Formidling og magi: Lascaux-hulen med steinaldermalerier i Vézère-dalen nær Montignac i Frankrike. Den er ett av de mest berømte funnene av hulemalerier. De tilhører den senpaleolittiske kunsten og er datert til ca. 11 500 år fvt. Symbolsk representasjon går over 70.000 år tilbake i tid. Wikipedia
Det har nå kommet så mange teoretiske innspill og det er så mange som har skaffet seg personlig og korrigerende erfaring, at vi kan be KI-maskiner å skissere områder for faglig utviklingsarbeid fram mot 2030. Ledetekst til Claude:
Gjør en grundig analyse av hvilke akademiske oppgaver som kan få betydelig støtte av dagens KI-tilbud og hvilke jobber som berøres av det.
Metodisk presisering
- Infrastruktur er forutsetning, ikke bonus. KI er så god som det materialet den arbeider med. Uten strukturerte repositorier, dokumentert arbeidsflyt og tilgjengelig institusjonell kunnskap, produserer KI generiske svar som sjelden er relevante nok. Manglende infrastruktur begrenser effekten av all kompetanseheving.
- Delegasjonsgrensen er etisk, ikke bare praktisk. Det som ikke kan delegeres til KI er ikke bare det den ikke klarer teknisk — det er det som krever faglig ansvar, juridisk og personlig stå-inne-for og institusjonell legitimitet. Vurdering, fagfellevurdering og personalnedskjæringer er eksempler der KI-assistanse kan informere, men ikke erstatte, menneskelig beslutning.
- KI forsterker eksisterende asymmetri. De som allerede er kompetente faglige forfattere, har gode digitale repositorier og klar tenkning om eget arbeid, vil få mest ut av KI. De som mangler dette grunnlaget, risikerer at KI produserer fasade uten substans. Et kompetansetiltak som ikke adresserer dette, kan forsterke snarere enn utjevne kvalitetsforskjeller.
Analysen skiller mellom tre nivåer av støtte:
- Høy støtte – KI erstatter eller drastisk reduserer arbeidsinnsats med akseptabel kvalitet
- Moderat støtte – KI er nyttig, men krever betydelig faglig etterkontroll
- Lav/ingen støtte – KI bidrar marginalt eller introduserer risiko som overstiger gevinsten
Tekstproduksjon og -bearbeiding
| Oppgave | Støttenivå | Kommentar |
|---|---|---|
| Utkast til brev, notater, referat | Høy | Formatert, korrekt prosa. Krever faktasjekk. |
| Omskriving/forenkling av faglig tekst | Høy | God på tilpasning av register og nivå |
| Akademisk forfatterskap (artikler, rapporter) | Moderat | Struktur og delpassasjer ja, faglig substans nei |
| Søknad om opprykk (førstelektor/dosent) | Moderat | God på struktur og formuleringer, svak på faglig selvpresentasjon |
| Fagfellevurdering | Lav | Kan generere sjekklister, men mangler faglig autoritet og posisjon |
Informasjonsbehandling og analyse
| Oppgave | Støttenivå | Kommentar |
|---|---|---|
| Sammendrag av dokumenter og litteratur | Høy | RAG-oppsett gir god presisjon mot egne dokumenter |
| Litteratursøk og kartlegging | Moderat | Hallusinerer referanser; bruk spesialiserte verktøy (Elicit, Consensus) |
| Systematisk analyse av store tekstkorpus | Moderat | Nyttig for mønsteridentifikasjon, svak på tolkning |
| Kritisk vurdering av faglige argumenter | Lav | Simulerer skepsis, men mangler faglig posisjon og ansvarlighet |
Undervisning og læringsdesign
| Oppgave | Støttenivå | Kommentar |
|---|---|---|
| Utvikling av læringsmål og oppgaver | Høy | Rask prototyping, god på taksonomi. |
| Produksjon av forklaringstekster og eksempler | Høy | Tilpasset nivå og fagområde |
| Eksamensoppgaver (første utkast) | Moderat | Nyttig utgangspunkt, krever faglig kvalitetssikring |
| Formativ tilbakemelding på studenttekster | Moderat | Fungerer på struktur og språk, svak på faglig dybdevurdering |
| Forelesningsdesign og presentasjoner | Moderat | Struktur og innhold, men ikke faglig tenkning demonstrert |
