Tre generasjoner
Vi kan tenke oss tre KI-generasjoner.
Den første lærte store deler av faget sitt før dagens KI-verktøy eksisterte.
Meg.
Jurister gjorde rettskildesøk uten dem. Leger diagnostiserte uten dem. Revisorer gikk gjennom dokumentasjonen. Ingeniører regnet. Forfattere satt fast foran det blanke arket.
Så fikk vi KI.
Den andre generasjonen lærer nå faget samtidig som den bruker teknologien. Det er i stor grad generasjonen som studerer nå.
KI kan være en usedvanlig tålmodig medstudent.
Norske studenter har allerede tatt teknologien i bruk i stort omfang. I SHoT 2026 oppga 89,6 prosent at de hadde brukt KI-verktøy siste semester, og 81,3 prosent mente KI bidro til at de lærte mer. Samtidig var mange bekymret for negative konsekvenser.
Det siste er viktig.
For dette er ikke en tekst om at unge mennesker ikke lærer.
Det vet vi ikke.
Gjør vi?
En fersk gjennomgang fra NTNU av 173 studier fant at generativ KI kan virke begge veier. Brukt til å utfordre, sammenligne og utvikle egne resonnementer kan teknologien støtte læringen. Brukt som snarvei til ferdige svar kan den øke risikoen for overavhengighet og mer overflatisk problemløsning.
Forskerne understreker samtidig hvor mye vi fortsatt ikke vet.
Det er nettopp denne usikkerheten som gjør den tredje generasjonen interessant.
Ikke fordi vi vet hva som kommer til å skje.
Men fordi spørsmålet snart blir relevant:
Hva skjer når mennesker som selv har lært yrket med omfattende KI-assistanse, skal lære opp dem som kommer etter?
Vi kan måle produktet. Men kan vi måle det som skjer under?
Vanligvis ser vi når en ferdighet svekkes.
Slutter jeg å løpe, blir jeg langsommere.
Dårligere ferdighet gir dårligere resultat.
KI kan gjøre dette vanskeligere å bedømme.
Tenk deg en student som alene ville skrevet en middels god analyse, men som sammen med KI leverer en svært god analyse.
Språket er bedre.
Strukturen er bedre.
Kildene finnes raskere.
Flere feil blir fanget opp.
Det kan selvfølgelig være læring.
Men det kan også finnes tilfeller der produktet forbedres mer enn den selvstendige ferdigheten som ligger under.
Kan du se for deg en kurve hvor prestasjonen går opp, mens den selvstendige ferdigheten står stille – eller kanskje til og med svekkes?
Hvordan ville vi oppdaget forskjellen?
Det er et vanskelig problem nettopp fordi alt vi ser, kan gå riktig vei.
Produktiviteten øker.
Kvaliteten øker.
Studenten består.
Kunden er fornøyd.
Arbeidet ser bedre ut.
Hvis noe samtidig endrer seg i menneskets egen evne til å gjøre arbeidet uten støtten, trenger det ikke være synlig i resultatet.
Bransjen kjenner allerede på paradokset
Konsulent- og revisjonsbransjen gjør problemet konkret.
De store rådgivningshusene har tradisjonelt vært bygget som pyramider. Mange unge medarbeidere begynner med oppgaver som kan være lite glamorøse. De samler dokumentasjon, går gjennom transaksjoner, kontrollerer tall, gjør research og skriver førsteutkast.
Etter hvert lærer noen av dem å se det som ikke stemmer.
Så blir de seniorer.
Senere lærer de opp nye juniorer.
Det er ikke bare en bemanningsmodell.
Det er også en måte å produsere faglig skjønn på.
Nå kan KI utføre stadig mer av nettopp grunnarbeidet.
Det er vanskelig å argumentere mot gevinstene.
Hvis teknologi kan gjennomgå millioner av transaksjoner bedre enn mennesker kan trekke et lite utvalg, bør revisjonen selvfølgelig bruke teknologien.
Hvis en erfaren konsulent kan bruke mindre tid på å formatere tabeller og mer tid på å forstå kunden, er det en forbedring.
Men bransjen selv har begynt å stille et annet spørsmål enn hvem som skal få utbetalt effektiviseringsgevinstene.
