Hvad definerer kunstig intelligens (AI)?

Kunstig intelligens (AI) defineres ved maskinbaserede systemer, der ud fra input udleder mønstre eller regler og skaber output som forudsigelser, anbefalinger, beslutninger eller indhold. AI adskiller sig fra almindelig software ved graden af inferens, læring, autonomi og sandsynlig håndtering af nye situationer.

Hvad er den korte definition på kunstig intelligens?

Kunstig intelligens er computerbaserede metoder, der får et system til at løse opgaver, som normalt kræver fortolkning, mønstergenkendelse, sprogforståelse, planlægning, vurdering eller tilpasning. Definitionen handler ikke om, at systemet har bevidsthed. Den handler om, at det kan behandle input og danne et output, som ikke blot er en direkte, fast programmeret regel.

En praktisk definition er derfor: AI er et maskinbaseret system, der bruger data, modeller eller regler til at udlede, hvilket output der sandsynligvis passer til en opgave. Outputtet kan være en klassifikation, en anbefaling, en tekst, et billede, en beslutningsstøtte eller en handling i et digitalt eller fysisk miljø.

Det centrale ord er udlede. Et AI-system følger ikke kun en statisk opskrift som “hvis A, så B”. Det beregner, generaliserer eller estimerer på baggrund af data og en model. Derfor kan to AI-systemer med samme tekniske formål opføre sig forskelligt, hvis de er trænet på forskellige data eller bruges i forskellige sammenhænge.

Hvilke egenskaber skal være til stede?

Et system behøver ikke at have alle tænkelige AI-egenskaber for at være kunstig intelligens. Det afgørende er, om systemet kan omsætte input til et output gennem inferens, modelberegning eller anden form for dataunderstøttet vurdering. Moderne definitioner lægger især vægt på fem egenskaber:

• Systemet er maskinbaseret og kører som software, hardware eller en kombination.
• Systemet arbejder mod eksplicitte eller implicitte mål, for eksempel at klassificere, rangere, forudsige eller generere.
• Systemet modtager input fra mennesker, data, sensorer, dokumenter, systemer eller miljøer.
• Systemet udleder et output, der kan påvirke en beslutning, anbefaling, handling eller digital oplevelse.
• Systemet kan have forskellige grader af autonomi og i nogle tilfælde tilpasse sig efter idriftsættelse.

Listen viser også, hvorfor AI er et bredt begreb. En simpel billedklassifikator, en sprogmodel, et anbefalingssystem og et autonomt robotsystem kan alle være AI, selv om de teknisk fungerer meget forskelligt.

Hvordan adskiller AI sig fra almindelig software?

Almindelig software kan være kompleks uden at være AI. Et regnskabssystem, der beregner moms efter faste satser, er typisk almindelig software. Det kan være automatiseret, men det foretager ikke nødvendigvis en statistisk vurdering eller lærende fortolkning. AI kommer ind, når systemet bruger en model til at genkende mønstre, forudsige sandsynlige resultater eller generere nyt indhold ud fra eksempler og input.

Skellet er praktisk, fordi AI kræver andre kontrolpunkter end klassisk software. Du skal ikke kun spørge, om koden virker. Du skal også spørge, hvad modellen har lært, hvilke data den bygger på, og hvor stabilt outputtet er i de situationer, hvor systemet skal bruges.

Hvad betyder inferens i AI?

Inferens betyder, at et AI-system beregner et output ud fra input ved hjælp af en model eller algoritme. Når en billedmodel genkender en cykel på et foto, passerer inputtet gennem en model, som finder mønstre i pixels. Når en sprogmodel skriver et svar, beregner den sandsynlige sproglige fortsættelser ud fra tekstens sammenhæng.

Inferens er ikke det samme som træning. Træning er den proces, hvor modellen lærer mønstre fra data. Inferens er brugen af modellen efter træningen, når den modtager nyt input. Mange AI-systemer ændrer ikke deres grundmodel under almindelig brug, men de kan stadig være AI, fordi de bruger modellen til at fortolke nye tilfælde.

