= Hvad ved vi om...

Hvad ved vi om militær AI og dens begrænsninger?

Det danske forsvar træner nu AI-systemer på ukrainske kampdata — men hvad kan militær AI egentlig, og hvilke fejlkilder opstår når én konflikts data sætter standarden?

Det korte svar

Det danske forsvar har indgået en aftale med Ukraine om adgang til ukrainske kampdata, som skal bruges til at træne kunstig intelligens til militære formål. Det er en konkret og verificerbar begivenhed med store konsekvenser — fordi AI-systemer kun er så gode som de data, de er trænet på. Ukrainekonflikten er unik i sin karakter, og det rejser veldokumenterede spørgsmål om, hvad AI faktisk kan i krig, og hvad der går galt når én konflikts erfaringer generaliseres til andre situationer.


Det politiske spørgsmål

Danmark bruger nu penge og politisk kapital på at integrere AI i forsvaret. Men hvad køber vi egentlig? Og hvad risikerer vi?

Spørgsmålet er ikke hypotetisk. Forsvarsministeriet har offentliggjort, at Danmark er blandt de første lande til at indgå en aftale om adgang til Ukraines såkaldte Avengers Labs — et ukrainsk program, hvor kampdata og erfaringer fra den igangværende krig bruges til at udvikle og træne kunstig intelligens til militær brug. Målet er at give det danske forsvar et teknologisk forspring.

Det sker i en politisk kontekst, hvor NATO-lande investerer massivt i militær AI, og hvor presset for at holde trit med stormagterne er reelt. Men tempoet skaber også risiko for, at grundlæggende spørgsmål om pålidelighed, bias og etik bliver nedprioriteret i jagten på kapacitet.


Det empiriske spørgsmål bag

Når man træner en AI på data fra én specifik konflikt, opstår der et klassisk problem inden for maskinlæring: modellen lærer at genkende mønstre fra netop den konflikt — ikke fra krig generelt.

Ukrainekonflikten er på mange måder ekstraordinær. Den foregår i et relativt åbent, fladt terræn. Den er præget af droner, artilleri og skyttegravskrig. Den involverer to specifikke typer militært udstyr og to specifikke doktriner. En AI trænet på disse data vil potentielt blive meget god til at genkende og reagere på præcis disse mønstre — og dårligere til alt andet.

Det centrale empiriske spørgsmål er derfor: Hvornår generaliserer militær AI pålideligt, og hvornår fejler den?


Hvad ved vi

✓✓ Militær AI er allerede i brug — og Ukraine er et vigtigt testlaboratorium

Ukraine er i dag et af verdens mest intensive forsøgsfelter for militær AI. Droner styret af algoritmer, automatiseret billedgenkendelse til målidentifikation og AI-assisteret efterretningsanalyse er alle teknologier, der afprøves under reelle kampforhold. Det giver data, som ingen øvelse eller simulation kan matche i omfang og autenticitet.

Danmark har nu formel adgang til denne datastrøm gennem aftalen om Avengers Labs, som Forsvarsministeriet beskriver som en mulighed for at "udvikle og træne kunstig intelligens til militær brug" baseret på ukrainske data og erfaringer.

✓✓ AI-systemers ydeevne afhænger kritisk af træningsdataenes karakter

Dette er et af de bedst dokumenterede principper i maskinlæring. Et system, der er trænet på data fra én kontekst, klarer sig systematisk dårligere i andre kontekster — det fænomen kaldes fordelingsforskydning (på engelsk: distribution shift). Jo mere specifik træningsdataen er, desto større er risikoen for, at systemet fejler, når det møder noget, det ikke har set før.

Jeppe T. Jacobsen påpeger i rapporten Militær AI — Amerikanske erfaringer, danske muligheder fra Center for Militære Studier, at det danske forsvar bør have sig for øje, "hvor man hurtigere, nemmere og mere uproblematisk kan gøre erfaringer med AI" — en formulering, der indirekte anerkender, at ikke alle erfaringer er lige lette at overføre.

✓ Militær AI er bedst dokumenteret inden for afgrænsede opgaver

Den stærkeste evidens for militær AI findes i systemer med klart afgrænsede opgaver: billedgenkendelse af køretøjer, analyse af signaldata, automatiseret logistik og vedligeholdelsesprognoser. Her er AI allerede i brug i både USA og NATO med dokumenterede gevinster i hastighed og præcision.

Derimod er evidensen langt svagere for AI i komplekse, dynamiske beslutningssituationer — som taktisk kommando, eskalationsvurdering eller skelnen mellem kombattanter og civile under uklare forhold.

✓ USA's erfaringer peger på behovet for strukturerede læringsprocesser

Den amerikanske erfaring med militær AI — som Jacobsens rapport kortlægger indgående — viser, at gevinsten ikke kommer automatisk med teknologien. Den kræver systematisk integration i doktrin, træning og kommandostruktur. Lande, der indfører AI uden disse rammer, risikerer at sidde med systemer, som ingen i praksis ved, hvordan de skal bruge eller stole på.


