Når kunstig intelligens blir smartere, blir de verste feilene lettere å overse

Ved siden av forskningsarbeidet var jeg i mange år matematikklærer og mentor. Etter at jeg fullførte doktorgraden, begynte jeg å skalere dette arbeidet mer målrettet ved å bygge strukturerte programmer og tenke grundig gjennom hvordan man utformer mer komplekse utdanningsprosjekter. Parallelt involverte jeg meg i investerings- og infrastrukturrelaterte prosjekter, noe som førte til et reelt beslutningspress og skjerpet måten jeg tenker på gjennomføring under usikkerhet.

I dag er jeg medgründer og daglig leder (produkt og engasjement) i Cantabrium Scholars, en ung utdannings- og konsulentvirksomhet som i stor grad fortsatt er under oppbygging. Rollen min handler om å ha ansvar for og videreutvikle produktet og studentopplevelsen på tvers av programmene, fra akademisk utforming og mentorkvalitet til kommunikasjon med foreldre og studentbevaring. Den omfatter også gjennomføring i flere trinn på tvers av team og geografiske områder, samt å holde komplekse prosjekter sammenhengende etter hvert som de utvikler seg. Jeg er også tett involvert i å etablere partnerskap og forme organisasjonens akademiske retning og overordnede gjennomføringsmodell etter hvert som vi vokser.

Der kunstig intelligens er mest verdifull i gjennomføringssyklusen

Kunstig intelligens har vært spesielt nyttig for meg etter hvert som jeg har gått fra rent forskningsdrevne miljøer til roller som krever raskere gjennomføring, koordinering på tvers av fagområder og beslutningstaking i virkeligheten.

I arbeidet mitt nå har kunstig intelligens blitt mest verdifull på to tidspunkter i gjennomføringssyklusen:

Tidlig fungerer det som en rask måte å lære nye fagområder på og stressteste ideer mens beslutningene fortsatt formes. Mange deler av de utdannings- og investeringsrelaterte prosjektene jeg er involvert i, krever at jeg raskt setter meg inn i ukjent fagstoff. Kunstig intelligens hjelper meg med å utforske alternativer raskt, før jeg tar et steg tilbake for å undersøke antakelsene grundig. Konkret betyr det at jeg bruker kunstig intelligens til å tydeliggjøre strukturen i et fagfelt, fremheve typiske avveininger og fungere som en diskusjonspartner mens jeg videreutvikler min egen tenkning. I praksis er dette ofte viktigst for å redusere feil — å oppdage svake antakelser eller interne motsigelser før de sprer seg gjennom et prosjekt.

Når hovedretningen først er tydelig, er kunstig intelligens særlig effektiv til å redusere kostnadene ved gjennomføring og koordinering. Jeg bruker nå langt mindre tid på å produsere gjentatte versjoner av det samme materialet — oversette innhold til ulike formater, tilpasse det til forskjellige målgrupper eller land, eller holde parallelle dokumenter synkronisert. Det å opprettholde et tydelig minne om tidligere beslutninger og kontekst gjør det også mye enklere å generere nye versjoner av materiale raskt uten å miste hensikten etter hvert som prosjektene utvikler seg.

Det har også vært uventet nyttig i sammenhenger med mye forhandling — ved raskt å kartlegge begge parters standpunkter, synliggjøre sannsynlige begrensninger og krav som ikke kan forhandles bort, og teste hvor jeg kan gi etter versus hvor innvendingene er prinsipielle. I praksis ber jeg den utarbeide to eller tre pakker med «rettferdige bytter», og kvalitetssikrer dem deretter mot mine absolutte grenser før jeg går inn i samtalen. Det gjør det enklere å gå inn i samtaler med tydelige grenser, troverdige innrømmelser og en roligere forståelse av hvordan et faktisk rettferdig bytte ser ut.

Evgenys merknader

Det har også vært uventet nyttig i sammenhenger med mye forhandling — ved raskt å kartlegge begge parters standpunkter, synliggjøre sannsynlige begrensninger og krav som ikke kan forhandles bort, og teste hvor jeg kan gi etter versus hvor innvendingene er prinsipielle.

