Hvad er kunstig intelligens? (AI)
Kunstig intelligens, også kendt som AI, er blevet et vigtigt værktøj hos mange danske virksomheder. Men hvad er AI egentlig? Hvordan virker det? Og hvad skal man være opmærksom på som virksomhed? Læs med her.
Cirka læsetid: 9 minutter. Opdateret: d.24.04.26
AI står for artificial intelligence, på dansk kaldet kunstig intelligens. Begræbet dækker over maskiners evne til at efterligne menneskelig intelligens, som at lære, ræsonnere, forstå sprog og træffe beslutninger på baggrund af data.
Vi snakker ofte om kunstig intelligens som én samlet teknologi, men i praksis dækker begreberne over mange forskellige teknologier, som kan have hvert sit speciale. Det kan f.eks. være:
- En chatbot du kan snakke med
- Et værktøj der kan generere produktbilleder
- Et system der forudsiger nedbrud på maskiner i en produktion
- En model der kan diagnosticere modermærkekræft
- Et filter der sorterer i kundehenvendelser
Fælles for dem alle er, at de er tekniske systemer, der er trænet på store mængder af data, og på den måde har opnået evnen til at løse og udføre opgaver, som tidligere ville have krævet et menneske.
Eksempler på AI i hverdagen
Kunstig intelligens er integreret i mange populære produkter og services i dag, og mange mennesker anvender det uden nødvendigvis at tænke over det. Det kan f.eks. være:
- Når en streamingtjeneste anbefaler den næste serie
- Når en GPS foreslår den hurtigste rute
- Når et spamfilter sorterer mails
- Når en webshop anbefaler produkter
Det er dog udviklingen af "generativ AI" der for alvor har bredt teknologien ud i både samfundet og erhvervslivet. Med generativ AI kan almindelige mennesker skrive og tale med en såkaldt AI assistent i et helt naturligt sprog, og få hjælp til tekstforfatning, dataanalyse, billedegeneration, kodeproduktion, idégenerering, mødeforberedelse og meget, meget mere.
AI assistenterne er både billige og brugervenlige, og det har gjort teknologien meget tilgængelig - også for dem, som ikke har en teknisk baggrund.
Forskellige typer af AI
Generativ AI
Generativ AI er kunstig intelligens, der kan generere og skabe nyt indhold. I dag er mange af de mest avancerede modeller ”multimodale”, hvilket betyder at de kan udtrykke sig i flere formater. Den samme model kan f.eks. skifte imellem at svare med tekst billede, lyd og kode.
Det kan de gøre, fordi de er blevet trænet på store datasæt af tekster og billeder. På baggrund af alt det data har modellen gennemskuet de sproglige og visuelle sammenhænge og mønstre der er, når vi mennesker producerer indhold, og er efterfølgende i stand til at efterligne dem.
Mange af de mest udbredte generative AI modeller kan bruges på tværs af brancher og opgaver, og modeller kaldes derfor ofte “general purpose AI-modeller” (GPAI).
Kendetegn:
- Trænet på: Store mængder tekst, billeder, lyd eller kode (afhængigt af modeltype)
- Gode til: Kreative opgaver som tekstgenerering, billedskabelse og programmering
- Begrænsninger: Kan “hallucinere” og opfinde information, der ikke findes i træningsdata
- Eksempler: Mistral.ai, ChatGPT, Midjourney
Prædiktiv AI
Prædiktiv AI er ofte mere snæver i sit fokus end generativ AI, og er trænet til at varetage specifikke opgavetyper inden for et felt.
Et eksempel kan være en dampkedel, hvor trykket på kedlen løbende skal optimeres, for at sikre et lavt energiforbrug. En prædiktiv AI vil blive trænet på historiske data over hvordan energiforbruget udvikler sig i relation til trykket, og vil til sidst have analyseret nok data til selv at kunne forudsige, hvordan trykket bør justeres for at sænke energiforbruget.