Thomson Reuters beskriver hvordan automasjon, KI, outsourcing og hybridarbeid utfordrer den tradisjonelle lærlingemodellen i revisjon og regnskap. Nesten halvparten av de spurte fagpersonene i deres 2026-materiale frykter negative virkninger på utviklingen av selvstendig faglig skjønn.
Ett av spørsmålene bransjen forsøker å løse er helt grunnleggende:
Hvordan skal junioren lære å kontrollere KI-arbeidet dersom junioren aldri først har gjort arbeidet selv?
Deloitte Canada beskriver den samme utfordringen mer generelt: KI og hybridarbeid kan svekke den uformelle læringen tidlig i karrieren og innsnevre talentløpet som senere skal produsere seniorene. Derfor forsøker selskapet å bygge sterkere lærlingestrukturer rundt unge medarbeidere.
Det interessante er ikke at de store konsulenthusene har funnet svaret.
Det interessante er at de har begynt å stille spørsmålet.
For det ligger et mulig paradoks her.
Den erfarne partneren har allerede brukt tjue år på å bygge dømmekraft. Når hun får KI, kan teknologien gjøre denne kompetansen enda mer produktiv.
Junioren får det samme verktøyet fra første arbeidsdag.
Det kan gjøre prestasjonen raskere og bedre.
Men hvis verktøyet samtidig overtar noen av oppgavene som tidligere var treningsarenaen, må læringen organiseres på en annen måte.
Ellers risikerer enkelte ferdigheter å svekkes – eller de må bygges på andre måter.
Vi kan få et merkelig generasjonsskille:
De som rakk å bygge faglig skjønn før KI, får både skjønnet og KI.
De som kommer etter, får et bedre verktøy, men kanskje færre av de gamle anledningene til å bygge akkurat det samme skjønnet.
Det betyr ikke at de vil bli dårligere.
De kan utvikle andre og kanskje bedre ferdigheter.
Men da bør vi vite hvilke.
Og vi bør vite hvordan.
Mennesket i loopen
Jeg skrev nylig i Juristen om en annen side av det samme problemet.
KI-regulering og KI-governance bygger ofte på menneskelig kontroll. Systemet kan analysere og anbefale, men et menneske skal kunne forstå begrensningene, utfordre resultatet og overstyre det når det er nødvendig.
For høyrisikosystemer legger KI-forordningen blant annet vekt på at menneskene som skal føre kontroll må ha nødvendig kompetanse, opplæring, myndighet og støtte.
Det er fornuftig.
Men det åpner et spørsmål som ligger enda lenger bak:
Hvor kommer denne kompetansen fra?
«Human in the loop» er bare betryggende dersom mennesket faktisk kan noe modellen ikke gjør.
En jurist kan ikke utfordre et juridisk resonnement bare ved å ha god generell kritisk sans.
Juristen må kunne jus.
En revisor kan ikke oppdage det mistenkelige avviket uten å forstå regnskapet og virksomheten.
En lege kan ikke overstyre et diagnosesystem utelukkende fordi hun er skeptisk til teknologi.
Legen må ha medisinsk dømmekraft.
Kritisk tenkning svever ikke over fagkunnskapen.
Den vokser inne i den.
Og den bruker ventetiden på å vokse.
Rommet før svaret
Vi behandler ofte denne tiden som ineffektivitet.
En vanskelig tekst tar for lang tid å forstå.
Et blankt ark tar for lang tid å fylle.
En junior bruker en halv dag på en oppgave senioren gjør på 20 minutter.
En student følger et feilspor før hun oppdager hvorfor det er feil.
KI tilbyr oss en fantastisk mulighet til å fjerne mye av dette.
Men kanskje trenger vi et mer presist språk.
For det finnes minst to typer friksjon.
Den ene er bortkastet arbeid.
Den bør vi gjerne automatisere.
Den andre kan være arbeid som ser ineffektivt ut fordi resultatet ikke er det eneste som produseres.
Også mennesket produseres. Studenten. Junioren.
Mens studenten leter etter løsningen, lærer hun noe om problemet.
Mens junioren sammenligner femti nesten identiske dokumenter, begynner han kanskje å legge merke til dokumentet som ikke er identisk.
Mens jeg strever med den juridiske teksten, bygges kanskje den lille reaksjonen som ti år senere kommer før analysen:
Vent.
