Når AI overtager de opgaver, der historisk set har bygget ekspertise, risikerer vi at uddanne en generation af fagfolk, der aldrig lærer at tænke selv.
Det politiske spørgsmål
Debatten om AI og arbejdsmarkedet handler som regel om job — hvem der mister dem, og hvem der beholder dem. Men der er et andet spørgsmål, der sjældent stilles: Hvad sker der med den viden og de færdigheder, der opstår, når man arbejder sig op gennem sværere og sværere opgaver?
Hvis AI håndterer de rutineprægede, men læringsrige opgaver — de trin, hvor nybegyndere traditionelt tilegner sig dybere fagforståelse — er der så en risiko for, at vi effektiviserer os ud af den næste generation af eksperter?
Det spørgsmål stilles nu ikke kun af filosoffer og uddannelsesfolk, men af ingeniører, kernekrafteksperter og økonomer.
Det empiriske spørgsmål bag
I 2024 publicerede IEEE Spectrum en artikel med udgangspunkt i et konkret og slående eksempel fra kerneenergiindustrien: Erfarne ingeniører har beskrevet, hvordan yngre kolleger, der bruger AI-assisterede arbejdsgange, er i stand til at producere tekniske dokumenter og analyser langt hurtigere end tidligere generationer — men at de samtidig mangler den intuitive fornemmelse for, hvornår resultaterne ikke giver mening.
Det er ikke dovenskab. Det er strukturelt. Når AI leverer svarene, forsvinder den øvelsesproces, hvor man arbejder sig igennem fejl, opdager mønstre og opbygger det, forskere kalder "tacit knowledge" — den tavse, indlejrede viden, som ikke kan beskrives i en manual, men som opstår af gentagen praktisk erfaring.
Det centrale empiriske spørgsmål er: Er der dokumentation for, at AI-assisterede arbejdsgange systematisk hæmmer opbygningen af ekspertise — og hvad ved vi om omfanget og konsekvenserne?
Hvad ved vi
Efterspørgslen på ekspertkompetencer ændrer sig ✓✓
Et internationalt studie, der er gennemført med tilknytning til Københavns Universitet, viser, at efterspørgslen på en række faglige kompetencer ændrede sig markant, da ChatGPT blev lanceret i slutningen af 2022. Studiet dokumenterer, at det ikke kun er rutineprægede opgaver, der påvirkes — også kompetencer, der tidligere blev betragtet som svære at automatisere, oplever faldende efterspørgsel på arbejdsmarkedet. Det peger på, at AI ikke bare fortrænger det simple arbejde, men trænger ind i det mellemlag af opgaver, hvor faglig dybde traditionelt opbygges.
Deskilling er et veldokumenteret fænomen ✓✓
Begrebet "deskilling" — at teknologi fører til et tab af faglige færdigheder — er ikke nyt. Det er veldokumenteret i forbindelse med tidligere teknologiske skift: fra håndværk til fabriksproduktion, fra papirkort til GPS-navigation, fra regneark til automatiserede regnskabssystemer. I hvert tilfælde har forskning vist, at brugere mister evner, de ikke aktivt vedligeholder. AI udgør et nyt og potentielt mere vidtrækkende kapitel i den samme fortælling, fordi teknologien nu opererer i vidensintensive domæner.
Rapporten om generativ AI og fremtidens arbejdsmarked ✓
En dansk rapport fra FAOS ved Københavns Universitet om generativ kunstig intelligens og fremtidens arbejdsmarked peger på faldende efterspørgsel på både medarbejdere og ekspertkompetencer som en direkte konsekvens af den generative AI's udbredelse. Rapporten understreger, at det ikke blot er lavtuddannede stillinger, der er i spil — det er i høj grad analytiske og specialiserede kompetencer, der rammes, fordi det netop er den type output, de generative modeller er trænet til at efterligne og producere.
Læring kræver produktive fejl ✓
Kognitionsforskning peger konsekvent på, at fejltagelser spiller en central rolle i ekspertiseudvikling. Når man arbejder sig igennem et problem, løber ind i en blindgyde og skal finde vej ud igen, konsolideres viden på en måde, som blot at modtage et korrekt svar ikke gør. AI-assisterede arbejdsgange, der leverer løsninger direkte, kan dermed — selv når de fungerer perfekt — kortsutte den læringsproces, der skaber erfarne fagfolk.
Kerneenergieksemplet er ikke enestående ✓
IEEE Spectrums beskrivelse af kerneenergiindustrien illustrerer et mønster, som genkendes på tværs af domæner: medicin, jura, softwareudvikling og finansiel analyse. I alle tilfælde er bekymringen den samme — at de opgaver, der fungerer som faglig grundtræning, nu løses af AI, og at der ikke er noget struktureret alternativ til den erfaringsopbygning, disse opgaver historisk set tilbød.