For en organisation er inferens et nyttigt kontrolpunkt. Hvis et system kun slår et kendt opslag op i en database, er det ikke nødvendigvis AI. Hvis systemet derimod estimerer en risiko, klassificerer en henvendelse, genererer et svar eller anbefaler næste handling ud fra mønstre i data, er det tættere på en AI-definition.

Hvor passer maskinlæring og deep learning ind?

Maskinlæring er den del af AI, hvor systemer lærer mønstre fra data i stedet for kun at følge håndskrevne regler. Deep learning er en underkategori, der bruger dybe neurale netværk med mange lag til at finde komplekse mønstre i tekst, billeder, lyd, video eller numeriske data. Hvis du vil skelne begreberne præcist, er forskellen mellem maskinlæring og deep learning et godt udgangspunkt.

Maskinlæring gør AI-definitionen mere praktisk, fordi den viser, hvordan systemet opnår evnen til at generalisere. En spamfiltermodel lærer typiske tegn på spam. En kreditrisikomodel lærer mønstre i historiske data. En billedmodel lærer visuelle træk. Ingen af disse systemer forstår verden som et menneske, men de kan udføre afgrænsede vurderinger med højere fleksibilitet end faste regler.

Deep learning har gjort mange moderne AI-gennembrud mulige, især inden for sprog, syn og generativt indhold. Et neuralt netværk kan dog stadig være svært at forklare enkelt, fordi interne mønstre ikke altid kan oversættes til klare menneskelige regler.

Hvilke output kan et AI-system skabe?

AI defineres også gennem de outputtyper, systemet kan generere. De mest almindelige er forudsigelser, indhold, anbefalinger og beslutningsstøtte. En forudsigelse kan være sandsynligheden for maskinfejl. Indhold kan være tekst, billede, lyd, kode eller video. En anbefaling kan være næste relevante dokument. En beslutningsstøtte kan være en klassifikation af, om en sag kræver manuel gennemgang.

Outputtet er ikke kun teknisk. Det kan påvirke mennesker, arbejdsgange og rettigheder. Et AI-system i kundeservice kan prioritere henvendelser. Et system i rekruttering kan rangere ansøgninger. Et system i driftsovervågning kan foreslå, hvornår udstyr skal serviceres. Derfor bør definitionen altid kobles til den konkrete brugssituation.

Generativ AI har gjort outputtypen “indhold” mere synlig. Tekstmodeller, billedmodeller og multimodale modeller skaber nyt indhold ud fra input, men de gør det gennem statistiske mønstre, ikke gennem sikker viden. Derfor skal genereret output kontrolleres, især hvis det bruges til faglige, økonomiske, sikkerhedsmæssige eller personfølsomme formål.

Hvor autonom skal AI være?

AI behøver ikke at være fuldt autonomt for at falde ind under moderne definitioner. Autonomi findes i grader. Et system kan give forslag, som et menneske godkender. Det kan automatisk rangere indhold. Det kan udløse en handling, hvis bestemte betingelser er opfyldt. Eller det kan indgå i et fysisk system, der reagerer på omgivelserne.

Jo mere autonomt systemet er, desto større bliver behovet for kontrol. Et AI-værktøj, der hjælper med at formulere tekst, kræver andre sikkerhedsforanstaltninger end et system, der automatisk afviser transaktioner eller styrer en maskine. Det samme gælder adaptivitet: Hvis et system ændrer adfærd efter idriftsættelse, skal du kunne dokumentere, hvordan ændringen opdages, testes og styres.

Autonomi bør derfor vurderes sammen med konsekvens. Et lavt autonomt system kan stadig give stor risiko, hvis outputtet bruges direkte i vigtige beslutninger. Et højt autonomt system kan være acceptabelt i en snæver, lavrisikoopgave, hvis grænser, logning og menneskelig kontrol er klare.