Som et resultat går mer av oppmerksomheten min til arbeid som krever dømmekraft: å avgjøre hvilke spørsmål som faktisk betyr noe, etablere den første strukturen for prosjekter og håndtere den menneskelige siden av gjennomføringen — samordning, forpliktelse og tillit. Oppgaver som å definere omfang, vurdere avveininger, løse uenigheter og forplikte seg til en retning forblir tydelig menneskelige, mens kunstig intelligens støtter sammenstilling, konsistens og gjenfinning gjennom hele gjennomføringsprosessen.

Jeg ser i økende grad på kunstig intelligens som en samarbeidspartner i de tidlige fasene av tenkningen og som en pålitelig akselerator senere, men ennå ikke som en erstatning for selvstendig dømmekraft eller genuint kreativ gjennomføring fra grunnen av. Denne grensen er i ferd med å flytte seg, men foreløpig kommer den største effekten i arbeidet mitt fra å kombinere sterk menneskelig dømmekraft med selektiv og godt formulert støtte fra kunstig intelligens.

Hvorfor sterkere menneskelig dømmekraft er den viktigste delen av AI-støttet levering

Interessant nok blir menneskelig dømmekraft mer krevende, ikke mindre, etter hvert som resultatene fra AI blir mer overbevisende.

På nåværende stadium handler en stor del av arbeidet ikke bare om å bruke AI, men om å kontrollere den aktivt: formulere spørsmål nøye, gjøre antakelser eksplisitte og hindre AI i å trekke for tidlige konklusjoner som ikke er uttalt.

I praksis betyr dette at mennesket må fungere som et stabilitetspunkt i prosessen. I arbeidet vårt konvergerer AI ofte raskt mot rene, elegante strukturer som ser internt sammenhengende ut. Når ting ser «for ryddige» ut, er det nødvendig med bevisst menneskelig inngripen for å bremse prosessen, revurdere antakelser om studentenes bakgrunn, motivasjon og arbeidsbelastning, og unngå å låse fast noe som ser attraktivt ut på papiret, men som er skjørt i praksis.

Det som gjør tidsriktig menneskelig inngripen spesielt utfordrende, er at feil sjelden viser seg som åpenbare tabber. Etter hvert som prosjekter utvikler seg, har AI-hallusinasjoner en tendens til å bli mer subtile og overbevisende, og de tar ofte form av internt konsistente fortellinger bygget på ufullstendige eller implisitte antakelser. I det pedagogiske arbeidet mitt har dette vist seg som programstrukturer som i utgangspunktet så fornuftige ut, men som ville ha ført til skjev arbeidsbelastning eller urealistiske forventninger til forkunnskaper dersom de ikke hadde blitt oppdaget tidlig. Når den omkringliggende teksten er velformulert og godt strukturert, kan slike problemer spre seg ubemerket med mindre noen griper bevisst inn.

Her er en praktisk sikkerhetsmekanisme vi bruker: Enhver AI-generert struktur som ser «ryddig» ut eller konvergerer for raskt, behandles som mistenkelig som standard. Før vi forplikter oss, tvinger vi frem minst én gjennomgang som eksplisitt gjentar antakelsene, utforsker mulige feilforløp og tester strukturen under alternative begrensninger. Dette har vært den mest pålitelige måten å oppdage subtile, men betydningsfulle feil på før de sprer seg.

Fremover forventer jeg at denne spenningen vil øke. Etter hvert som modellene blir bedre, blir det vanskeligere å utfordre arkitekturer som er internt konsistente og overbevisende på overflaten. Å opprettholde denne menneskelige rollen, bremse prosessen på de riktige tidspunktene, stille spørsmål ved antakelser og ta ansvar for beslutninger kan bli en av de viktigste og mest krevende sidene ved AI i automatisering og levering av profesjonelle tjenester.

Slik bruker du AI som en kritisk motstemme

Én enkel endring kan hjelpe med dette: Bruk samtalebasert AI som en kritisk motstemme i stedet for som en innholdsgenerator.

