Blockchain teknologi og AI i fremtiden

Blockchain-teknologi og AI i fremtiden handler især om at gøre data, beslutninger og digitale aktiver mere sporbare. Blockchain kan give fælles registre og verificerbare hændelser, mens AI kan analysere mønstre og automatisere vurderinger; kombinationen kræver stadig klare datagrænser, styring og sikkerhed.

Hvad betyder blockchain teknologi og AI i fremtiden?

Blockchain og kunstig intelligens løser forskellige problemer. En blockchain er et distribueret register, hvor deltagerne kan gemme transaktioner i en kæde af blokke, der er svære at ændre uden at afsløre manipulation. AI er derimod en metode til at finde mønstre, klassificere data, generere forslag eller styre handlinger ud fra modeller.

Fremtidens mest realistiske samspil ligger derfor ikke i, at AI flytter ind på en blockchain som almindelig software. Det ligger i de steder, hvor AI har brug for troværdige spor, og hvor blockchain har brug for bedre analyse, overvågning og automatisering. Kombinationen kan være relevant, når mange parter skal dele data, men ikke fuldt ud kan eller vil stole på den samme centrale database.

Det gør emnet praktisk for organisationer, der arbejder med dataproveniens, digitale aktiver, forsyningskæder, identitet, finansiel infrastruktur, sikkerhed eller dokumentation af AI-processer. Samtidig er teknologien let at overdrive. En blockchain kan registrere, at noget er indsendt, underskrevet eller ændret, men den kan ikke alene bevise, at de indsendte oplysninger er korrekte.

Hvor supplerer blockchain og AI hinanden?

Blockchain bidrager med et fælles hændelseslag. Det kan være transaktioner, rettigheder, tilladelser, modelversioner, dataadgang eller digitale beviser. AI bidrager med fortolkning af data, mønstergenkendelse, risikovurdering og automatisering af beslutningsstøtte.

Et typisk eksempel er en organisation, der bruger AI til at vurdere datakvalitet, mens vigtige datapunkter, ændringer og godkendelser registreres i et delt register. Hvis flere aktører senere skal se, hvem der har ændret hvad, kan blockchain-laget fungere som en revisionshistorik. AI-laget kan samtidig markere uregelmæssigheder, foreslå klassifikationer eller hjælpe med at prioritere menneskelig gennemgang.

Det er beslægtet med AI og blockchain integration, men fremtidsperspektivet kræver en skarpere afgrænsning: teknologierne bør kun kombineres, når både det distribuerede tillidsproblem og AI-problemet faktisk findes. Hvis én organisation ejer alle data, alle brugere og hele arbejdsgangen, er en almindelig database ofte enklere.

Hvordan kan blockchain styrke dataproveniens for AI?

Dataproveniens betyder oplysninger om, hvor data kommer fra, hvordan de er ændret, hvem der har behandlet dem, og hvilke rettigheder eller forbehold der følger med. I AI-projekter kan det få betydning for træningsdata, evalueringsdata, syntetisk indhold, modelinput og beslutningslogs.

Blockchain kan bruges som et register over nøglehændelser i en datakæde. Det behøver ikke betyde, at selve dataene ligger på kæden. Ofte vil det være mere realistisk at gemme data uden for kæden og kun registrere hashværdier, tidsstempler, samtykkestatus, rettigheder eller henvisninger. På den måde kan et system senere kontrollere, om et dokument, datasæt eller medieelement svarer til den version, der tidligere blev registreret.

Det kan understøtte AI-systemer, hvor kilder, versioner og dataændringer skal kunne forklares. Hvis en model giver et tvivlsomt resultat, kan revisionssporet hjælpe med at undersøge, om problemet stammer fra træningsdata, senere databehandling, et ændret promptflow, en ekstern datakilde eller den efterfølgende brug af outputtet.

Hvad kan AI gøre for blockchain-netværk?

AI kan gøre blockchain-systemer lettere at overvåge og bruge, især hvor der findes store mængder transaktionsdata. Modeller kan finde usædvanlige mønstre, gruppere adresser, markere sandsynlig svindel, opdage angrebsmønstre eller forudsige belastning i et netværk. Det er analyse oven på blockchain-data, ikke en garanti for sikkerhed i sig selv.

I permissioned blockchain-miljøer kan AI også bruges til drift. Det kan være automatisk prioritering af transaktioner, overvågning af noder, registrering af fejl eller risikoscore for aktører i et lukket netværk. I offentlige kæder er brugen mere begrænset af åbne data, omkostninger, latenstid og behovet for gennemsigtige regler.

På sikkerhedsområdet ligger den praktiske værdi især i overvågning og tidlig varsling. En løsning om AI til sikkerhed i blockchain skal dog stadig kombineres med nøglerutiner, adgangskontrol, kodegennemgang og klare hændelsesprocedurer. AI kan udpege risici, men den erstatter ikke grundlæggende sikkerhedsarbejde.

Hvilke anvendelser er mest realistiske?

De mest realistiske anvendelser har to fælles træk: flere parter har brug for samme dokumentationslag, og AI skaber eller behandler data, som senere skal kunne kontrolleres. Det gør teknologien mere relevant i tværgående processer end i lukkede interne systemer.