Hvordan definerer EU AI i regulering?

EU AI Act definerer et AI-system som et maskinbaseret system, der er designet til at fungere med varierende grader af autonomi, og som kan udvise adaptivitet efter idriftsættelse. Definitionen lægger også vægt på eksplicitte eller implicitte mål, inferens fra input og output som forudsigelser, indhold, anbefalinger eller beslutninger.

Forordningen blev vedtaget i 2024 og har gradvis anvendelse. Den generelle anvendelsesdato er 2. august 2026, mens udvalgte kapitler og forpligtelser anvendes tidligere eller senere. I en dansk eller europæisk organisation betyder det, at AI-definitionen ikke kun er et teknisk spørgsmål. Den kan også være relevant for klassificering, dokumentation, risikovurdering og leverandørstyring.

Reguleringen gør ikke alle AI-systemer ens. Den arbejder med risikoniveauer og roller, for eksempel udbyder og bruger. En definition af AI er derfor kun første trin. Næste trin er at se på formål, brugergruppe, data, konsekvens og om systemet indgår i en højrisikosammenhæng.

Hvad er AI ikke?

AI er ikke det samme som enhver digital funktion, der virker avanceret. En søgefunktion, en formular, en beregningsregel eller en automatiseret e-mail er ikke nødvendigvis AI. Hvis systemet kun følger faste instruktioner uden modelbaseret inferens eller mønstergenkendelse, er det mere præcist at kalde det automatisering eller almindelig software.

AI er heller ikke det samme som menneskelig intelligens. Et AI-system kan løse enkelte opgaver meget effektivt uden at forstå formålet, konteksten eller konsekvensen på menneskelig vis. En sprogmodel kan producere flydende tekst uden at have egen erfaring. En billedmodel kan genkende objekter uden at forstå deres praktiske betydning.

Begrebet bør derfor ikke bruges som kvalitetsstempel. En løsning er ikke bedre, sikrere eller mere moderne, fordi den kaldes AI. Spørgsmålet er, om AI-metoden faktisk løser opgaven bedre end en enklere metode, og om de ekstra risici kan håndteres.

Hvordan vurderer du om en løsning reelt bruger AI?

Hvis du skal vurdere en softwareløsning, kan du begynde med en enkel teknisk og praktisk afklaring. Den bør handle om, hvad systemet modtager, hvordan outputtet dannes, og hvor meget menneskelig kontrol der er.

1. Beskriv inputtet: tekst, tal, billeder, lyd, dokumenter, sensordata eller brugerhandlinger.
2. Spørg, om outputtet dannes med faste regler eller med en model, der estimerer, klassificerer, rangerer eller genererer.
3. Afklar, om modellen er trænet på data, bruger eksterne modeller eller kombinerer flere datakilder.
4. Undersøg, om outputtet påvirker mennesker, økonomi, adgang, sikkerhed eller vigtige arbejdsprocesser.
5. Kontrollér, om der findes dokumentation for data, test, begrænsninger, logging, menneskelig gennemgang og fejlretning.

Hvis leverandøren kun beskriver løsningen med generelle AI-ord, men ikke kan forklare input, modeltype, output, træningsdata, begrænsninger eller kontrolmekanismer, bør du behandle AI-påstanden som uafklaret. Det er især relevant, når løsningen behandler persondata eller bruges via eksterne modeller. Her er databeskyttelse ved AI-API’er en del af den praktiske vurdering.

Hvilke begrænsninger følger med AI-definitionen?

AI-definitionen fortæller, hvad systemet er, men ikke om det er korrekt, sikkert eller egnet. Et system kan falde klart ind under en AI-definition og stadig være upræcist, skævt, usikkert eller dårligt dokumenteret. Derfor skal definitionen følges af test og risikovurdering.