I stedet for å be AI om å produsere ferdige resultater bruker jeg den til å granske foreslåtte strukturer: avdekke skjulte antakelser, stressteste beslutninger under alternative scenarier og tydeliggjøre hvordan en plan kan mislykkes dersom én enkelt premiss viser seg å være feil. Dette har vært særlig verdifullt i designintensivt og investeringsrelatert arbeid, der tidlige beslutninger får langsiktige konsekvenser, og feilplassert selvtillit er kostbart.

Brukt på denne måten komprimerer AI tankesyklusene uten å fjerne nyansene. Den gjør det mulig å sette uferdige ideer ut i verden, utfordre dem og videreutvikle dem raskt, noe som reduserer den kognitive belastningen samtidig som kvaliteten på beslutningene forbedres. I praksis har dette ført til tidligere identifisering av svake antakelser, færre omkamper sent i prosessen og en mer bevisst forpliktelse når en retning først er valgt.

Verdien av denne bruken avhenger mindre av selve modellen og mer av hvordan samhandlingen struktureres. Små endringer i instruksjonene kan avgjøre om AI konvergerer for tidlig mot en ryddig løsning, eller om den avdekker meningsfulle avveininger og mulige feilforløp. Ved å vende tilbake til de samme spørsmålene gjennom ulike faser av et prosjekt og teste antakelser på nytt etter hvert som konteksten utvikler seg, blir denne samhandlingen en del av selve leveringsprosessen. Over tid forsterkes effekten av denne gjentakelsen: Beslutningene forblir samkjørte, tidligere resonnementer forblir synlige, og den overordnede sammenhengen på tvers av prosjekter forbedres i stedet for å forvitre.

Her er et lite, men illustrerende eksempel. Når vi spurte AI: «Hvilket alternativ er best gitt disse begrensningene?», ga den som regel rene, selvsikre anbefalinger som konvergerte raskt. Da vi omformulerte spørsmålet til: «Under hvilke betingelser ville dette alternativet mislykkes, og hvilke antakelser måtte være feil for at det skulle skje?», fikk vi et vesentlig annerledes resultat: Den avdekket operative flaskehalser, samordningsrisiko med partnere og tidsplansensitivitet som ikke var åpenbare i den opprinnelige formuleringen. Denne endringen i ordlyd påvirket gjentatte ganger hvilke risikoer vi håndterte tidlig, og i noen tilfeller hvilke alternativer vi forkastet fullstendig.

Evgenys notater

Når vi ber AI om «Hvilket alternativ er best gitt disse begrensningene?», har den en tendens til å produsere rene, selvsikre anbefalinger som konvergerer raskt. Når vi omformulerer spørsmålet til «Under hvilke betingelser ville dette alternativet mislykkes, og hvilke antakelser måtte være feil for at det skulle skje?», gir den et vesentlig annerledes resultat.

Hvordan AI endrer leveranserutinene for å sette søkelys på beslutningskvalitet

AI har flyttet leveranserutinene våre bort fra rapportering av aktivitet og over mot forbedring av beslutningskvaliteten.

• Å definere omfanget har blitt både mer eksplisitt og mer foreløpig. Fordi AI gjør det enkelt å raskt generere plausible planer, har vi lært å senke tempoet i denne fasen i stedet for å øke det. Tidlige resultater behandles som hypoteser som skal undersøkes, ikke som forslag som skal iverksettes. Vi bruker AI til å kartlegge mulighetsrommet, synliggjøre begrensninger og identifisere hvor det fortsatt finnes usikkerhet, før vi forplikter oss til et omfang.
• Å samkjøre team handler nå mer om felles resonnement enn om felles dokumenter. I stedet for å distribuere polerte dokumenter med én gang, bruker vi ofte AI til å generere korte oppsummeringer av antakelser, avveininger og uavklarte spørsmål før diskusjonene. Det utjevner konteksten og gjør at samkjøringssamtalene kan fokusere på vurderinger i stedet for tolkning.
• Å validere arbeidet har blitt flyttet frem i prosessen. I stedet for å vurdere resultater opp mot en sjekkliste eller tidslinje, bruker vi AI til å stressteste antakelser: ved å spørre hvordan en struktur kan svikte, hvilke antakelser som innebærer størst risiko, eller hva som endrer seg i yttertilfeller. Dette har gjort valideringssamtalene mer substansielle og redusert overraskelser sent i prosessen.
• Å håndtere gjennomføringen har blitt enklere, men mer bevisst. I stedet for statusoppdateringer fokuserer jevnlige innsjekker på beslutninger som må tas, avveininger som har oppstått, og hvor menneskelig skjønn er nødvendig. AI støtter kontinuitet og sammenfatning i bakgrunnen, men eierskap og ansvarlighet forblir tydelig menneskelig.