• Proveniens for AI-genereret eller AI-redigeret indhold, hvor signaturer, metadata og registrerede hændelser kan hjælpe med at forklare oprindelse og ændringer.
• Forsyningskæder, hvor sensordata, certificeringer eller statusændringer registreres på tværs af virksomheder, og AI bruges til at opdage afvigelser.
• Digital identitet og legitimationsoplysninger, hvor verificerbare credentials kan gøre det lettere at kontrollere påstande uden at dele flere persondata end nødvendigt.
• Finansielle og kontraktbaserede processer, hvor smarte kontrakter kan udføre regler, mens AI bruges til vurdering, overvågning eller forklaring.
• AI-governance, hvor modelversioner, godkendelser, testresultater og væsentlige ændringer registreres som kontrollerbare hændelser.

Fælles for eksemplerne er, at blockchain sjældent bør være stedet, hvor store datamængder eller AI-modeller køres. Værdien ligger oftere i registrering, adgang, rettigheder, integritet og dokumentation.

Hvor opstår den største tekniske begrænsning?

Den største begrænsning er forbindelsen mellem den fysiske eller organisatoriske virkelighed og det digitale register. Hvis et forkert datapunkt registreres korrekt på en blockchain, bliver fejlen ikke sandere af at være svær at ændre. Det samme gælder AI: en model kan analysere mønstre i registrerede data, men den kan ikke automatisk vide, om de oprindelige oplysninger var retvisende.

Det kaldes ofte et orakelproblem, fordi systemet skal have en kilde til oplysninger uden for kæden. I praksis kan det være en sensor, en medarbejder, en myndighed, et API, en leverandør eller et andet IT-system. Kvaliteten af oraklet afgør, hvor meget tillid der kan placeres i den efterfølgende registrering.

Derfor bør blockchain og AI forbindes med kontrolpunkter. Datakilder skal valideres, adgang skal afgrænses, ændringer skal kunne forklares, og fejl skal kunne rettes gennem nye registreringer uden at skjule historikken. Det er mindre spektakulært end visionen om fuld automatisering, men langt mere anvendeligt.

Hvordan påvirker regulering og compliance udviklingen?

Regulering skubber kombinationen i retning af sporbarhed, dokumentation og menneskelig kontrol. EU’s AI Act bygger på en risikobaseret tilgang, hvor højrisikosystemer blandt andet kan være underlagt krav om risikostyring, datakvalitet, logning, dokumentation, gennemsigtighed, menneskeligt tilsyn, robusthed og cybersikkerhed. Det gør revisionsspor og datastyring mere centrale, men det betyder ikke, at blockchain automatisk opfylder kravene.

For organisationer i Danmark og resten af EU er den praktiske relevans især, at AI-systemer skal kunne forklares og kontrolleres i konkrete brugssituationer. Blockchain kan være et af flere tekniske midler til sporbarhed, men compliance afhænger også af formål, datatyper, risikoklasse, organisatoriske processer og dokumentation.

Når AI bruges til indhold, identitet eller beslutningsstøtte, kan transparenskrav øge interessen for kryptografisk proveniens og verificerbare oplysninger. Det ændrer dog ikke på, at persondata, forretningshemmeligheder og sikkerhedsoplysninger sjældent bør lægges åbent på en offentlig kæde.

Hvilke datakrav skal være på plads før brug?

En løsning bør begynde med datakrav, ikke med teknologivalg. Det første spørgsmål er, hvilke oplysninger der skal kunne bevises senere. Derefter følger spørgsmål om, hvem der må skrive til registret, hvem der må læse det, hvor længe oplysninger skal gemmes, og hvordan fejl eller indsigelser håndteres.

I AI-projekter bliver datakvalitet ekstra vigtig, fordi modeller kan forstærke gamle fejl, manglende kontekst eller skæve datasæt. Et blockchain-register kan dokumentere ændringer og adgang, men det forbedrer ikke automatisk datasættets indhold. Arbejde med generativ AI til optimering af datakvalitet bør derfor holdes adskilt fra spørgsmålet om, hvor datahistorikken registreres.

Hvordan kan organisationer vurdere en løsning trin for trin?

En praktisk vurdering kan gøres som en kort beslutningsrækkefølge. Den bør være enkel nok til at fravælge blockchain tidligt, hvis behovet ikke er der. Mange projekter bliver bedre af en almindelig database, et dokumenteret API, en modelregistry eller en revisionslog.

1. Beskriv den beslutning, det bevis eller den hændelse, som senere skal kunne kontrolleres.
2. Identificér parterne: hvem skriver data, hvem læser data, og hvem skal kunne efterprøve dem?
3. Vurder, om en central ejer kan drive registret troværdigt, eller om der er brug for fælles styring.
4. Placér følsomme data uden for kæden, hvis integritet kan dokumenteres med hash, signaturer eller referencer.
5. Afklar, hvilken rolle AI har: analyse, klassifikation, anbefaling, overvågning eller automatisk handling.
6. Test fejlscenarier: forkert input, modeldrift, stjålne nøgler, orakelfejl og manglende adgang til historiske data.

