Hva har KI-eksperten egentlig gjort?

• Dette er et debattinnlegg. Innlegget uttrykker skribentens egne synspunkter.

Klokka er halv tre en torsdag, og en journalist trenger en KI-ekspert før fire. Hun ringer meg. Jeg stilte opp sist, jeg forklarte på en måte som kunne siteres, og jeg tok telefonen.

Under tidspress er det gode grunner, og jeg sier ja. Sist handlet saken om hvordan en språkmodell virker. Denne gangen handler den om elever som bruker KI i norsktimen, om opphavsrett eller om helseråd fra en chatbot.

Navnet mitt ligger fortsatt øverst i loggen, og merkelappen fra forrige sak følger med. At jeg var tilgjengelig sist, sier ikke i seg selv at jeg er den mest relevante kilden denne gangen. Det er ikke redaksjonens feil, og det er ikke min. Det er en sløyfe, og den fanger alle som blir spurt ofte.

En sløyfe jeg kjenner fra faget

Jeg forsker på anbefalingssystemer, altså algoritmene som bestemmer hvilke nyheter, videoer og produkter du får se, og jeg jobber til daglig sammen med redaksjoner om dem.

Det mest grunnleggende et slikt system gjør, er å gi deg mer av det som fungerte sist. Det er ofte riktig, men uten en motvekt kan det etter hvert vise mer og mer av mindre og mindre, og en god del av faget mitt handler om å bygge inn motvekten.

Kildevalg under tidspress følger samme logikk. Kilden som ble brukt, er lettere å huske, får merkelappen i neste sak, dukker opp i arkivsøket og blir enda lettere å bruke igjen. Etter noen runder sitter merkelappen på en liten gruppe, og gruppen består ikke nødvendigvis av dem som kan mest om spørsmålet, men av dem som var tilgjengelige da forrige sak skulle ut.

Hans Peter Peters oppsummerte i PNAS i 2013 undersøkelser fra flere land om hvilke forskere som får kontakt med mediene. De fleste hadde snakket med journalister, men hyppig kontakt var forbeholdt en mindre gruppe, og den hang sammen med posisjon, produktivitet og fagfelt. Ingen av delene er det samme som å være riktig kilde til akkurat denne saken.

Haakon Eliassen spurte her i Journalisten i august hvorfor alle skriver den samme saken. Et beslektet spørsmål er hvorfor alle ringer den samme forskeren. Også her kan tidspress og etablerte rutiner spille inn.

Signalet som forsvant

Så lenge saken handler om hvordan en språkmodell er bygget, er merkelappen kanskje ufarlig. Men KI-sakene høsten 2026 handler om elever som lærer eller ikke lærer, om arbeidsplasser, opphavsrett, helseråd, valgkamp og falske bilder. Det er forskjellige spørsmål som krever forskjellig kunnskap, og ingen av oss som blir ringt, har all den kunnskapen.

Jeg kan si noe om hvordan anbefalingssystemer former hva folk får se, og om hva som skjer med folks egen kompetanse når KI gjør jobben for dem. Om læringsutbytte i skolen kan jeg lese forskningen og gjengi den, og da bør journalisten vite at det er det jeg gjør.

Det som gjør dette viktigere nå, er at KI har fjernet et signal både journalister og forskere lenge har lent seg på: at noen høres ut som en ekspert. En språkmodell formulerer på sekunder en flytende og trygg uttalelse om hva som helst, og den som har brukt den, høres like trygg ut. Vi kan ikke lenger slutte fra hvordan noe er formulert, til hvem som kan hva. Assistert prestasjon er ikke det samme som bevart kompetanse, og det gjelder kilder like mye som studenter.

Det som er igjen å vurdere, er hva kilden faktisk har gjort, og det er heldigvis lett å spørre om.

Tre kontrollspørsmål

«Hva i arbeidet ditt er relevant for akkurat denne saken?» Still det først, og skriv svaret inn i presentasjonen av kilden.

«Forsker på anbefalingssystemer og på hva KI gjør med folks egen kompetanse» forteller leseren noe. «KI-ekspert» gjør det ikke. Vær Varsom-plakatens punkt 3.2 sier at det er god presseskikk å tilstrebe bredde og relevans i valg av kilder, og dette er den enkleste måten å gjøre relevansen synlig for leseren på. Det koster en halv setning.

«Bygger du på egen forskning, på andres, på praktisk erfaring eller på en forventning om fremtiden?» Alle fire kan høre hjemme i en sak, men leseren må kunne skille en prognose fra et funn. Det klarer hun bare hvis vi som blir intervjuet, sier hvilket av delene vi driver med, og det skillet er lett å slurve med når man er vant til å bli spurt.

«Hvem burde jeg også ringt?» Still det til slutt, og still det til meg. Av og til er svaret et navn som aldri har stått i en avis: en lærer som har hatt verktøyene i klasserommet siden ChatGPT kom, en utvikler som har bygget dem, en jurist som har lest lisensvilkårene, en stipendiat som sitter på de eneste norske dataene som finnes.

Ring nummer to. Ikke i stedet for nummer én, men i tillegg.

Det vi som blir ringt, kan gjøre

Jeg ber ikke om å bli ringt sjeldnere. Jeg ber om å bli presentert riktig, og jeg kan begynne selv. Heretter åpner jeg med et svar journalisten ikke har bedt om: Dette kan jeg si noe om, og det bygger på dette.

Ligger saken utenfor det jeg kan belyse godt, sier jeg det og foreslår et navn. Universitetene kan hjelpe med det samme.

Den mest nyttige hjelpen en kommunikasjonsavdeling kan gi en journalist, er ikke et navn, men to setninger om hva navnet har forsket på, og en oppdatert oversikt over hvem som kan hva, slik at forskere som er nye, opptatt eller mindre glade i telefonen, også blir funnet.

Sløyfen forsvinner ikke. Men den kan få en motvekt, og den koster ett spørsmål.

Til opplysning: Denne teksten er skrevet med hjelp fra Claude (Anthropic) til utkast, språk og kildearbeid. Etter min egen regel forteller det ingenting om hvorvidt jeg er rett person til å skrive den. Det som gjør det, er mer enn ti års forskning på anbefalingssystemer og på hvordan folk møter informasjon gjennom teknologi. Vurderingene, og feilene, er mine. Jeg skriver i personlig kapasitet; SFI MediaFutures, som jeg leder, har norske mediehus som partnere.