Overordnet sett har AI ikke fjernet behovet for leveranseritualer — det har gjort dem mer bevisste. Tyngdepunktet har flyttet seg fra å følge med på fremdriften til å ta bedre beslutninger tidligere og med tydeligere eierskap.

Slik ser en AI-verktøystakk for fleksibilitet i prosjektleveranser ut

Verktøystakken min for prosjektleveranser er bevisst enkel, tekstbasert og AI-forsterket fremfor å være tung på verktøy. Det gjenspeiler arbeidsformen min, som vanligvis er preget av stor usikkerhet og designstyring, snarere enn gjennomføring i stor skala.

Grunnlaget er delte dokumenter og regneark via Google Workspace. Delte dokumenter fungerer som den primære autoritative kilden for antakelser, beslutninger, eierskap og strukturer i utvikling, mens regneark brukes til kostnadsmodeller, tidslinjer og scenariosammenligninger, særlig i sammenhenger som gjelder investeringer og stedsplanlegging. Slack og WhatsApp brukes til rask samkjøring og beslutningstaking, ikke til detaljert oppfølging av oppgaver.

Til prosjektstyring bruker jeg Notion og Linear etter behov, og fokuserer på beslutningslogger og milepæler fremfor omfattende oppgavetavler.

I praksis betyr dette at jeg det siste året har satset enda mer på delte dokumenter og AI-assistert sammenfatning, samtidig som jeg har beveget meg bort fra omfattende prosjektstyringsverktøy til fordel for tydeligere beslutningslogger og enklere koordinering.

Nå har jeg færre dokumenter, tydeligere beslutningslogger og mer eksplisitte antakelser. Store språkmodeller fungerer nå som et lag for sammenfatning og kontinuitet oppå denne verktøystakken. De hjelper meg med å holde beslutninger, antakelser og parallelle dokumenter samordnet etter hvert som ting endrer seg. Jeg bruker dem til å utforske alternativer, stressteste utforminger, oppsummere tidligere beslutninger og opprettholde kontekst etter hvert som prosjekter utvikler seg på tvers av akademiske, operative og partnerskapsrelaterte dimensjoner. Her er oversikten:

• ChatGPT (modeller i GPT-4-klassen): Åpent resonnement, utforsking av alternativer, analyse av avveininger, stresstesting av utforminger og opprettholdelse av kontekst over lang tid på tvers av dokumenter.
• Claude: Rene, strukturerte utkast og grundig omskriving der tone og begrensninger bevares.
• Gemini (av og til): Rask sammenfatning av store mengder innhold eller alternative innramminger, særlig ved arbeid på tvers av ulike dokumenttyper.

I nyere prosjekter har dette ført til raskere samling rundt gjennomførbare programstrukturer, færre endringer sent i prosessen og tydeligere overlevering av beslutninger på tvers av akademiske og operative arbeidsstrømmer. I praksis har dette redusert antallet parallelle dokumenter vi vedlikeholder, forkortet iterasjonssyklusene mellom utkast og senket koordineringsarbeidet med å holde akademisk, operativt og partnerrettet materiale samordnet.

På kommunikasjons- og designsiden har jeg brukt Midjourney til å samkjøre meg raskt med designeren vår. Det har vært særlig effektivt for å formidle tone og visuell retning tidlig, og reduserer frem-og-tilbake-kommunikasjonen som ofte oppstår når man prøver å beskrive estetiske vurderinger utelukkende med ord.