Denne rækkefølge passer godt sammen med bredere risikostyring i AI-implementeringer, fordi den tvinger projektet til at beskrive ansvar, dataflow og kontrol før valg af platform.

Hvordan adskiller blockchain sig fra almindelige databaser i AI-projekter?

En almindelig database er ofte hurtigere, billigere og lettere at ændre. Den har en klar ejer, etablerede adgangsmodeller og mange modne værktøjer til søgning, backup, datakvalitet og integration. For de fleste interne AI-projekter er det en fordel.

Blockchain adskiller sig ved, at tilliden kan fordeles mellem flere parter. Det kan give mening, hvis ingen enkelt aktør bør kunne ændre historikken alene, eller hvis deltagerne har brug for et fælles register uden at overdrage al kontrol til én systemejer. Prisen er lavere fleksibilitet, flere governance-spørgsmål og ofte mere kompleks drift.

I AI-projekter er forskellen derfor ikke bare teknisk. Den handler om ansvar. Hvis en model træffer eller foreslår beslutninger, skal organisationen stadig kunne forklare datagrundlag, modelversion, menneskelig kontrol og efterfølgende rettelser. Blockchain kan hjælpe med dele af historikken, men den kan ikke alene bære ansvaret for AI-systemet.

Hvilke risici følger med smarte kontrakter og autonome beslutninger?

Smarte kontrakter kan udføre regler automatisk, når bestemte betingelser er opfyldt. Hvis AI leverer vurderingen, og en smart kontrakt udfører handlingen, opstår et særligt risikobillede: en usikker modelvurdering kan få direkte tekniske eller økonomiske konsekvenser.

Det kræver klare grænser mellem anbefaling og handling. En AI-model kan for eksempel markere en transaktion som mistænkelig, men en automatisk indefrysning, afvisning eller betaling bør kun ske, hvis regler, fejlmuligheder og klageveje er gennemarbejdet. I følsomme områder bør menneskelig kontrol være en del af designet, ikke en eftertanke.

Der er også en kode- og nøglesikkerhedsrisiko. En fejl i en smart kontrakt kan være svær at ændre, og en kompromitteret privat nøgle kan give adgang til handlinger, som systemet opfatter som gyldige. En moden løsning skal derfor kombinere test, adgangsstyring, overvågning, revisionsspor og beredskab.

Hvordan hænger teknologien sammen med digital identitet og indholdsægthed?

Digital identitet og indholdsægthed er blandt de mest relevante områder for samspillet mellem blockchain og AI. AI gør det lettere at skabe tekst, billeder, lyd og video, som ligner menneskeskabt indhold. Derfor vokser behovet for at kunne vise, hvor et indholdselement kommer fra, hvem der har signeret det, og hvilke ændringer der er sket.

Verificerbare credentials og kryptografisk proveniens kan give mere kontrollerbare oplysninger uden nødvendigvis at lægge alle data åbent frem. I nogle systemer kan en person eller organisation bevise en rettighed, en rolle eller en attest uden at dele hele datagrundlaget. Det er særligt relevant, når AI-systemer skal bruge identitets- eller rettighedsoplysninger som input.

Samtidig er AI og privatlivets fred et centralt hensyn. Permanente registre passer dårligt til unødvendige personoplysninger. Fremtidige løsninger vil derfor sandsynligvis bruge selektiv deling, signaturer, hashværdier og eksterne datalagre frem for at placere følsomme oplysninger direkte på kæden.

Hvad peger udviklingen mod de næste år?

Udviklingen peger mod mere specifikke og mindre spektakulære anvendelser. Blockchain bliver næppe den generelle infrastruktur for alle AI-systemer. Til gengæld kan den få en tydeligere rolle i de situationer, hvor AI skaber behov for dokumenteret oprindelse, ændringshistorik, rettigheder og tværgående kontrol.

Der vil sandsynligvis komme flere hybride arkitekturer. Data og modeller ligger uden for kæden, mens udvalgte beviser, signaturer, tidsstempler og adgangshændelser registreres i et fælles lag. AI bruges til at analysere strømmen af hændelser, finde afvigelser og gøre komplekse dataforløb lettere at kontrollere.

Den mest holdbare fremtid for blockchain og AI er derfor praktisk frem for ideologisk. Kombiner teknologierne, når de løser et konkret tillids-, sporbarheds- eller automatiseringsproblem. Fravælg kombinationen, når den kun gør et almindeligt AI- eller databaseprojekt langsommere, dyrere og sværere at forklare.

Hvilke kilder ligger til grund?

Den tekniske forklaring af blockchain bygger især på NISTs Blockchain Technology Overview. Afsnittene om verificerbare legitimationsoplysninger og digital proveniens bygger på W3C’s Verifiable Credentials Data Model v2.0 og C2PA’s tekniske specifikation for Content Credentials.

Regulerings- og risikoperspektivet er kontrolleret mod Europa-Kommissionens side om AI Act og NISTs AI Risk Management Framework.