Arbejdsdeling

AI’s begrænsninger – hvad skal mennesker stadig vurdere?

AI er god til at producere noget, der ligner et svar. Grænsen går ikke mellem “kan” og “kan ikke”, men mellem forarbejde og ansvar.

Mickey Liechtenstein 2. marts 2026 Opdateret 5. september 2026 7 minutters læsning

En fagperson lukker den bærbare computer og vender tilbage til en menneskelig vurdering.

AI er god til at producere noget, der ligner et svar. Det er ikke det samme som, at systemet forstår, hvorfor svaret betyder noget i jeres situation. Den forskel er værd at holde fast i, fordi den forklarer mange af de fejl, der opstår i praksis.

At formulere er ikke det samme som at forstå konsekvensen

En sprogmodel kan opsummere et dokument, men den ved ikke automatisk, hvilke detaljer der er politisk, juridisk eller menneskeligt følsomme i netop jeres organisation. Den kan skrive et venligt kundesvar, men den ejer ikke relationen til kunden. Den kan foreslå en prioritering, men den bærer ikke konsekvensen, hvis prioriteringen er urimelig.

Formen fortæller heller ikke, om grundlaget er i orden. Et flydende svar kan have overskrifter, forbehold og en rolig konklusion og stadig hvile på en påstand, ingen har kontrolleret. NIST kalder fejltypen confabulation: systemet kan præsentere forkert indhold med stor sproglig sikkerhed. Et citat, en dato eller en begrundelse bliver ikke til dokumentation, fordi den står pænt i outputtet.

Korrektheden skal derfor komme fra en kontrol uden for selve formuleringen: en gældende originalkilde ved faktuelle påstande, et efterprøveligt resultat ved beregninger, kendte kriterier og målte fejl ved kategorisering. Den arbejdsgang er beskrevet i artiklen om hallucinationer, bias og kildekontrol.

Tavs viden er ofte usynlig for modellen

AI mangler også adgang til den tavse viden, som mennesker bruger uden at tænke over det. “Vi gør normalt sådan her, medmindre det er den type sag” kan være åbenlyst for en erfaren medarbejder og usynligt for modellen, hvis det aldrig er skrevet ned.

Den slags viden er ikke mystisk. Den kan ofte gøres tydelig gennem interviews, procesbeskrivelser, eksempler og en beslutningslog. Men indtil den er fanget, kan modellen ikke tage højde for den. Og selv når den står i et dokument, kan dokumentet være gammelt, tvetydigt eller i konflikt med den praksis, organisationen rent faktisk følger. Mere kontekst er derfor ikke automatisk bedre kontekst. Den skal have en ejer, en version og en gyldighed.

Nogle spørgsmål har desuden slet ikke ét teknisk korrekt svar. Hvor meget fejlrisiko vil organisationen acceptere? Hvem skal bære en ekstra byrde? Skal hurtighed veje tungere end muligheden for at gøre indsigelse? Modellen kan opstille hensynene og sammenligne mulighederne, men den fastlægger ikke jeres formål, mandat eller værdier – og den kan ikke stå til ansvar over for en borger, en kunde, en medarbejder eller en bestyrelse.

Del opgaven efter styrker

Det betyder ikke, at AI er ubrugeligt. Tværtimod. Det betyder, at opgaven skal deles rigtigt. Lad modellen gøre det, den er god til: formulere, sortere, sammenligne, finde mønstre, skabe første udkast og hjælpe med at stille spørgsmål. Bevar mennesket dér, hvor der kræves ansvar, relation, faglig fortolkning eller viden om noget, der ikke står i inputtet.

I praksis ser fordelingen sådan ud: Modellen kan omskrive et givet mål og pege på uklarheder, men mennesket fastlægger, hvorfor opgaven overhovedet findes. Den kan foreslå struktur og formuleringer, men mennesket vælger budskab og endelig betydning. Den kan anvende beskrevne kategorier på mange ens input, men mennesket definerer kategorierne, undtagelserne og den acceptable fejl. Den kan stille dokumenter op efter givne kriterier, men mennesket vælger kriterierne og deres vægt. Og den kan belyse muligheder, men beslutningen kræver et mandat og en, der bærer konsekvensen.