Fremover vil en sammenkoblet kunnskapsbase som Obsidian være fornuftig etter hvert som mengden materiale vokser, særlig for langsiktig institusjonell hukommelse på tvers av prosjekter. På det nåværende stadiet dekker imidlertid delte dokumenter kombinert med AI-assistert sammenfatning og gjenfinning det meste av dette behovet uten å tilføre ekstra verktøykompleksitet.

Overordnet fungerer denne verktøystakken fordi tydelighet, tilpasningsevne og skjønn for øyeblikket er viktigere enn prosessoptimalisering. Etter hvert som omfanget øker, vil deler av verktøystakken sannsynligvis bli mer formaliserte, men fleksibilitet har foreløpig vært mer verdifullt enn presisjon.

Hvorfor enkle leveransesystemer fungerer bedre i AI-aktiverte prosjekter med stor usikkerhet

Så vi gikk bort fra oppgaveorientert prosjektstyring der tidslinjen står i sentrum, til systemer som legger vekt på antakelser, avhengigheter og beslutningspunkter. I arbeid med høy usikkerhet og design som utgangspunkt skaper tidlig presisjon rundt oppgaver og tidsfrister ofte en falsk følelse av fremdrift, samtidig som de virkelige spørsmålene som fortsatt må besvares, blir oversett.

Jeg har ikke bevisst gjort opprør mot tradisjonell prosjektstyring – den sluttet ganske enkelt å passe til typen arbeid jeg gjør.

Vi velger færre rigide planer og flere strukturerte samtaler. I stedet for å følge opp detaljerte oppgaver eller håndheve kunstige milepæler, fokuserer vi på å definere hva som må være sant for at et prosjekt skal lykkes, hvor usikkerheten fortsatt ligger, og hvem som eier den neste meningsfulle beslutningen. Delte dokumenter fungerer som utviklende kilder til sannhet, med tydelige seksjoner for antakelser, åpne spørsmål, risikoer og eierskap. Lettvektsdokumentasjon erstatter dashbord, og beslutningspunkter erstatter faste tidslinjer.

ChatGPT støtter denne endringen ved å hjelpe oss med å oppsummere endringer over tid, avdekke uoverensstemmelser på tvers av parallelle arbeidsstrømmer og holde konteksten samstemt etter hvert som prosjektene utvikler seg – uten å håndheve én bestemt arbeidsflyt eller rigid prosess.

Resultatet har vært raskere avklaring tidlig i prosessen og færre smertefulle omskrivinger senere. Vi ser mindre fremvist «fremdrift» og mer genuin klarhet, særlig i prosjekter der selve problemet fortsatt blir definert.

Slik eksperimenterer du forsiktig med agentisk KI

Agentisk KI er ennå ikke en del av de generelle arbeidsflytene våre, fordi arbeidets natur innebærer at vurderingsevne, ansvar og kontekstforståelse fortsatt må være svært tydelige – og menneskelige. For tidlig automatisering i slike sammenhenger risikerer å skape falsk trygghet. Det er en risiko vi har vært nøye med å unngå.

Derfor har vi vært forsiktige med alt som ligner ende-til-ende-automatisering. I stedet for å spørre «Hva kan vi automatisere?», har det ledende spørsmålet vært «Hvor forbedrer orkestrering synligheten eller reduserer friksjon uten å tilsløre eierskapet?» Så langt har dette ført til at vi holder eksperimenteringen utforskende, trinnvis og tett overvåket.

I praksis innebærer denne eksperimenteringen å bruke KI til oppsummering, opprettholde konsistens på tvers av dokumenter i utvikling og sammenligne alternativer eller scenarier under ulike antakelser. Dette er områder der orkestrering kan redusere samordningskostnader uten å flytte ansvaret bort fra mennesker.

Fremover finnes det områder der mer strukturert orkestrering kan være fornuftig, særlig når det gjelder samordning og tilbakemeldinger i stor skala. Men selv der vil målet ikke være å automatisere vurderingsevne eller erstatte menneskelig samhandling, men å støtte kontinuitet, refleksjon og samordning etter hvert som kompleksiteten øker.