| Vurdering med begrunnelse (summativ) | Lav | Juridisk og etisk ansvar kan ikke delegeres |
Forskning og faglig utviklingsarbeid
| Oppgave | Støttenivå | Kommentar |
|---|---|---|
| Prosjektbeskrivelser og søknader | Moderat | God på form, svak på faglig originalitet og posisjonering |
| Koding og analyse av kvalitative data | Moderat | Tematisk koding fungerer, men tolkning er faglig |
| Statistisk analyse | Lav–Moderat | Kode-assistanse ja; tolkning av funn krever faglig skjønn |
| Metodeutvikling og forskningsdesign | Lav | KI reproduserer kjente mønstre, ikke genuint ny metodikk |
| Frascati-kvalifisert utviklingsarbeid | Lav | Systematisk, kreativt arbeid under usikkerhet — nettopp det KI ikke gjør |
Administrasjon og saksbehandling
| Oppgave | Støttenivå | Kommentar |
|---|---|---|
| Møtereferat og sammendrag | Høy | Transkripsjonsbasert; fungerer godt |
| Saksfremlegg og beslutningsnotater | Moderat | Form ja, faglig-politisk vurdering nei |
| Dokumenthåndtering og arkivstruktur | Moderat | Kategorisering, men ikke institusjonell kontekst |
| GDPR-vurderinger og personvernarbeid | Lav | Kan gi sjekklister, men juridisk ansvar kan ikke delegeres |
Stillingskategorier
- Faglærer / universitetslektor
- Høy gevinst: Kursutvikling, oppgaveproduksjon, forklaringstekster, tilpasning av materiell til ulike nivåer, multimodale presentasjoner.
- Moderat gevinst: Tilbakemelding på studentarbeider i skala, emneplanlegging, litteraturoversikter.
- Lav gevinst: Faglig autoritet i vurdering, forelesning som modellering av eksperttenkning, faglig ordskifte og posisjonering.
Spesifikt sårbart: Forelesningen som informasjonskanal er undergravd. Det som gjenstår med berettigelse er det KI ikke kan: dialektisk tenkning demonstrert i sanntid, faglig tilstedeværelse, motstand mot forenkling.
- Stipendiat og postdoktor
- Høy gevinst: Skriveassistanse, strukturering av tekst, litteratursøk (med kildekritikk), oversettelse og språkvask.
- Moderat gevinst: Kodeassistanse, kvalitativ koding, prosjektplanlegging.
- Lav gevinst: Forskningsidéer med genuint bidrag til feltet — KI reproduserer eksisterende kunnskap, ikke ny.
Kritisk merknad: Stipendiater som overlater for mye til KI risikerer å ikke bygge opp den faglige dybden som er premisset for selvstendig forskning.
- Førstelektor / dosent (kvalifiseringsløp)
- Høy gevinst: Dokumentasjon av faglig utviklingsarbeid, strukturering av portefølje, skriveassistanse til søknad.
- Moderat gevinst: Analyse av eget arbeids relevans mot Frascati-kriterier (som sjekkliste og motpart), bearbeiding av fagfellevurderinger.
- Lav gevinst: Det faglige skjønnet som faktisk kvalifiserer til opprykk — KI kan ikke dokumentere noe den ikke har gjort. Faglig originalitet og overføringsverdi (Frascati-kriteriene) er menneskelige prestasjoner.
- Administrasjon/støttefunksjoner
- Høy gevinst: Dokumentproduksjon, saksfremlegg, prosedyrebeskrivelser, FAQ-produksjon, søk i og sammendrag av regelverksdokumenter.
- Moderat gevinst: Strukturere informasjonsarkitektur, veiledning av studenter på standardspørsmål.
- Lav gevinst: Institusjonelt skjønn, saksbehandling med juridiske konsekvenser, relasjonsarbeid.
Særlig relevant: Bibliotekarer kan bruke RAG-oppsett til å gi presise svar mot institusjonens eget regelverk og ressurser.
- Faglig ledelse (studieledere, dekaner, instituttledere)
- Moderat gevinst: Tekstproduksjon, møteforberedelse, analyse av statistikk og rapporter, utredninger.
- Lav gevinst: Strategiske beslutninger, personalledelse, faglig-politisk posisjonering internt og eksternt.
- Strukturell observasjon: KI kan gi ledere bedre informasjonsgrunnlag, men forsterker samtidig presset mot raske beslutninger basert på tilgjengelig data — noe som kan undergrave det langsomme, deliberative arbeidet god faglig ledelse krever.