Tre forhold afgør, hvor tidligt kontrollen skal ligge. Alvor: hvad kan en fejl gøre ved økonomi, sikkerhed, helbred, rettigheder eller et konkret menneske? Reversibilitet: kan resultatet ændres, før nogen påvirkes? Evidens: kan den bærende påstand kontrolleres mod en autoritativ kilde eller observerbare data? Er alvoren lav, resultatet let at ændre og fejlen synlig, kan modellen få stor plads til at foreslå. Peger alle tre mod høj risiko, bør outputtet ikke udløse en handling direkte.

Menneskelig kontrol skal være reel

Det er også derfor, “human in the loop” ikke bare bør være en kasse i et procesdiagram. Hvis mennesket kun får 300 AI-svar i en kø og tre sekunder til at godkende hvert, er kontrollen i praksis en illusion. En god arbejdsdeling handler både om placeringen af kontrollen og om, hvorvidt personen faktisk har tid, information og mandat til at sige nej.

Design derfor overdragelsen, før arbejdet går i gang. Opgaveejeren afgrænser formål, tilladte data og den handling, outputtet kan føre til. Modellen laver kun det aftalte udkast eller den aftalte klassifikation. Outputtet skal pege på de anvendte dokumenter, de kendte mangler og det, der ikke kunne afgøres. En navngiven fagperson kontrollerer de bærende påstande og tager stilling til undtagelser og konsekvenser. Og stopreglen skal beskrive næste skridt: “Stop ved tvivl” efterlader stadig medarbejderen alene, mens “hvis en bærende oplysning ikke findes i den godkendte kilde, må udkastet ikke sendes; sagen går til den fagansvarlige” kan bruges.

Et konstrueret eksempel viser forskellen. Ved generelle henvendelser kan systemet finde relevante afsnit i en godkendt vidensbase og skrive et svarudkast. Fejlen er synlig, svaret kan rettes før afsendelse, og konsekvensen er begrænset – her kan AI være en produktiv kladdepartner. En klage over en konkret afgørelse ligner sprogligt den samme opgave, men kan indeholde mundtlige oplysninger, tidligere praksis, frister, partshensyn og juridisk fortolkning. En flydende opsummering kan skjule, at et bilag mangler. Her bør modellen højst hjælpe med at ordne materialet efter menneskedefinerede kategorier, mens den fagansvarlige fortolker, indhenter mangler og træffer beslutningen.

Spørg ikke kun “kan den?” – spørg “hvem ejer resten?”

Det vigtigste spørgsmål er derfor sjældent “kan AI gøre det?”. Ofte kan den producere et output. Det bedre spørgsmål er: Hvilken del af opgaven vil vi have hjælp til, og hvem ejer resten?

Grænsen flytter sig i øvrigt, efterhånden som modeller, værktøjer og datakilder bliver bedre. Derfor er det upræcist at sige, at AI “aldrig” kan løse en bestemt opgavetype. Det holdbare spørgsmål er, hvilken del af den aktuelle opgave et nuværende system kan udføre under hvilke betingelser – og er det uklart, hvem der ejer formålet eller konsekvensen, er problemet organisatorisk, før det er teknisk.

Skal opgaven udvikle sig fra udkast til handling på tværs af systemer, er forskellen på en assistent, en arbejdsgang og en agent det næste sted at gå hen. Skal ledergruppen vælge, hvor det er værd at begynde, beskriver artiklen om få afgrænsede forsøg frem for et års strategiarbejde en fremgangsmåde. Flere tekster om det står under temaet AI på arbejdet. Skal en forsamling have det brede overblik først, er foredraget Hvad skal vi egentlig bruge AI til? indgangen, og skal hele arbejdspladsen have den samme samtale om arbejdsdagen, er foredraget AI på jobbet – hvad ændrer sig egentlig? formatet.