Hvad ved vi ikke

Hvor godt ukrainske data generaliserer til andre konflikter, ved vi ikke.

Det er det centrale ukendte i den danske aftale. Ukrainekonflikten har specifikke geografiske, teknologiske og doktrinære karaktertræk. Vi har ikke systematisk viden om, i hvilken grad AI-modeller trænet på disse data vil præstere pålideligt i fx Østersøregionen, i skovterræn, mod andre typer trusler eller i konflikter med andre eskalationsdynamikker.

Vi ved ikke, hvilke konkrete systemer der trænes, og til hvilke formål.

Forsvarsministeriets kommunikation om aftalen er relativt overordnet. Der er ikke offentliggjort detaljer om, hvilke specifikke AI-applikationer der udvikles, hvilke beslutninger de skal informere eller understøtte, og hvilken grad af menneskelig kontrol der opretholdes. Det gør det svært at vurdere, hvor tæt vi er på systemer, der autonomt påvirker liv-og-død-beslutninger.

Vi ved ikke, om der er blinde vinkler i dataen.

Data fra en igangværende krig er ikke neutral. Den afspejler, hvad der er blevet registreret, overlevet og rapporteret. Fejl, tabte situationer og systematiske fortielser er ikke repræsenteret på samme måde som succeser. Det kan give AI-modeller et skævt billede af, hvad der virker — og under hvilke omstændigheder.


Hvad eksperter er uenige om

~ Hvor meget autonomi bør militær AI have?

Dette er det mest kontroversielle spørgsmål i feltet. På den ene side argumenterer en række forskere og militæranalytikere for, at hastigheden i moderne krigsførelse — særligt droneangreb og elektronisk krigsførelse — gør det realistisk nødvendigt med systemer, der kan reagere hurtigere end mennesker. På den anden side argumenterer jurister, etikere og en del militærfolk for, at beslutninger om magtanvendelse altid skal have et menneske i løkken — ikke bare formelt, men reelt.

NATO har en officiel politik om at fastholde "menneskelig kontrol og ansvar" over alle beslutninger om magtanvendelse, men eksperter er uenige om, hvad denne formulering reelt indebærer, når reaktionstider er under ét sekund.

~ Er ukrainske kampdata en fordel eller en fælde?

Nogle analytikere ser adgangen til reelle kampdata som en uvurderlig ressource — langt mere værdifuld end nogen simuleret træning. Andre advarer mod det modsatte: at man låser sine systemer fast i ét konflikts logik og dermed reducerer strategisk fleksibilitet. Debatten er ikke afgjort.

⚖ Hvem har det moralske ansvar, når AI fejler?

Dette er i vid udstrækning et værdispørgsmål, men det har juridiske og institutionelle konsekvenser. Hvis et AI-system fejlagtigt identificerer et mål og fører til civile tab — hvem er så ansvarlig? Operatøren? Kommandoen der godkendte systemet? Producenten? Landet der leverede træningsdataen? Der findes ingen etableret juridisk eller etisk konsensus om dette.

~ Er Danmark klar til at håndtere militær AI institutionelt?

Jacobsens rapport fremhæver, at den amerikanske erfaring viser, at teknologisk kapacitet ikke er det primære flaskehals — det er organisatorisk modenhed, doktrinær integration og uddannelse. Det er et åbent spørgsmål, om det danske forsvar har de strukturer, kompetencer og procedurer på plads til at udnytte — og begrænse — militær AI på forsvarlig vis.


Konklusion

Det danske forsvar tager et reelt og dokumenteret skridt ind i militær AI ved at samarbejde med Ukraine om adgang til kampdata. Det er ikke sciencefiction — det er en konkret aftale med konkrete formål.

Vi ved, at AI kan levere dokumenterede gevinster i afgrænsede militære opgaver. Vi ved også, at systemer trænet på ét konflikts data bærer en strukturel risiko for at fejle, når de møder noget andet. Og vi ved, at de lande, der har kommet længst med militær AI, har investeret mindst ligeså meget i organisatorisk integration som i selve teknologien.

Hvad vi ikke ved, er de konkrete detaljer i den danske satsning: hvilke systemer, hvilke beslutninger, hvilken grad af menneskelig kontrol. Det er information, som Folketing og offentlighed har en legitim interesse i at kende — ikke for at stoppe udviklingen, men for at kunne vurdere den.

Ukrainekrigen er et enestående laboratorium. Men laboratorier producerer resultater, der skal fortolkes varsomt, inden de overføres til andre situationer. Det gælder også når laboratoriet er en krig, og resultaterne skal bruges i det næste.


Kilder