskerne er ærlige om den største forhindring. I starten ser hybride systemer ofte langsommere og dyrere ud end at automatisere direkte. De kræver nye arbejdsgange, involvering af medarbejderne og ny infrastruktur. Kvartalsregnskaberne belønner genvejen. Og ingen virksomhed kan krydse dalen alene, mens konkurrenterne tager genvejen. Derfor ser forskerne det som et problem, der skal løses i fællesskab, ligesom den grønne omstilling. Først med fælles definitioner, der gør det muligt at skelne det ægte fra efterligningen. Derefter med certificering, indkøbsregler og investeringer.

GenAI Stack: infrastrukturen under

GenAI Stack er det mest praktiske initiativ på sitet. Det er et fælles fundament for at tage generativ AI i brug på en ansvarlig og suveræn måde, bygget på open source-komponenter: OpenWebUI som brugergrænseflade, LiteLLM som fælles adgang til forskellige modeller og Langfuse til at se, hvad der sker. EcoLogits gør energi- og CO2-forbruget ved hver model synligt for brugeren.

Idéen er, at man vælger model og placering pr. arbejdsgang. Nogle opgaver skal i skyen på de største modeller. Andre kan køre lokalt, for eksempel på en “AI-boks” baseret på en Mac Mini. LiteLLM kan ligge som en fælles gateway foran begge dele. Det er digital suverænitet uden at være imod eksterne leverandører: at vide, hvilke modeller man bruger, hvor data går hen, og hvad det koster.

Det hænger direkte sammen med manifestets tekniske formodning: at når arbejdet deles op i små trin med et menneske, der styrer hvert trin, kan mindre og billigere modeller gøre arbejdet næsten lige så godt, fordi kvaliteten ligger i arkitekturen og ikke i modellen. Hvis det holder, giver HI tre gevinster på én gang: konkurrenceevne, lavere energiforbrug og mindre afhængighed af de store amerikanske udbydere. Forskerne kalder det selv en formodning, der skal testes.

Uddannelse: fra AI-forståelse til hybrid kompetence

Uddannelsessporet er relevant for alle, der oplærer medarbejdere, ikke kun for skoler. Hovedpointen er, at et godt produkt ikke længere beviser, at nogen har lært noget. En elev eller en ny medarbejder kan aflevere noget flot, der skjuler svag problemformulering og ukritisk brug af AI.

Derfor foreslår manifestet, at læringsmål beskriver dømmekraft, man kan se. Eleven skal kunne validere, opdage fejl, begrunde, stressteste, samle trådene og tage ansvar. Et eksempel fra handel og logistik: Målet er ikke længere “behandl kundeordrer korrekt i ERP-systemet”. Det bliver i stedet “vurdér AI-genererede ordreforslag kritisk, opdag afvigelser og begrund, hvornår du overstyrer dem ud fra prismønstre, kundehistorik og driftsrisiko”.

Forskerne kalder den kandidat, de vil uddanne, en “faglig kaospilot”: en fagperson, der ikke bare kan overleve uroen på arbejdsmarkedet, men kan styre sin arbejdsplads fra ren automatisering mod holdbart samarbejde mellem menneske og AI. Og de peger på en reel risiko for et A- og B-hold: velhavende institutioner, der lærer folk at designe og styre AI-systemer, og andre, der lærer folk at forbruge output.

Hvad er bevist, og hvad er et væddemål?

Skal du forklare hybrid intelligens til andre, så læs det her afsnit. Materialet er overbevisende, men det er skrevet som et manifest, altså som en sag, der skal vindes. Forfatterne siger det selv: “Et manifest, der ikke kan tage fejl, er bare en stemning.”

Det, der er demonstreret:

• Definitionen kan bygges. 13 prototyper fra almindelige udviklingsteams på en dag viser, at principperne kan omsættes til software.
• Det kan måles, om mønstrene er bygget rigtigt, i hvert fald som et første skøn.
• Organisationer reagerer på troværdige løfter. Djurslands Bank og flere andre cases viser, at medarbejderes villighed kan måles og flyttes.
• Der findes store virksomheder, der har valgt HI-vejen og klaret sig godt, blandt andre IKEA, Stitch Fix, Morgan Stanley og Octopus.

