Deskilling: Hva skjer når AI tenker for oss?

Mange av oss har blitt vant til å la AI ta over oppgaver vi egentlig kan løse selv. Det er raskere og enklere, og svarene ser ofte overbevisende gode ut. Det gjelder kodearbeid, tekstskriving, analyser og små og store beslutninger.

Det er lett å kjenne seg igjen. Du skal skrive en e-post, men lar AI lage utkastet. Du står fast i en kode og får løsningen fra AI uten å sette deg inn i den. Du analyserer et datasett, men hopper over tallene og går rett til AI-ens oppsummering.

Noe skjer når vi gjentatte ganger lar maskinen tenke i stedet for oss. Ferdigheter vi tidligere brukte selv, kan bli vanskeligere å hente frem neste gang vi trenger dem. Og vi merker det sjelden med én gang. Kanskje oppdager vi det først når koden feiler og vi ikke forstår hvorfor. Eller når en beslutning viser seg å bygge på et svar ingen kvalitetssjekket.

Deskilling har ikke noe med én bestemt AI-modell å gjøre. Det handler om noe mer grunnleggende: teknologi kan enten styrke det vi kan, eller erstatte det. I arbeidslivsforskning omtales dette ofte som forsterkning versus automatisering, eller enklere sagt: AI som støtte, eller AI som erstatning.

AI som støtte hjelper oss med struktur, ideer og effektivitet, mens den faglige vurderingen fortsatt ligger hos mennesket. AI som erstatning utfører i større grad oppgaven selv, slik at brukeren ikke lenger trenger den samme kompetansen for å løse eller forstå den.

Det skillet er viktig for å forstå hvordan deskilling kan oppstå. Når vi overlater stadig mer av selve oppgaven til AI, får vi samtidig mindre trening i å utføre den selv. Risikoen blir særlig stor dersom vi begynner å stole på teknologien uten å kontrollere resultatet.

Ta kalkulatoren som eksempel. De færreste av oss kan lenger gjøre store divisjonsstykker i hodet, og det bekymrer neppe mange. Kalkulatoren tok over en mekanisk del av jobben som vi sjelden trenger å gjøre selv. Spørsmålet er om AI nå er i ferd med å overta ferdigheter vi fortsatt er avhengige av.

Dette er ikke bare en teoretisk bekymring. Lege og AI-forsker Ishita Barua ved Universitetet i Agder har pekt på risikoen for at omfattende bruk av AI over tid kan svekke egen kompetanse. Hun omtaler dette som "kognitiv gjeld": Vi låner kapasitet fra AI-en i dag, og betaler regningen senere i form av ferdigheter vi gradvis mister.

Barua viser blant annet til en studie publisert i The Lancet i 2025, som fant ut at leger som over tid brukte AI-assistanse til å oppdage avvik ved tarmscreening, ble dårligere til å oppdage de samme avvikene på egen hånd, uten AI-hjelp. 

Eivind,webutvikler i Allegro, har selv erfart hvor viktig det er å følge med på hva AI gjør.  

Eivind peker blant annet på kontekstvinduet som en utfordring. En AI-modell kan bare forholdet seg til en begrenset mengde informasjon om gangen. Når mye informasjon skal behandles, kan detaljer og sammenhenger som er viktige for oppgaven, falle bort underveis uten at det nødvendigvis er tydelig for brukeren.

AI kan også gjøre antakelser eller gi svar som rett og slett er feil. Det omtales gjerne som hallusinering og er en kjent svakhet ved generativ AI: Et svar kan fremstå både sikkert og troverdig uten at innholdet nødvendigvis stemmer. For Eivind er det derfor avgjørende å ha nok fagkunnskap til å oppgave når noe skurrer.  

Løsningen hans er ikke å slutte å bruke AI, men å ikke slippe den helt løs. Han går gjennom det som er gjort, stopper opp underveis for å korrigere, og undersøker fortløpende om arbeidet har tatt feil retning.

– Vår egen kunnskap svinner hen hvis vi ikke passer på. Det er dumt å tro at AI-en kan alt bedre enn oss selv, sier han.

Svaret er ikke å slutte å bruke AI. Det ville vært like nyttig som å legge bort kalkulatoren. Men det er forskjell på å bruke AI som støtte og å la den bli en erstatning. Den grensen må vi bli flinkere til å kjenne igjen.

Eivind sjekker alltid det AI har gjort. Han stoler ikke blindt på svaret bare fordi det ser overbevisende ut. For å kunne kvalitetssikre må vi fortsatt forstå faget, vite hva vi skal se etter og være i stand til å stille spørsmål når noe ikke stemmer.

Det er kanskje det som til syvende og sist skiller et godt resultat fra et som bare ser bra ut: at det fortsatt er et menneske som forstår hva som er gjort, kan vurdere kvaliteten og stå inne for resultatet.

For virksomheter som vil ta i bruk AI, er derfor ikke det viktigste spørsmålet hvor mye som kan automatiseres. Et bedre sted å starte er å se på hvilke oppgaver AI faktisk kan gjøre bedre, raskere eller enklere – og hvor menneskelig kompetanse fortsatt må være styrende.

Hvilke tidkrevende oppgaver kan forenkles? Hvor kan AI gi fagfolk et bedre beslutningsgrunnlag? Hvilke prosesser egner seg for automatisering, og hvilke krever fortsatt erfaring, kontekst og faglig skjønn? Og ikke minst: Har medarbeiderne kompetansen de trenger for å bruke og kontrollere verktøyene?

Det er slik vi jobber med AI i Allegro. Vi hjelper virksomheter med å finne ut hvor AI faktisk kan skape verdi, hvilke løsninger som passer behovet, og hvordan teknologien kan tas i bruk uten at viktig kompetanse og kontroll forsvinner på veien.

Det kan starte med en kartlegging av arbeidsprosesser og muligheter, opplæring av medarbeidere eller utvikling av konkrete AI-løsninger og arbeidsflyter. Målet er ikke mest mulig AI. Målet er å bruke AI der det faktisk gjør virksomheten og menneskene som jobber der bedre.

Kilder

• Ishita Barua, lege, KI-forsker og forfatter. Uttalelser om «kognitiv gjeld» og deskilling knyttet til bruk av kunstig intelligens.

• Budzyń K, Romańczyk M, Kitala D, mfl. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. The Lancet Gastroenterology & Hepatology, 2025.