AI’s udvikling: Fra forudsigelser til generering og handling
På omkring syv årtier er AI gået fra regler og afgrænsede forudsigelser til systemer, der kan generere indhold og udføre handlinger via værktøjer. Traditionel AI er fortsat effektiv til afgrænsede opgaver som klassifikation, svindeldetektion, kreditvurdering, sundhedsforudsigelser, anbefalinger og stemmekommandoer.
På omkring syv årtier er AI gået fra regler og afgrænsede forudsigelser til systemer, der kan generere indhold og udføre handlinger via værktøjer.
Traditionel AI er fortsat effektiv til afgrænsede opgaver som klassifikation, svindeldetektion, kreditvurdering, sundhedsforudsigelser, anbefalinger og stemmekommandoer.
Generativ AI udvider det, systemerne kan skabe, mens agentisk AI udvider det, de kan gøre – med nye risici som hallucinationer, privatlivsbrud, skadeligt indhold, uautoriserede betalinger og datatyveri.
How has artificial intelligence evolved over the past seven decades—from traditional AI systems that analyse labelled data to classify inforAn editorial visualisation of AI’s progression from prediction to generation and action.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: How has artificial intelligence evolved over the past seven decades—from traditional AI systems that analyse labelled data to classify infor. Article summary: AI has evolved from systems that apply explicit rules or make narrow predictions, to models that generate new content, and now to systems that can plan and carry out multi-step work. These are overlapping capabilities ra. Topic tags: general, general web, government, education, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermark
openai.com
Kunstig intelligens er ikke udviklet gennem en enkel række teknologier, hvor den ene erstatter den anden. I stedet har funktionerne bygget oven på hinanden. Regelbaserede og statistiske systemer er stadig nyttige, generative modeller kan skabe tekst, billeder, lyd, video og kode, og agentiske systemer kobler modellerne til værktøjer, så de kan forfølge mål gennem flere trin.
Den letteste måde at forstå udviklingen på er som et skifte fra at træffe beslutninger til at skabe indhold og videre til at handle. Samtidig ændrer risiciene sig. Forudsigelsessystemer skal testes for nøjagtighed og fairness, generative systemer for sandhed, sikkerhed og dokumentation af ophav, mens agenter også skal begrænses med rettigheder, godkendelser og revisionsspor.
En udvikling over syv årtier
Det moderne AI-felt tog form i 1950’erne efter banebrydende arbejde med maskinræsonnement, spilprogrammer og neurale netværk. Senere fulgte symbolske systemer og ekspertsystemer, maskinlæring i 1990’erne og deep learning i 2010’erne.
Perioderne overlapper dog. Et moderne produkt kan for eksempel bruge en prædiktiv model til at klassificere en forespørgsel, en generativ model til at skrive et svar og almindelig software til at afgøre, om en bestemt handling er tilladt.
1. Traditionel AI: regler, klassifikation og forudsigelser
Traditionel AI dækker især over to tilgange:
Symbolske eller regelbaserede systemer, hvor mennesker indbygger logik, faglig viden og beslutningsprocedurer.
Maskinlæringssystemer, der lærer statistiske sammenhænge fra historiske data for at klassificere input eller anslå et udfald.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "AI’s udvikling: Fra forudsigelser til generering og handling"?
På omkring syv årtier er AI gået fra regler og afgrænsede forudsigelser til systemer, der kan generere indhold og udføre handlinger via værktøjer.
What are the key points to validate first?
På omkring syv årtier er AI gået fra regler og afgrænsede forudsigelser til systemer, der kan generere indhold og udføre handlinger via værktøjer. Traditionel AI er fortsat effektiv til afgrænsede opgaver som klassifikation, svindeldetektion, kreditvurdering, sundhedsforudsigelser, anbefalinger og stemmekommandoer.
What should I do next in practice?
Generativ AI udvider det, systemerne kan skabe, mens agentisk AI udvider det, de kan gøre – med nye risici som hallucinationer, privatlivsbrud, skadeligt indhold, uautoriserede betalinger og datatyveri.