Det, der ikke er bevist:

• At velfungerende menneske-AI-systemer generelt slår ren automatisering. FAQ’en siger det direkte: “Not yet as a general claim.” Det er et åbent empirisk spørgsmål.
• At små modeller i granulære forløb kan erstatte de største modeller. Det er en formodning.
• At brugerne faktisk lærer mere, end systemet gør. Det har ingen målt endnu. Playbooken skriver selv, at dens centrale afhængige variabel, den faktiske læring hos mennesker, ikke er målt.

Men selv hvis HI taber væddemålet, står én ting tilbage, uanset udfaldet. Der er problemer, hvor måden, en beslutning bliver truffet på, er en del af dens værdi. Der forsvinder behovet for menneskelig dømmekraft ikke, bare fordi modellerne bliver bedre.

Sådan forklarer du hybrid intelligens på et minut

Hvis du skal forklare det til en kollega eller en kunde, er her en version, der holder:

AI kan efterhånden lave det meste af det, vi laver. Den oplagte reaktion er at lade AI køre og sætte et menneske til at godkende til sidst. Det holder ikke. Mennesket kan ikke nå at gennemgå det hele, og med tiden mister det den faglighed, der skal til for at fange fejlene.

Hybrid intelligens vender det om. Du deler arbejdet med vilje. AI tager det, der kan forudsiges, og mennesket beholder de beslutninger, der kræver dømmekraft. Og du bygger det, så medarbejderen bliver dygtigere af at bruge systemet.

Det sidste er ikke gratis. Det kræver, at folk deler deres viden om, hvordan arbejdet egentlig foregår. Og det gør de kun, hvis de tror på, at deres viden ikke bliver brugt til at erstatte dem.

Og tre indvendinger, du vil møde:

“Det er bare human in the loop med et nyt navn.” Nej. Human in the loop betyder, at et menneske er et sted i forløbet. Hybrid intelligens kræver, at mennesket har reel indflydelse på problemformulering, alternativer og beslutning, og at det kan ses i systemet. Et godkend-klik på noget, man ikke kan nå at læse, er symbolsk tilsyn.

“Det er imod automatisering.” Nej. HI støtter automatisering, hvor opgaven er veldefineret. Kritikken rammer idéen om, at fuld automatisering fra ende til anden altid er målet. Forskerne siger endda selv, at en opgave, der er klart bedre uden mennesker, ikke er en HI-opgave.

“Det er langsommere.” Ofte, i starten. Det er den dal, forskerne selv beskriver. Argumentet er, at gevinsten kommer senere som differentiering, bedre kvalitet i de svære sager og medarbejdere, der bliver dygtigere i stedet for at blive afhængige. Om regnestykket går op, afhænger af branchen. Det går lettest op der, hvor kunden kan mærke forskel på et menneske og en maskine.

Hvad jeg selv tager med

Jeg arbejder dagligt med AI-agenter, der skriver kode, og jeg hjælper virksomheder med at bygge AI ind i deres arbejde. Så Shersons “lad være med at bygge agenter” rammer mig direkte. Efter at have læst alt materialet er min læsning, at hans budskab er mere præcist end overskriften. Han siger ikke, at man ikke må bygge agenter. Han siger, at man ikke kun må bygge agenter, og at man skal vide, hvor dømmekraften sidder, før man bygger dem.

To ting ændrer min måde at arbejde på:

Review-horisonten. Når en agent leverer mere, end jeg reelt kan gennemgå, er jeg ikke længere forfatter til resultatet. Så skal opgaven deles op. Det er præcis den disciplin, jeg beskriver i guiden om compound engineering: planlæg, byg i små trin, gennemgå. Sherson giver den et navn og en begrundelse, der også holder uden for kode.

Frame før prompt. Det første spørgsmål er ikke “hvad skal AI’en lave?”, men “hvad ved jeg, som AI’en ikke ved?”. Det er den samme tanke som i den smarte praktikant: Kvaliteten afhænger af den kontekst, du giver, ikke af formuleringen.

For en virksomhed med 5 eller 15 ansatte er Hauge Korn den case, jeg ville starte med. En ejer med dyb faglighed, en teknisk partner, et workflow delt op i små assistenter og et klart svar på, hvor mennesket skal være. Det kræver hverken et datateam eller en stor model. Det kræver, at man ved, hvad man selv er god til, og bygger resten omkring det.

Kort over hi-infinity.ai

Hvis du vil læse videre, er her de sider, der er værd at bruge tid på:

Ordliste