Det betyr ikke at vi må beskytte dårlige arbeidsprosesser for å bevare karakteren.
Det ville være absurd.
Men før vi fjerner friksjonen, bør vi kanskje spørre hva den gjorde.
Motoren på sparkesykkelen
Her møter vi et svært menneskelig problem.
Når noen setter motor på sparkesykkelen, kan vi fortsatt sparke.
Vi kommer bare neppe til å gjøre det like mye.
Det er ikke latskap.
Hvorfor skal en student bruke tre timer på noe hun kan løse bedre på én?
Hvorfor skal en arbeidsgiver betale junioren for manuelt arbeid dersom teknologien gjør det raskere og sikrere?
Hvorfor skal læreren kreve en arbeidsmåte som ikke lenger brukes utenfor skolen?
Dette er rasjonelle spørsmål.
Derfor vil ikke løsningen være moralske formaninger om at unge mennesker må «tenke selv».
Institusjonene må finne ut hva mennesker faktisk må øve på selv, selv når maskinen kan gjøre det raskere.
Det kan bety nye eksamensformer.
Nye lærlingemodeller.
Simulering.
Muntlig forsvar av eget arbeid.
Arbeid uten KI i enkelte faser og med KI i andre.
Tettere veiledning.
Kanskje helt nye måter å lære profesjonelt skjønn på.
Ingen av disse løsningene trenger å være nostalgiske.
Tvert imot.
De kan bli bedre enn læringsmodellene vi hadde.
Og så kommer den tredje generasjonen
Her må vi være forsiktige.
Vi vet ikke hvordan mennesker som vokser opp med KI vil tenke når de selv blir lærere med trette elever, leger med gradert sykmeldingsansvar eller partnere i konsulenthus med krav til effektivisering.
Vi vet ikke om de vil ha mindre faglig dømmekraft.
Det kan hende de får mer.
Kanskje de lærer tidligere å stille bedre spørsmål, sammenligne flere perspektiver, teste egne hypoteser og bruke teknologien på måter min generasjon aldri blir helt fortrolig med.
Men vi bør stille spørsmålet før svaret blir gitt til oss av historien.
For dagens studenter skal ikke bare produsere morgendagens arbeid.
Noen av dem skal produsere morgendagens eksperter.
Og de skal igjen lære opp den neste generasjonen.
Hva skjer med kunnskapsoverføringen dersom måten ekspertise bygges på endres i hver av disse overgangene?
Forsterkes kompetansen?
Endrer den karakter?
Oppstår det nye former for dømmekraft?
Eller finnes det enkelte ferdigheter som gradvis blir vanskeligere å overføre fordi færre har måttet bygge dem fra bunnen av?
Vi vet ikke.
Men nettopp derfor bør vi begynne å lete.
Norge diskuterer nå igjen hva elevene kan.
De ferske PISA-resultatene viser betydelig tilbakegang i lesing og matematikk, og Norge ligger under OECD-gjennomsnittet i alle de tre målte fagområdene.
Det ville være uforsvarlig å legge dette ved KIens dør.
Utviklingen begynte lenge før dagens generative verktøy.
Men KI kommer inn i utdanningen på et tidspunkt hvor spørsmålet om grunnleggende ferdigheter allerede er alvorlig.
Det gjør ikke KI til problemet.
Det gjør spørsmålet om hva vi fortsatt må kunne selv, mer presserende.
Vi diskuterer med god grunn hvordan første generasjon elever skal bruke KI.
Snart bør vi kanskje diskutere hvordan den andre generasjonen skal lære opp den tredje.
Ikke fordi vi kjenner svaret.
Men fordi det er lettere å forstå hvilke ferdigheter vi bør bevare, mens vi fortsatt vet hvordan de ble bygget.
Arbeidet vårt kan bli bedre.
Institusjonene kan bli mer produktive.
KI kan gjøre både læreren, juristen, legen, revisoren og ingeniøren dyktigere.
Jeg håper den gjør det.
Mennesket kan fortsatt sitte i loopen.
Knappen kan fortsatt hete:
GODKJENN
Men kanskje er det ett spørsmål vi bør stille før vi trykker:
Har vi fortsatt bygget mennesket som kan si:
Vent.