Typiske begrænsninger er fejl i træningsdata, skæv repræsentation, manglende forklarlighed, modeldrift, sikkerhedsangreb, uklar ansvarsplacering og output, der lyder sikkert uden at være korrekt. Ved sprogmodeller og generativ AI er AI-hallucinationer en særlig relevant begrænsning, fordi systemet kan formulere forkerte oplysninger som sammenhængende tekst.

NIST beskriver tillidsværdig AI som en kombination af flere egenskaber, blandt andet validitet, pålidelighed, sikkerhed, robusthed, transparens, forklarlighed, privatlivsbeskyttelse og fairness. I praksis betyder det, at AI ikke kan vurderes alene på præcision. Du skal også vurdere, om systemet kan overvåges, forklares, begrænses og korrigeres i den konkrete brug.

Hvorfor har generativ AI ændret definitionen?

Generativ AI har gjort det nødvendigt at definere AI bredere end klassiske forudsigelser og anbefalinger. Tidligere handlede mange AI-eksempler om at klassificere, finde mønstre eller vælge næste handling. Generative modeller skaber derimod indhold, for eksempel tekst, billeder, lyd, video eller kode.

Det ændrer ikke kernen i AI-definitionen. Systemet modtager stadig input og genererer output gennem inferens. Men outputtet ligner ofte menneskeskabt kommunikation, og det kan derfor få større social og praktisk gennemslagskraft end en intern risikoscore eller en anbefaling i et system.

For sprogmodeller er NLP en vigtig del af forklaringen. Modellerne arbejder med sproglige mønstre, sammenhæng og sandsynlige fortsættelser. De kan være nyttige til udkast, klassifikation, opsummering og søgning i tekst, men deres output skal vurderes i forhold til formål, kildegrundlag og risiko.

Hvordan hænger data, model og kontekst sammen?

Et AI-system er ikke kun en model. Det består typisk af data, model, brugergrænseflade, integrationer, driftsmiljø, overvågning og menneskelige processer. Den samme model kan være lav risiko i en intern idéproces og højere risiko, hvis den bruges til afgørelser, screening eller automatiseret kommunikation med borgere, kunder eller medarbejdere.

Data bestemmer, hvilke mønstre systemet kan lære eller bruge. Modellen bestemmer, hvordan input omsættes til output. Konteksten bestemmer, hvad outputtet betyder. Derfor kan en teknisk korrekt AI-definition være utilstrækkelig, hvis den ikke kobles til formål, brugergruppe og konsekvens.

Når du vurderer AI i praksis, bør du derfor formulere tre spørgsmål: Hvilke data bruger systemet? Hvilken type model eller inferens danner outputtet? Hvem eller hvad påvirkes af outputtet? Svarene siger ofte mere om systemets reelle betydning end selve AI-mærkaten.

En AI-definition er mest nyttig, når den hjælper med at vælge den rigtige styring. I tekniske projekter kan den afgøre, om der skal bruges modeltest, datasporing, evalueringsdatasæt og løbende overvågning. I indkøb kan den afgøre, hvilke krav en leverandør skal dokumentere. I undervisning kan den hjælpe elever og studerende med at skelne mellem søgning, automatisering og generativt indhold.

Definitionen bør ikke bruges isoleret. Den bør føre til konkrete beslutninger: Hvem ejer systemet? Hvem godkender output? Hvilke fejl er acceptable? Hvilke data må bruges? Hvordan opdages bias eller drift? Hvornår skal mennesker overtage? Disse spørgsmål gør AI-begrebet operationelt i stedet for abstrakt.

Den mest robuste afgrænsning er derfor ikke en enkelt sætning, men en kombination af teknisk funktion og praktisk konsekvens. Kunstig intelligens defineres af inferens, output og autonomi, men vurderes ansvarligt gennem formål, data, kontrol og brugskontekst.

Hvilke kilder ligger til grund?

Definitionen bygger især på OECD’s AI Principles, EU AI Act i EUR-Lex, NIST AI Risk Management Framework og ISO/IEC 22989:2022 om AI-begreber og terminologi.