Tidlige spilprogrammer viste, hvordan maskiner kunne gennemgå mulige træk i et afgrænset miljø. Senere blev lignende metoder kombineret med statistisk læring i praktiske anvendelser som:
at opdage usædvanlige eller svindellignende betalinger;
at vurdere kredit- og misligholdelsesrisiko;
at forudsige sundhedsrisici som forværring eller genindlæggelse;
at rangere produkter, videoer, musik og opslag i anbefalingssystemer; og
at kombinere talegenkendelse, hensigtsklassifikation og faste arbejdsgange i stemmeassistenter som Siri.
Systemerne er ofte stærke, når opgaven er smal, gentagende og målbar. De kan behandle store mængder sager hurtigt og levere ensartede resultater. Regelbaserede systemer kan desuden være lettere at inspicere end komplekse modeller, fordi beslutningslogikken er synlig.
Forudsigelsens begrænsninger
Traditionel AI forstår ikke automatisk, hvorfor et bestemt resultat opstår. En model kan finde en statistisk sammenhæng uden at bevise årsagssammenhæng, og et system, der er trænet på skæve historiske data, kan videreføre eller forstærke skævheden. Regler kan også være skrøbelige uden for de situationer, de er udviklet til, mens komplekse prædiktive modeller kan være vanskelige at forklare.
Ydeevnen kan falde, når virkeligheden ændrer sig – et problem, der ofte kaldes data drift. I områder med store konsekvenser som lån, ansættelser, forsikring, politiarbejde og sundhed kræver ansvarlig brug derfor kontrol af datakvalitet, test for skævhed, passende forklaringer, menneskelig vurdering, løbende overvågning og mulighed for at klage.
2. Generativ AI: at skabe nyt indhold
Generativ AI lærer mønstre fra store samlinger af tekst, billeder, lyd, video eller kode og bruger dem til at producere nye resultater. Store sprogmodeller genererer tekst sekventielt, mens multimodale systemer kan arbejde på tværs af formater.
Det ændrede brugeroplevelsen markant. I stedet for at vælge mellem faste kommandoer eller modtage en klassifikationsscore kan man beskrive et mål med almindeligt sprog og bede systemet om at skrive, omforme eller forklare noget.
Hvor bruges generativ AI?
Typiske anvendelser omfatter:
Kundeservice: formulering af svar, opsummering af samtaler, oversættelse og opslag i interne vidensbaser.
Juridisk arbejde: opsummering af dokumenter, udtræk af klausuler, sammenligning af retskilder og udarbejdelse af første udkast. Jurister skal stadig kontrollere primære kilder og juridiske påstande.
Uddannelse: forklaring af begreber, oprettelse af øvelsesspørgsmål og feedback.
Kreativt arbejde: idéudvikling, tekstudkast samt generering af billeder, musik, videokoncepter og softwarekode.
Programmering: forklaring af kode, skrivning af tests, forslag til fejlrettelser og hurtigere rutineudvikling.
Fordelene er blandt andet højere hastighed, lavere udgifter til udkast, naturlig sproginteraktion og mulighed for at lave flere personlige versioner. Men et overbevisende svar er ikke det samme som pålidelig faglig dømmekraft.
De vigtigste risici
Hallucinationer og overdreven sikkerhed. Store sprogmodeller kan fremstille opdigtede, unøjagtige, fordomsfulde eller forsimplede oplysninger i en selvsikker tone. Forskning i forankring og evaluering peger på hallucinationer, skadeligt indhold, manipulation, ophavsret, privatliv og sikkerhed som områder, der kræver test og overvågning.
Læring og akademisk integritet. Et stort skoleeksperiment viste, at AI-baseret undervisning forbedrede elevernes resultater, mens værktøjet var tilgængeligt. Elever, der brugte det uden tilstrækkelige sikkerhedsforanstaltninger, klarede sig imidlertid dårligere, da adgangen blev fjernet, hvilket peger på mindre færdighedstilegnelse. Lærerudformede hints beskyttede bedre end svar, der blot blev givet direkte. Generative værktøjer kan også gøre plagiat lettere og skjule, om en elev faktisk har tilegnet sig stoffet.
