KI-debatten: Hvorfor blir det mistenkelig når arbeidet går raskere?

Tor W. Andreassen er professor emeritus ved NHH Norwegian School of Economics og leder faglig råd i Open Innovation Lab of Norway.

SYNSPUNKT. Og dette er ikke lenger bare en følelse i møterom. I en nylig kommentar i Financial Times peker Erik Brynjolfsson på en klassisk J-kurve i USA: først investering og omstilling, så begynner gevinsten å synes i makrotallene. Når produktivitetsveksten i 2025 ser sterk ut samtidig som nye jobbtall er revidert kraftig ned, ligger det an til høyere produktivitet (+2,7 prosent ifølge Brynjolfsson) – mer output per arbeidstime.

På individnivå ser vi det tydeligere: Tall fra Stanford University-forskere og World Bank viser at generativ KI kutter tidsbruk i kunnskapsoppgaver med rundt 60–75 prosent. Skriving går fra 80 til 25 minutter. Kritisk tenking fra 102 til 27 minutter. Programmering fra 129 til 33 minutter. Store tidsbesparelser med andre ord.

Likevel kommer spørsmålet ofte med en mistenkelig tone – som om effektivitet var en synd, ikke en ferdighet.

Financial Times (17. februar 2026) beskriver hvordan en student ved University of Cambridge brukte OpenAIs toppmodell til å løse en variant av de berømte Erdős-problemene (uløste matteproblemer), og hvorfor matematikk nå brukes som «sannhetsmaskin» for å måle KI-framgang. Vi er langt forbi «katt eller hund»: Google DeepMind viste i 2024 at KI kan løse oppgaver på internasjonalt olympiadenivå. Og investorer priser KI-selskaper til hundrevis av milliarder dollar – Anthropic alene er nylig verdsatt til rundt 380 milliarder dollar, ifølge Reuters.

Det er ikke teknologien som er hovedproblemet. Det er en foreldet idé om hva kompetanse er.

Historien gjentar seg. Da regnearket kom, flyttet analyse fra spesialister til flere av oss. Tekstbehandleren gjorde redigering mistenkelig lett. Likevel vil ingen tilbake. Steve Jobs kalte datamaskinen en «sykkel for hjernen»: Riktig teknologi øker rekkevidden dramatisk. Kanskje er KI i dag en moped for hjernen.

Forskjellen nå er at verktøyet går inn i det vi oppfatter som kjernen i oss selv: språk, kreativitet og argumenter. Derfor blir reaksjonene mer følelsesstyrte. Wharton-professor Ethan Mollick kaller dette «co-intelligence»: menneske og maskin i samarbeid. Brukt godt ligner det en krevende kollega som foreslår – men tvinger deg til å begrunne, presisere og velge.

Hvorfor blir det da mistenkelig? Fordi vi blander resultat og synlig innsats. I mange norske miljøer gir friksjon status: en rapport som tar tre uker virker mer seriøs enn en som tar tre dager, uavhengig av om den er bedre. Dermed belønner vi treghet – og mistenkeliggjør dem som leverer det samme og ofte bedre, raskere.

KI demokratiserer også kompetanse. Gevinsten er størst på oppgaver som tradisjonelt skilte «ekspertene» fra «de andre»: skriving, kritisk tenking og kompleks problemløsning. Da handler uroen ikke bare om juks, men om at gamle fortrinn smuldrer.

Kompetanse fremover handler derfor mindre om å produsere alt alene, og mer om å orkestrere kvalitet: stille gode spørsmål, teste antakelser, sjekke kilder, og vite når verktøyet må skrus av. KI kan fortsatt ta feil, så etterprøvbarhet må være normen – ikke moralske dommer. I noen sammenhenger bør KI-bruk være synlig (kode, analyser og beslutningsgrunnlag). I andre er «KI-deklarasjon» like meningsløst som å oppgi hvor mye stavekontroll du brukte eller antall Google søk.

Vi går ikke tilbake til fjærpennen. KI kan hjelpe på forskningsnivå, men den kan fortsatt ikke bære ansvar over tid. Det ansvaret er vårt – og det er også der konkurransefortrinnet ligger.

Spørsmålet til norske ledere er enkelt: Vil dere ha medarbeidere som leverer, eller medarbeidere som ser travle ut? De beste talentene kommer ikke til å vente på svaret. De har allerede begynt å søke seg bort.