AI's største effekt er ikke erstatning. Det er opkvalificering 1-1.

Andrew Ng lancerede i august 2026 LearnVector med 100 mio. USD fra Coursera, på præcis den tese vi selv var landet på: AI's største effekt på arbejdsstyrken er ikke erstatning, men opkvalificering 1-1. En personlig læringsagent til hver medarbejder, der lægger en vej sammen med dig, tilpasser sig hvordan du lærer, og bliver ved indtil du mestrer det.

LearnVector formulerer den økonomiske del skarpt. At god undervisning altid har været rationeret af pris, geografi og tid, var aldrig en kendsgerning om læring - det var en kendsgerning om økonomi. Vi har hele tiden vidst at én person med en god underviser lærer mere, og hurtigere, end den samme person i et lokale med to hundrede andre. Vi byggede lokalerne alligevel, fordi vi ikke kunne give hver enkelt sin egen underviser.

Der er en anden grund til at tage tesen alvorligt hos os: en agent der oplærer en medarbejder, er den mest tryghedsskabende agentiske anvendelse vi kender. Den tager ikke arbejdet fra nogen. Den gør nogen bedre til det.

Forbeholdet skal med. Ng er et anker, ikke evidens. Det er værd at bruge som ramme, at en af verdens mest kendte AI-folk satser 100 mio. USD på opkvalificering frem for erstatning - men LearnVector har intet produkt før tidligt 2027, og hjemmesiden er en marketingside. Tesen er framingen. Evidensen skal komme et andet sted fra.

En framing er ikke evidens. Den nærmeste evidens vi har, er ubehagelig - og den er værd at læse ordentligt, fordi den peger på et helt konkret designkrav.

Bastani m.fl. gav i 2024 knap tusind gymnasieelever adgang til GPT-4 i matematikundervisningen. Den ene gruppe fik fri adgang til modellen. Den anden fik en tutor-version med værn, der gav hints men ikke afslørede svaret. En tredje gruppe fik ingen adgang.

Mens modellen var der, gik det bedre for begge AI-grupper - omkring 48 % bedre på øvelserne med fri adgang, og omkring 127 % bedre med tutoren. Så blev modellen taget væk, og eleverne gik til eksamen alene. Gruppen med fri adgang klarede sig 17 % dårligere end kontrolgruppen. Gruppen med tutoren klarede sig som kontrolgruppen. Værnet fjernede stort set skaden.

Konklusionen er ikke at AI skader læring. Den er at en licens ikke er opkvalificering. Uden læringsdesign kan bred chatbot-adgang afkvalificere - ikke fordi modellen er dårlig, men fordi den er for god til at overtage tænkningen, og fordi det føles som at lære, mens det sker.

Designkonsekvensen står i koden frem for i en politik. UNDERVISER_SYSTEM har en eskaleringstrappe: mindste hint, større hint, og fuld forklaring først på tredje spørgsmål eller ved direkte anmodning. Bagefter bliver du bedt om at gengive forklaringen med dine egne ord. Klienten kan ikke sende en system-prompt - kunne den det, var værnet en forslagskasse.

Med én undtagelse, med vilje: rene opslag får direkte svar. Hvad et ord betyder, hvad en kommando hedder, hvor dokumentationen ligger. Værnet dækker tænkning, ikke information. Et værn der også nægter at oplyse, er bare irriterende, og irriterende værn bliver slået fra.

Kurset i AI-assisteret udvikling virker. Det skalerer ikke: tre undervisere, fysisk fremmøde, og en kursus-chat der er død ugen efter. Læringsagenter er skaleringsmekanismen. Kurset bliver kickoff, og agenten følger op 1-1 - ti minutter om dagen frem for to dage om året.

Det samme hul findes to andre steder. Onboarding: en ny medarbejder får en telefon, en computer og et spark ud i organisationen, og skal selv gætte hvad der er vigtigt at kunne først. Og de brede vidensarbejdere, der har fået en licens til en assistent, men ingen læringsvej. Det er det samme problem set fra to sider, og én læringsagent kan bære begge.

Den fjerde ting er lettest at overse: læring skal være daglig frem for lejlighedsvis. Et kursus er en begivenhed, og begivenheder glemmes. Ti minutter om dagen er en vane. Mellemrums-genkald giver i sig selv en grund til at komme igen i morgen - derfor har sitet hverken streaks eller badges. Ydre motivation fortrænger den indre, og et brudt streak får folk til at holde op i stedet for at fortsætte.

Kørt on-prem på Ohm kan agenten undervise i Energinets egen viden, på data der ikke må forlade huset. Det kan ingen ekstern læringsplatform, og det er ikke en teknisk detalje. Det er forskellen mellem at lære generisk infrastruktur og at lære hvordan vores eget driftsmiljø faktisk hænger sammen - inklusive det der kun står i et internt dokument, eller kun i hovedet på en kollega.

Timingen betyder noget. LearnVector og Coursera kommer med generiske læringsagenter tidligt 2027, og de bliver formodentlig bedre til generisk stof end noget vi selv bygger. Intern viden på interne data er vores felt alene - indtil da, og efter al sandsynlighed også bagefter.

Eksperimentet hvor en agent interviewer erfarne medarbejdere og finder mønstrene i deres praksis, er den første halvdel af noget større. Den anden halvdel er den samme agent: når den har fanget praksis, kan den oplære den næste medarbejder 1-1.

Fang ekspertviden, kvalitetssikr med den, oplær med den. Det er ét forløb frem for tre projekter, og det svarer samtidig på onboarding-hullet. Det er også den del der endnu ikke er bygget her: forløb er strengt private pr. bruger, og en underviser der har fanget en erfaren medarbejders praksis, kan ikke dele den videre.

Et fungerende demo, ikke et produkt. Det er værd at være præcis om hvad der er rigtigt, og hvad der er skruet ned.

Læringsmatematikken er rigtig, og den kører lokalt uden at spørge nogen model. Mellemrums-intervallerne er 1, 3, 7, 16, 35 og 70 dage. Flydende styrke og lagringsstyrke er to kolonner i databasen og to målere i UI'et, og de bliver aldrig lagt sammen til ét fremgangstal. Læsning kan hæve lagringsstyrken med højst 22 - genkald efter et mellemrum er det eneste sted den rigtigt stiger. Er gabet mellem de to over 45, hedder lektionen skrøbelig, og det står der i stedet for at blive pænt væk.

Indholdet kan være forudskrevet. Uden en API-nøgle - eller hvis modellen fejler - kører sitet i Demo-tilstand og svarer deterministisk fra forudskrevet materiale: interview, læringsplan, lektion med alle bloktyper, hint-samtale og læringsnotat. Hele flowet virker, og det er med vilje. Et demo-site der kan gå ned på en manglende nøgle, er ikke et demo. Er du i Demo-tilstand, står det diskret på skærmen.

Og så er der det der mangler, før det er mere end et demo: opslag og huskesedler skrives ikke automatisk endnu, læringsnotater kan afløses men bliver det ikke, interleaving er beskrevet i planlægningen men lektionsrækkefølgen er statisk, og der er ingen deling af forløb. Listen er ikke kortere end den ser ud, og den er ikke gemt væk.