Ophavsret og dokumentation af ophav. Spørgsmål om træningsdata, efterligning af stil og resultater, der gengiver beskyttet materiale, er fortsat omstridte. Uddannelsesvejledninger fremhæver krænkelse af immaterielle rettigheder som en væsentlig risiko sammen med unøjagtigt, skævt eller usikkert indhold.
Skadeligt og manipulerende indhold. Generative systemer kan producere misinformation, chikane, seksuelt eller voldeligt indhold og farlige instruktioner. Sikkerhedsvejledninger anbefaler test, beskyttelsesmekanismer, aktivitetslogning og overvågning i stedet for at gå ud fra, at modellen altid opfører sig som tiltænkt.
Børn og unges sikkerhed og trivsel. Forskning i generativ AI’s risici for unge peger på bekymringer om mental trivsel, adfærdsmæssig og social udvikling, toksicitet, privatliv samt misbrug og udnyttelse. Risiciene bliver særligt alvorlige, når brugere opfatter en chatbot som en betroet erstatning for kvalificeret menneskelig hjælp.
Privatliv og fortrolighed. Prompter kan indeholde personoplysninger, forretningshemmeligheder, klientmateriale eller oplysninger omfattet af juridisk fortrolighed. Organisationer bør have klare regler for, hvilke data der må indtastes i hvilke tjenester, og brugere bør betragte ikke-godkendte systemer som uegnede til følsomme oplysninger.
Praktiske sikkerhedsforanstaltninger
Et fornuftigt udgangspunkt er at betragte modellens output som et udkast – ikke som dokumentation. Vigtige faktuelle påstande bør kontrolleres mod autoritative kilder, og menneskelig gennemgang bør være obligatorisk ved medicinske, juridiske, økonomiske, ansættelsesmæssige og sikkerhedskritiske beslutninger.
Nyttige kontroller omfatter informationssøgning, der er forankret i godkendte kilder, kildehenvisninger, red-team-test, indholdsfiltre, alderssvarende design, revisionslogge, tydelig oplysning til brugerne og politikker for datahåndtering, akademisk brug, ophav og ophavsret. Offentlig vejledning fremhæver tilsvarende risikoen for unøjagtigt eller skævt indhold, brud på privatliv, krænkelse af immaterielle rettigheder og udfordringer for akademisk integritet.
3. Agentisk AI: systemer, der kan handle
Agentisk AI tilføjer et handlingslag. En agent kan fortolke et mål, dele det op i trin, bruge værktøjer som browsere, kodelagre, databaser eller beskedtjenester, kontrollere delresultater og fortsætte arbejdet inden for de rettigheder, den har fået.
Det gør en agent anderledes end en chatbot, selv når begge bruger en stor sprogmodel. En chatbot kan skrive et udkast til en e-mail; en agent kan finde oplysninger, forberede beskeden, sende den og opdatere et andet system. En kodeassistent kan forklare en fejl; en agent kan undersøge en kodebase, redigere filer, køre tests og forberede ændringen til godkendelse.
Eksempler på agentiske løsninger på markedet er softwareudviklingsagenten Google Jules, værktøjer til rekrutteringsarbejdsgange som LinkedIn Hiring Assistant og personlige agentrammer som OpenClaw. OpenClaw beskrives i projektets eget materiale som en personlig open source-assistent, der kører på brugerens enheder og kan forbindes til kanaler og værktøjer. Hvad den reelt kan gøre, afhænger af de integrationer og rettigheder, brugeren aktiverer.
Hvorfor agenter kan være nyttige
Agentiske systemer kan:
gennemføre arbejdsgange frem for kun at løse enkelte skriveopgaver;
mindske rutinepræget koordinering og administration;
samle oplysninger på tværs af adskilte virksomhedssystemer; og
arbejde løbende inden for definerede grænser.
