{"id":1802,"date":"2026-08-05T10:31:31","date_gmt":"2026-08-05T08:31:31","guid":{"rendered":"https:\/\/vittrup-graversen.dk\/?p=1802"},"modified":"2026-08-05T10:31:32","modified_gmt":"2026-08-05T08:31:32","slug":"ais-omvendte-informationsparadoks-din-virksomheds-viden-bliver-til-leverandoerens-laering","status":"publish","type":"post","link":"https:\/\/vittrup-graversen.dk\/index.php\/2026\/08\/05\/ais-omvendte-informationsparadoks-din-virksomheds-viden-bliver-til-leverandoerens-laering\/","title":{"rendered":"AI\u2019s omvendte informationsparadoks: Din virksomheds viden bliver til leverand\u00f8rens l\u00e6ring"},"content":{"rendered":"\n

Den klassiske \u00f8konomiske udfordring ved information er enkel: Hvordan s\u00e6lger du noget, uden at give det v\u00e6k f\u00f8rst?<\/p>\n\n\n\n

Kenneth Arrow beskrev i 1962 det problem, der senere blev kendt som informationsparadokset. En k\u00f8ber kan ikke kende v\u00e6rdien af viden, f\u00f8r vedkommende har f\u00e5et den. Men n\u00e5r viden f\u00f8rst er delt, er den i praksis allerede leveret.<\/p>\n\n\n\n

Med generativ AI vender problemet den anden vej.<\/p>\n\n\n\n

Virksomheden k\u00f8ber adgang til intelligens, men for at f\u00e5 reel v\u00e6rdi skal den samtidig udlevere det, som g\u00f8r virksomheden speciel: dokumenter, arbejdsgange, kundekendskab, beslutningshistorik, fejl, rettelser og interne vurderinger. Jo bedre AI-l\u00f8sningen skal blive, desto mere specifik kontekst skal den have.<\/p>\n\n\n\n

Det er ikke kun en dataopgave. Det er en ejerskabsopgave.<\/p>\n\n\n\n

En prompt er sj\u00e6ldent bare en prompt<\/h2>\n\n\n\n

Det er nemt at reducere AI-risiko til sp\u00f8rgsm\u00e5let om, hvorvidt en medarbejder m\u00e5 inds\u00e6tte fortrolige oplysninger i ChatGPT, Claude eller en anden model. Det sp\u00f8rgsm\u00e5l er vigtigt, men for sn\u00e6vert.<\/p>\n\n\n\n

Den v\u00e6rdifulde viden ligger ofte ikke i den enkelte prompt. Den opst\u00e5r i loopet mellem medarbejder og model.<\/p>\n\n\n\n

En jurist retter modellens kontraktudkast. En ejendomsadministrator forklarer, hvorfor en lejekontrakt skal h\u00e5ndteres anderledes i netop denne sag. En supportmedarbejder afviser et forkert svar og skriver den formulering, der faktisk l\u00f8ser kundens problem. En udvikler bygger tests, der skelner mellem kode, som ser rigtig ud, og kode, som holder i produktion.<\/p>\n\n\n\n

Det er institutionaliseret erfaring. Ikke bare tekst.<\/p>\n\n\n\n

N\u00e5r virksomheden gemmer den erfaring som interne instruktioner, evalueringsdatas\u00e6t, agenthukommelse eller tilpassede modeller, kan den genbruges. N\u00e5r den derimod ligger uklart fordelt hos en ekstern platform, mister virksomheden b\u00e5de overblik og forhandlingsstyrke.<\/p>\n\n\n\n

Her begynder det omvendte informationsparadoks at bide: Kunden betaler for modellen, men bidrager l\u00f8bende med den viden, der g\u00f8r modellen anvendelig i kundens egen forretning.<\/p>\n\n\n\n