Hvorfor prosjektgjennomføring vil handle mindre om å håndheve planer og mer om beslutningsarkitektur

I løpet av de neste fem årene vil prosjektgjennomføring bevege seg bort fra oppgavesamordning og over mot beslutningsarkitektur. Etter hvert som KI i økende grad håndterer sammenstilling, hukommelse og sammenligning av alternativer, vil menneskers rolle i større grad dreies mot å håndtere usikkerhet fremfor å håndtere arbeid.

I praksis betyr dette færre personer som fokuserer på å vedlikeholde tidslinjer og oppgavelister, og flere ledere som fokuserer på å utforme betingelsene for gode beslutninger: gjøre antakelser synlige, definere handlingsrommet, tydeliggjøre beslutningsrettigheter og identifisere hvor det fortsatt kreves dømmekraft. KI vil komprimere gjennomføringens mekanikk, men vil ikke løse tvetydighet eller eie risiko.

Det er viktig å være tydelig på hva som fortsatt er ukjent, hvor forpliktelser er irreversible, og hvem som har ansvaret for hver beslutning. Prosjektgjennomføring vil handle mindre om å håndheve planer og mer om å opprettholde sammenheng etter hvert som forståelsen utvikler seg.

Evgenys notater

Det er viktig å være tydelig på hva som fortsatt er ukjent, hvor forpliktelser er irreversible, og hvem som har ansvaret for hver beslutning. Prosjektgjennomføring vil handle mindre om å håndheve planer og mer om å opprettholde sammenheng etter hvert som forståelsen utvikler seg.

Hvorfor vurderingsevne og ansvar fortsatt hører hjemme hos mennesker

Det største skiftet for leveranseledere akkurat nå handler ikke om å lære seg nye verktøy, men om å lære på nytt hvor vurderingsevnen hører hjemme. KI endrer hvor raskt vi kan tenke, iterere og samordne – men det endrer ikke hvem som bør være ansvarlig for beslutningene. Å holde dette skillet tydelig blir stadig viktigere som en kjerneferdighet innen ledelse.

Her er mitt råd:

• Ikke sett bort vurderingsevnen – sett bort kognitiv belastning. AI er svært god til å holde oversikt over kontekst, sammenligne alternativer, avdekke uoverensstemmelser og redusere den mentale belastningen ved komplekse prosjekter. Bruk det til å støtte tenkningen, ikke til å erstatte den. I det øyeblikket AI begynner å få beslutninger til å føles fullstendige, må ledere gripe inn og spørre hvilke antakelser som ligger til grunn for denne selvsikkerheten, og om de er berettigede.
• Gjør antakelser eksplisitte før du optimaliserer gjennomføringen. AI gjør det enkelt å lage gjennomarbeidede planer tidlig, noe som skaper en illusjon av fremdrift. Motstå den impulsen. Det mest verdifulle arbeidet tidlig i prosessen handler ikke om oppdeling av oppgaver eller tidsplaner, men om å synliggjøre antakelser: hva som må være sant for at dette skal fungere, hvor usikkerheten fortsatt ligger, og hvilke beslutninger som er irreversible. Prosjekter mislykkes sjeldnere på grunn av dårlig gjennomføring enn på grunn av uutforskede premisser.
• Se på AI som en tenkepartner, ikke en snarvei. Små endringer i innrammingen kan endre det AI produserer radikalt. Å lære seg å skrive gode instrukser handler mindre om syntaks og mer om å lære å stille bedre spørsmål. Denne ferdigheten blir stadig mer verdifull over tid, fordi den fremtvinger klarere tenkning, skarpere avveininger og mer bevisste beslutninger.

Teamene som vil lykkes de neste årene, vil ikke være de som automatiserer raskest. De vil være de som bruker AI til å se klarere, ta mer bevisste beslutninger og ta ansvar for valgene som faktisk betyr noe.

Følg med

Du kan følge Evgeny Goncharov på LinkedIn og se nærmere på arbeidet hans innen utdanning hos Cantabrium Scholars.

Flere ekspertintervjuer kommer på The Digital Project Manager!