Kendetegn:
- Trænet på: Historiske datasæt fra f.eks. salg, produktion, adfærd og sensorer
- Gode til: Forecasting, risikovurdering, churn analyse og kvalitetskontrol
- Begrænsninger: Meget afhængig af datakvalitet og ensartede opgaver
- Eksempler: Vedligeholdelse af maskiner, kundefrafald i abonnementsordninger og svindalarmer
Symbolsk AI
Symbolsk AI er en af de tidligste former for kunstig intelligens og bygger på idéen om, at en computer kan ræsonnere, hvis vi giver den en struktureret forståelse af verden. I stedet for at lære statistiske mønstre fra rå data, fungerer symbolsk AI ved hjælp af begreber, relationer og logiske regler, som mennesker selv definerer.
Det betyder, at systemet ikke først og fremmest vurderer sandsynligheder, men bruger viden, der er skrevet ind på forhånd. Det kan for eksempel være regler for, hvornår en sag skal godkendes, hvilke betingelser der skal være opfyldt, eller hvordan forskellige begreber hænger logisk sammen. Hvis regel A og regel B gælder, kan systemet derfor nå frem til konklusion C.
På den måde kan symbolsk AI drage logiske konklusioner, når en bestemt situation opstår. Det gør teknologien særligt relevant på områder, hvor reglerne er tydelige, og hvor det er vigtigt at kunne forklare, hvorfor systemet når frem til en bestemt konklusion. Det kan for eksempel være inden for jura, planlægning, sikkerhed, compliance eller kvalitetskontrol.
Kendetegn:
- Trænet på: Manuelt definerede begreber, relationer og logiske regler
- Gode til: Opgaver der kræver streng logik, forklarlighed, struktureret viden og stabile konklusioner
- Begrænsninger: Meget afhængig af korrekt viden og regler; svært ved tvetydige situationer og kreativitet
- Eksempler: Ekspertsystemer, compliance-værktøjer, juridiske regelsæt, planlægnings- og diagnosesystemer
Regelbaseret AI
Regelbaseret AI er en af de ældre AI typer, og er i nogen grad en underkategori af symbolsk AI. Modellen fungerer efter de klassiske “hvis dette, så gør dette” principper, og indeholder altså ingen statistisk læring som generativ og prædiktiv AI.
Et eksempel på en fast defineret regel kunne være ”Når værktøj når 70° sænk så rotationshastighed med 10%”. Disse modeller er simple, stabile og pålidelige, men mangler fleksibilitet til de fleste opgaver.
I dag vil mange betegne regelbaserede systemer som “automatisering” snarere end egentlig AI, men historisk har de været en central del af AI feltet.
Kendetegn:
- Trænet på: Fastsatte regler og procedurer
- Gode til: Sagsbehandling, validering og automatisering af kendte processer
- Begrænsninger: Kan ikke lære nye mønstre og kræver manuelle opdateringer. Er desuden ikke egnet til komplekse processer.
- Eksempler: Klassiske chatbots, skatteberegning og forretningslogik i ældre systemer
Sådan virker AI
De fleste moderne AI modeller bygger på såkaldte neurale netværk. Det er matematiske modeller, løst inspireret af hjernens opbygning, der består af millioner eller milliarder af små knudepunkter, der hver fungerer som en lille regneenhed.
I stedet for at blive programmeret med faste regler, så bliver modellen trænet. Det betyder, at den får vist store mængder data – f.eks. tekst, billeder, lyd eller tal – og langsomt justerer sine regneenheder, i takt med at den bliver bedre til at identificere mønstre i det, den ser.
Sprogmodeller forudsiger det næste ord
Den type AI, de fleste møder til daglig – ChatGPT, Claude, Le Chat og lignende – er såkaldte store sprogmodeller (Large Language Models, eller LLM'er).
En sprogmodel fungerer, stærkt forenklet, ved at forudsige det næste ord i en tekststreng, ud fra alt det den har set i sin træning. Den forstår ikke sprog, som mennesker gør, men den har set så store mængder tekst og tale, at den er blevet imponerende god til at efterligne menneskelig kommunikation.
Fordele og ulemper ved AI
Kunstig intelligens bliver både omtalt som en revolutionerende mulighed og som en potentiel trussel, vi bør være bekymrede for. Sandheden ligger et sted midt i mellem. Teknologien rummer store gevinster for de virksomheder, og for samfundet, der bruger den rigtigt, men den kommer også med udfordringer, man skal tage alvorligt.