Fra dataejerskab til ejerskab over l\u00e6ring<\/h2>\n\n\n\n

Cloud-\u00e6raen l\u00e6rte virksomheder at t\u00e6nke p\u00e5 dataejerskab. Hvor ligger kundedata? Hvem har adgang? Hvad sker der ved leverand\u00f8rskifte? Kan data eksporteres?<\/p>\n\n\n\n

AI kr\u00e6ver et ekstra lag. Virksomheden skal kunne svare p\u00e5, hvem der ejer og kontrollerer prompts og samtalelogger, dokumentudtr\u00e6k, menneskelige rettelser, evalueringsdatas\u00e6t, agenters beslutningsspor, v\u00e6rkt\u00f8jskald og tilpassede instruktioner.<\/p>\n\n\n\n

Hvis disse elementer ikke kan eksporteres, auditeres og flyttes, ejer virksomheden ikke sin AI-kapacitet. Den lejer adgang til den, mens dens vigtigste forbedringer ophobes et andet sted.<\/p>\n\n\n\n

Det betyder ikke, at al AI skal k\u00f8re lokalt. Det ville v\u00e6re en dyr dogmebeslutning for de fleste danske virksomheder. Frontier-modeller i skyen kan v\u00e6re det rigtige valg, is\u00e6r n\u00e5r kvalitet, hastighed og driftssikkerhed betyder mere end maksimal kontrol.<\/p>\n\n\n\n

Men arkitekturen skal give virksomheden en reel udvej. Det er samme princip som i LLM-routing, hvor modelvalget bliver et kontrolplan<\/a>. En virksomhed b\u00f8r kunne v\u00e6lge model efter opgaven uden at genopbygge hele sin viden, sine tests og sine arbejdsgange, hver gang en leverand\u00f8r \u00e6ndrer priser, vilk\u00e5r eller produktstrategi.<\/p>\n\n\n\n

Evals er virksomhedens definition af kvalitet<\/h2>\n\n\n\n

Den mest undervurderede AI-aktiv er ikke promptbiblioteket. Det er virksomhedens evals.<\/p>\n\n\n\n

En eval fort\u00e6ller, hvad et godt svar er i en konkret arbejdsgang. Den kan m\u00e5le, om en agent foresl\u00e5r korrekt svar til en lejer, om den finder de relevante krav i et dokument, om den respekterer godkendelsesgr\u00e6nser, eller om den sender en sag videre til et menneske, n\u00e5r usikkerheden bliver for h\u00f8j.<\/p>\n\n\n\n

Modellen kan skiftes. Virksomhedens definition af kvalitet b\u00f8r blive.<\/p>\n\n\n\n

Det g\u00e6lder ogs\u00e5, n\u00e5r man bygger med private endpoints eller selvhostede modeller. Private LLM-endpoints<\/a> l\u00f8ser noget vigtigt omkring netv\u00e6rk, dataflytning og adgangskontrol. De l\u00f8ser ikke automatisk ejerskabet over feedbacksl\u00f8jfen. Hvis evals, agenthukommelse og beslutningslogik stadig er l\u00e5st inde i et propriet\u00e6rt produkt, er afh\u00e6ngigheden bare flyttet et niveau.<\/p>\n\n\n\n

NISTs AI Risk Management Framework peger p\u00e5, at AI-risiko skal h\u00e5ndteres p\u00e5 tv\u00e6rs af organisation, kontekst og livscyklus. Det er en bedre ramme end den s\u00e6dvanlige leverand\u00f8rsp\u00f8rgeskematik med fokus p\u00e5 kryptering, datacenterregion og et ja\/nej-felt om tr\u00e6ning p\u00e5 kundedata.<\/p>\n\n\n\n

De sp\u00f8rgsm\u00e5l skal stadig stilles. Men de er ikke nok.<\/p>\n\n\n\n

Det praktiske minimum<\/h2>\n\n\n\n

En dansk virksomhed, der bygger AI ind i kerneprocesser, b\u00f8r have fem ting p\u00e5 plads.<\/p>\n\n\n\n