Det kan gøre komplekse arbejdsgange mere tilgængelige for mindre organisationer og enkeltpersoner. Samtidig ændres det centrale spørgsmål fra: “Er svaret korrekt?” til: “Hvad må systemet gøre, og hvordan kontrolleres handlingerne?”
Hvorfor autonomi øger risikoområdet
En generativ model kan tage fejl i et svar. En agent kan omsætte en forkert slutning, en ondsindet instruktion eller et kompromitteret værktøj til en handling uden for systemet.
En agent med adgang til økonomi kan eksempelvis gennemføre en uautoriseret betaling, et køb, en overførsel eller en annullering. En agent med adgang til e-mail, browser eller cloudtjenester kan manipuleres af en skadelig webside eller et dokument til at afsløre loginoplysninger eller sende fortrolige filer. For omfattende rettigheder, svage identitetskontroller og uklart adskilte ansvarsområder kan forvandle en lille model-fejl til en alvorlig hændelse.
Det kan også være vanskeligere at placere ansvaret, når et resultat opstår gennem samspillet mellem modellen, instruktioner, data, værktøjer og andre agenter. Operatøren skal derfor kunne se mere end det endelige resultat: også den foreslåede handling, dokumentationen bag den og de anvendte rettigheder.
Styringen skal følge systemets kapacitet
De samme grundprincipper gælder på tværs af alle tre stadier: udpeg en ansvarlig ejer, begræns systemet til et klart formål, beskyt data, test før ibrugtagning, overvåg resultaterne, forbered håndtering af hændelser og sørg for meningsfuld menneskelig kontrol eller mulighed for at gribe ind ved beslutninger med store konsekvenser.
Agentiske systemer kræver yderligere kontroller, fordi de kan påvirke eksterne systemer. Praktiske sikkerhedsforanstaltninger omfatter:
rettigheder efter princippet om mindst mulige privilegier samt tidsbegrænsede loginoplysninger;
separate konti og tydelig identitet for hver agent;
klare grænser for, hvad agenten må læse, skrive, sende, købe, slette eller sætte i drift;
eksplicitte godkendelser ved irreversible eller meget indgribende handlinger;
lister over godkendte værktøjer, sandkasser og beskyttelse mod prompt injection;
transaktionsgrænser og detektion af afvigende adfærd;
detaljerede og manipulationssikre handlingslogge;
adskillelse af funktioner og menneskelig godkendelse i et omfang, der passer til risikoen; og
en hurtig pause- eller nødafbryder.
Singapore lancerede sin Model AI Governance Framework for Agentic AI den 22. januar 2026. Rammen er vejledning til organisationer, der bruger disse systemer, ikke en selvstændig AI-lov. Den placerer menneskeligt og organisatorisk ansvar centralt og anbefaler risikostyring og kontroller, der står mål med agentens autonomi.
På finansområdet beskriver Monetary Authority of Singapores SAFR-papir en tilgang til styring under selve driften. Her samler en struktureret registrering, hvad agenten vil gøre, hvorfor den vil gøre det, og hvilke beviser der understøtter den foreslåede handling.
Den vigtigste pointe
AI’s udvikling er ikke blot en march fra “gammel AI” til “ny AI”. Regelbaserede og prædiktive systemer er stadig det rigtige valg til mange afgrænsede beslutninger. Generativ AI tilføjer fleksibel produktion og naturlig sproginteraktion. Agentisk AI tilføjer evnen til at forfølge mål gennem værktøjer og handlinger i den virkelige verden.
Styringsopgaven vokser med kapaciteten. Forudsigelser kræver fokus på nøjagtighed, skævhed og ændringer i data. Generering kræver kontrol af sandhed, sikkerhed, privatliv og ophav. Handling kræver alt dette plus rettighedsstyring, godkendelser, ansvar og planer for at rulle tilbage, hvis noget går galt. De mest pålidelige AI-produkter vil derfor kombinere stærke modeller med disciplineret systemdesign og menneskeligt tilsyn.