Fordele ved AI
For de fleste danske virksomheder er AI blevet det mest tilgængelige produktivitetsværktøj i en generation. De største gevinster ser vi typisk på disse områder:
Tid sparet på rutineopgaver: Tekstudkast, opsummeringer, dataanalyser, mødeforberedelse og research kan ofte laves på en brøkdel af den tid, det tog før. Det frigiver tid til det arbejde, der kræver faglighed og dømmekraft.
Bedre kundeservice døgnet rundt: AI-chatbots og assistenter kan svare kunder på sekunder, 24 timer i døgnet, og lade supportteamet fokusere på de komplekse henvendelser.
Bedre beslutninger på baggrund af data: Prædiktiv AI kan opdage mønstre i data, som mennesker overser, og give mere præcise forudsigelser om alt fra salg og efterspørgsel til vedligehold af maskiner.
Nye produkter og forretningsmodeller: AI gør det muligt at levere ydelser, der tidligere ville have været umulige eller for dyre – fra personaliserede digitale services til automatiseret rådgivning.
Lavere adgangsbarriere til avanceret teknologi: Det, der for få år siden krævede et datateam, kan i dag laves af en medarbejder med det rette værktøj. Det gør avanceret teknologi tilgængelig også for små og mellemstore virksomheder.
Du kan finde konkrete danske eksempler i vores use case-bank, hvor virksomheder fortæller, hvordan de har omsat teknologien til resultater.
Ulemper ved AI
AI er kraftfuld, men ikke ufejlbarlig. De fleste udfordringer kan håndteres, hvis man kender dem og tager stilling til dem fra start.
AI kan finde på ting der ikke passer: Generativ AI kan lyde overbevisende, selv når den tager fejl. Teknologien er ikke skabt til at kende og forstå indholdet. Den er skabt til at forudsige en tekststreng. Derfor kan modellerne finde på tal, citere kilder, der ikke findes, eller blande fakta sammen på troværdig vis. Fænomenet kaldes hallucinationer.
I praksis betyder det, at AI sjældent bør stå helt alene, når output skal bruges i forretningskritiske sammenhænge. De fleste virksomheder arbejder derfor med en form for "human in the loop", hvor et menneske efterprøver det, AI leverer, før det sendes videre.
Skævheder i data kan skabe bias: AI lærer af data. Hvis data indeholder skævheder – historiske, kulturelle, kønsmæssige – kan modellen videreføre dem i sine beslutninger. Det kan være problematisk i områder som rekruttering, kreditvurdering eller sagsbehandling, hvor beslutningerne har konkrete konsekvenser for mennesker.
Heldigvis kan bias ofte opdages, når man tester og overvåger AI-systemer systematisk. Vi har samlet en grundig gennemgang af problematikken i vores artikel om bias i AI.
Data kan havne på afveje: Når du sender information ind i en AI-model, er det værd at tænke over, hvor de data havner. Mange modeller er black boxes, hvor det kan være svært at gennemskue, hvordan input påvirker fremtidige svar. For virksomheder er det særligt vigtigt, når der arbejdes med persondata eller forretningskritisk information.
De fleste professionelle AI udbydere tillader, at man fravælger, at virksomhedens data bruges til at træne deres generelle modeller.
Teknologien bruger meget energi: De store AI-modeller kræver store mængder strøm og køling, og vi ser i øjeblikket massive investeringer i nye datacentre verden over. Det rejser berettigede spørgsmål om klimaaftryk.
Samtidig bruges AI i stigende grad til at udvikle grønne teknologier og optimere energitunge processer. Klimaregnskabet er med andre ord ikke enkelt – teknologien er både en del af problemet og en del af løsningen.
Vil du lære mere om AI?
AI udvikler sig hurtigt, og det kan være svært at følge med, men du står ikke alene. Hos Dansk Industri har vi samlet en lang række ressourcer, der gør det lettere at forstå, anvende og implementere AI – uanset om du er i gang, på vej eller bare nysgerrig.
Hvis du har fået blod på tanden efter denne artikel, og gerne vil lære mere om hvordan teknologien bag virker, så kan du læse mere på vores AI for Alle univers.
Der finder du desuden:
- Guides og artikler om alt inden for AI
- Konkrete cases fra danske virksomheder
- Gratis værktøjer og vejledninger
- Kurser og events hvor du kan lære, netværke og få sparring.
AI er ikke kun for specialister og teknikere. Det er for alle, der vil være med til at forme fremtiden.