Hvad ved vi ikke
Der er meget, vi endnu ikke ved — og ærlighed om det er vigtig.
Vi ved ikke, om effekten er permanent eller midlertidig. Det er muligt, at nye arbejdsgange og uddannelsesformer udvikler sig i takt med AI-teknologien, og at fremtidens eksperter opbygger kompetencer på andre måder end dem, vi kender. Historien om GPS og rumlig orienteringsevne er et advarende eksempel, men ikke nødvendigvis en facitliste.
Vi mangler langtidsstudier. Den nuværende bølge af generativ AI er bare tre til fire år gammel. Vi har endnu ikke observerbare kohorter af fagfolk, der er uddannet udelukkende i et AI-assisteret miljø og siden har nået seniorniveau. De longitudinale data, der ville afgøre spørgsmålet, eksisterer simpelthen ikke endnu.
Vi ved ikke, om AI kan erstatte tacit knowledge. Nogle forskere argumenterer for, at AI-modellerne i sig selv indeholder en form for destilleret ekspertise, og at adgang til dem reelt øger den effektive ekspertise i et system — selv om den individuelle bruger ved mindre. Om det er et tilstrækkeligt substitut, eller om der er domæner, hvor menneskelig intuition er uerstattelig, er uafklaret.
Vi ved ikke, hvilke fagområder der er mest sårbare. Det er plausibelt, at risikoen for kompetencetab er højere i domæner med stor konsekvens ved fejl — medicin, infrastruktur, nuklear teknik — end i domæner, hvor AI-output let kan verificeres. Men systematisk forskning på tværs af fagfelter mangler.
Hvad eksperter er uenige om
Her er de reelle faglige skillelinjer:
Er AI et redskab eller en erstatning? ~
En del teknologioptimister — herunder mange AI-udviklere selv — argumenterer for, at AI er et kognitivt forstærkende redskab på linje med lommeregneren. Ligesom matematikere ikke behøver at regne i hånden for at forstå matematik, behøver ingeniører ikke at udføre rutineanalyser manuelt for at forstå ingeniørkunst. Kritikere svarer, at analogien halter: lommeregneren erstatter en mekanisk operation, mens AI erstatter den kognitive proces, der er læringen.
Er uddannelsesinstitutionerne ansvarlige for løsningen? ⚖
Der er uenighed om, hvem der bærer ansvaret for at sikre, at den næste generation opbygger tilstrækkelig faglig dybde. Nogle peger på universiteterne og erhvervsuddannelserne, der bør designe AI-fri læringsrum og eksplicit øvelse i grundlæggende problemløsning. Andre mener, at markedet selv vil regulere det — at virksomheder, der oplever kompetencetab, vil investere i intern oplæring. En tredje position er, at det er et politisk ansvar at regulere, hvilke opgaver AI må løse i uddannelseskontekster.
Er deskilling et rimeligt bekymringsbegreb for AI? ~
Nogle økonomer advarer mod at overføre deskilling-begrebet fra industrialiseringens håndværkererhverv til vidensøkonomien. De argumenterer for, at vidensarbejde er fundamentalt anderledes — mere fleksibelt, mere kombinerbart — og at tabet af én type opgave åbner for tilegning af mere avancerede kompetencer højere oppe i kompleksitetshierarkiet. Det er en rimelig indvending, men empirisk uafklaret.
Konklusion
Det er veldokumenteret, at AI ændrer efterspørgslen på faglige kompetencer — også kompetencer, der hidtil er blevet betragtet som svære at automatisere. Det er ligeledes veldokumenteret fra kognitionsforskning og teknologihistorie, at deskilling er en reel konsekvens af at overlade opgaver til maskiner over tid.
Det centrale spørgsmål — om AI-assisterede arbejdsgange systematisk underminerer opbygningen af ekspertise i vidensintensive fag — er empirisk velbegrundet og alvorligt. Men vi befinder os i en situation, hvor bekymringerne er stærkere end evidensen, fordi den nødvendige langtidsforskning endnu ikke kan eksistere. De første generationer af fuldt AI-trænede fagfolk er ikke færdige med deres karrierer endnu.
Det betyder ikke, at vi skal vente. Det betyder, at vi skal handle med åbne øjne: designe uddannelsesforløb, der eksplicit bevarer grundlæggende problemløsning og fejlbaseret læring. Stille krav til arbejdspladser i sektorer med høj risiko om, at AI-assisteret produktion suppleres af reel kompetenceudvikling. Og finansiere den longitudinale forskning, der kan give os svar, inden det er for sent at handle på dem.
Spørgsmålet er ikke, om AI er effektivt. Det er tydeligt, at det er. Spørgsmålet er, hvad vi betaler for den effektivitet — og om vi er villige til at acceptere en del af regningen, vi endnu ikke kan se.