Hvad AI kan og ikke kan: ærlige grænser

Fra den sidste lektion ved du, at AI's styrke afhænger af dens data. Lad os nu tegne et ærligt kort over grænserne – hvad AI virkelig kan, og hvad der principielt er uden for dens rækkevidde. Det er svaret på "hvornår man ikke skal bruge AI".

Hovedreglen: et-sekunds-testen

Husk én simpel regel, og den vil spare dig for års illusioner: hvis en person løser den typiske version af en opgave på cirka et sekunds tænkning – og verden er fuld af eksempler på det – vil AI sandsynligvis klare det. At spotte en bil på et foto, at høre et ord, at skelne spam fra ikke-spam, at genkende et ansigt – dette er alle "et-sekunds"-opgaver inden for perception, og der er et hav af data til dem. AI er stærk her.

Nu bagsiden af medaljen: at forudsige en aktiekurs en måned ud fra tidligere priser er ikke en et-sekunds-opgave, og endnu vigtigere, tidligere priser forudsiger ikke fremtidige. En dobbelt fiasko: tænkningen tager lang tid, og der er alligevel intet mønster i data. Reglen er grov, men pålidelig: AI er en strålende specialist i øjeblikkelig genkendelse, ikke en vismand, der afvejer konsekvenser.

Parvise eksempler: kan / kan ikke

Lad os kalibrere på to områder, hvor det at tage fejl har en reel omkostning.

• En selvkørende bil. Kan: finde ud af fra kamera og radar, hvor de andre biler på vejen er – der er millioner af mærkede eksempler. Kæmper enormt: at læse en persons gestus – en bygningsarbejder, der vinker dig til at stoppe, en cyklist, der signalerer et sving med en arm. Der er uendelige måder at gestikulere på, du kan ikke indsamle så mange eksempler, og omkostningen ved at tage fejl er et liv.
• Medicin. Kan: spotte lungebetændelse på et røntgenbillede, når der er tusindvis af billeder mærket "syg / rask". Kan ikke: lære en diagnose fra et dusin billeder i en lærebog, som en medicinstuderende gør. En person generaliserer ud fra få eksempler; AI har brug for dem i store mængder.

Den undervurderede svaghed: dårlig generalisering

Her er en grænse, næsten ingen taler om. AI er stærk på data svarende til det, den så under træning, og sårbar over for alt, der er anderledes. Tag en model trænet på en kliniks rene røntgenbilleder, flyt den til en anden, hvor billederne er taget i en anden vinkel på andet udstyr med mere støj, og nøjagtigheden falder mærkbart. En rigtig læge tilpasser sig et nyt hospital på en dag; AI kan ikke.

Husk princippet: AI "forstår" ikke opgaven, den tilpasser et svar til velkendte eksempler – ændr eksemplerne, og selvtilliden smuldrer. Dette følger direkte fra datalektionen: det, der betyder noget, er ikke kun datakvaliteten, men hvor meget det ligner det sted, hvor modellen faktisk skal arbejde.

Hvorfor det ser ud som om AI kan alt

Vær forsigtig med nyhederne. Kun AI's sejre skaber overskrifter: slog mesteren, bestod eksamen, malede et mesterværk. Fiaskoerne – hundredvis af stille projekter, hvor AI aldrig tog fart – bliver sjældent offentliggjort. Den skævhed er der, hvor illusionen om almagt kommer fra. Et realistisk billede betyder også at huske den anden halvdel – den halvdel, ingen nævner.

Fire spørgsmål: skal du give dette til AI?

Før du giver en opgave til maskinen, skal du køre den igennem fire spørgsmål:

1. Er det en "et-sekunds"-opgave, og er der masser af eksempler? Perception og generering med masser af data – grøn zone.
2. Ligner data det sted, hvor AI faktisk skal arbejde? På alt, der er anderledes, er AI sårbar.
3. Hvad koster det at tage fejl, og kan jeg kontrollere resultatet? Høj omkostning uden mulighed for at kontrollere – stop.
4. Har AI de data, den har brug for? Alt, der er nyt, privat eller meget niche (husk knowledge cutoff), har den muligvis aldrig set.

Grønt lys: en et-sekunds-opgave med masser af lignende data, en lav fejlomkostning, et kontrollerbart resultat. Rødt lys: en langsom, konsekvensrig beslutning, ukendte data, en høj omkostning og ingen måde at verificere på.

Gør dette nu

En øvelse uden værktøjer – kun dit hoved og et stykke papir. Skriv fem reelle opgaver ned fra din uge, og kør hver enkelt igennem et-sekunds-testen og de fire spørgsmål fra denne lektion. Marker hvilke du ville give til AI uden bekymring (genkende, opsummere, skitsere et udkast) og hvilke du ville beholde (beslutninger hvor det er dyrt at tage fejl, friske data, ansvarlighed, ukendte forhold). Den liste er dit personlige "deleger / behold"-kort.

Mekanismen og grænserne er nu klare – tid til at tage kontrol, hvilket er det næste modul er til for: først ser vi på eksempler for dit eget arbejdsområde, derefter skriver du din første rigtige prompt.