Är AI en fortsättning på tidigare teknologiska revolutioner, eller står vi inför något helt nytt? En ny akademisk studie från Ontario Tech University erbjuder ett oväntat svar: det är båda. Och för dig som projektledare är detta ramverk ovärderligt för att navigera förändringen.
Forskaren Masoud Makrehchi presenterar tre “linser” för att förstå AI: risk, transformation och kontinuitet. Ingen av dem är komplett ensam – men tillsammans ger de en praktisk karta för beslutsfattande.
Lins 1: Risk – AI som kärnteknologi
Den första linsen jämför AI med kärnteknologi. Inte fysiken, utan konsekvenserna. Båda teknologierna delar tre kritiska egenskaper:
Irreversibla risker: Vissa AI-beslut är “envägsdörrar” – automation som inte enkelt kan rullas tillbaka, autonoma agenter som agerar utan mänsklig tillsyn, eller generativa system som missbrukas för cyberattacker eller biologiska hot.
Dual-use-problemet: Samma modell som kan accelerera läkemedelsutveckling kan potentiellt användas för skadliga ändamål. Till skillnad från kärnteknologi, som kräver sällsynta material och komplex infrastruktur, sprids AI-modeller snabbt när vikterna släpps eller kunskapen läcker ut.
Opacitet: Moderna AI-system är ofta svarta lådor med emergenta beteenden – “unknown unknowns” i beslutsfattande och kausalitet.
Praktisk åtgärd: Behandla AI-projekt med högrisktillämpningar som säkerhetsprojekt. Bygg in tredjepartsgranskningar, incidentrapportering, red-teaming och tydliga ansvarskedjor från start. Fråga alltid: “Är detta en envägsdörr?”
Lins 2: Transformation – AI som industriell revolution
Den andra linsen placerar AI i samma kategori som ångmaskinen och elektriciteten: en ny “general-purpose technology” (GPT) som omformar produktivitet och arbetsmarknader.
Parallellerna med industrialiseringen är slående:
Automation och skala: Precis som mekanisering standardiserade produktion, skalar AI kognitiva uppgifter. Organisationer pressas att designa “AI-first”-arbetsflöden, på samma sätt som 1800-talets fabriker reorganiserade runt maskiner.
Deflation av kostnader: När en modell väl är tränad närmar sig marginalkostnaden för många kognitiva uppgifter noll. Översättning, sammanfattning, dokumentutkast och till och med programutveckling kan levereras till försumbar kostnad.
Skicklighetsförskjutning: Uppgifter, inte hela jobb, automatiseras. Efterfrågan skiftar mot roller som betonar omdöme, tillsyn, etik och tvärdisciplinär integration.
Barbell-effekten: Industrialiseringen urholkade mellansegmentet. Billiga massproducerade varor dominerade, medan endast premiumprodukter överlevde i toppskiktet. Samma dynamik syns nu i kunskapsarbete: AI commoditiserar medelklassdraftning och analys. Det som förblir knappt är smak, förtroende och djup kontextuell medvetenhet.
Praktisk åtgärd: Kartlägg vilka uppgifter i dina projekt som kan commoditiseras och vilka som kräver mänskligt omdöme. Konkurrera antingen på kostnadseffektivitet (låg ände) eller på skräddarsydd expertis och förtroende (hög ände). Mellansegmentet krymper.
Lins 3: Kontinuitet – AI som fjärde vågen
Den tredje linsen placerar AI i ett 50-årigt mönster av datarevoultioner: persondatorer, internet, mobil – och nu AI. Varje våg har utökat två axlar: vad som automatiseras och vem som får tillgång.
| Revolution | Automatiserade | Demokratiserade | Penetration |
|---|---|---|---|
| PC (1970–80-tal) | Databehandling | Beräkningskraft | ~10% mid-90s |
| Internet (1980–90-tal) | Informationsdelning | Informationsåtkomst | ~50% 2018 |
| Mobil (1990–2000-tal) | Personlig kommunikation | Konstant uppkoppling | >60% 2020 |
| AI (2020-tal) | Kunskapsbearbetning | AI-användning | Miljarder inom 1–2 år |
AI är den snabbast spridda teknologin i mänsklighetens historia. Generativa AI-system nådde hundratals miljoner användare inom ett till två år.
Praktisk åtgärd: Förvänta dig konsolidering på produktionsnivå (ett fåtal dominerande aktörer) och demokratisering på användarnivå. Investera i AI-utbildning för ditt team nu – kurvan är brantare än någonsin.
Fem tester för att spåra var vi befinner oss
Studien erbjuder fem praktiska tester för att avgöra om AI fortfarande är “normal vetenskap” eller om vi rör oss mot en singularitet:
- Prognostiserbarhetstestet: Om enkla skalningsmodeller fortsätter att förutsäga prestanda, är vi i normal-vetenskapsregimen. Plötsliga misslyckanden över domäner tyder på singularitet.
- Självförbättringsslingtestet: Bevis på att system väsentligt förbättrar sin egen träning utan mänsklig tillsyn indikerar diskontinuitet.
- Styrbarhetstestet: Om granskningar och red-teaming pålitligt minskar skador, förblir styrning hanterbar. Om skador skalas snabbare än tillsyn, stärks singularitetsdynamiken.
- Resursbegränsningstestet: Så länge beräkning, energi och data förblir begränsande faktorer, förblir AI bundet. Om syntetisk data och överflödig beräkningskraft tar bort flaskhalsar, är regimskifte möjligt.
- Socioekonomiska absorptionstestet: Om arbetsmarknader och utbildningssystem anpassar sig inom år, råder kontinuitet. Om de överväldigas inom månader, blir diskontinuitet mer sannolik.
Praktisk åtgärd: Använd dessa fem tester som tidiga varningsindikatorer i din omvärldsbevakning. Diskutera dem regelbundet i ledningsgruppen.
Vad detta betyder för dina projekt
Studien drar tre omedelbara slutsatser för praktiker:
1. AI kommer fortsätta att deflatera kostnaden för kognition. Förvänta dig genuina produktivitetsvinster, men också homogeniseringsrisker. Bygg verifieringsrutiner från dag ett.
2. Styrning är inte valfritt – det är den teknologi som gör AI säkert att skala. Behandla säkerhet, granskningar och ansvarskedjor som kärninfrastruktur, inte som tillägg.
3. Planera för båda scenarierna. De flesta AI-användningar idag – kodassistenter, kundtjänstautomation, analysverktyg – passar i normal-vetenskapsregimen och kan hanteras med etablerade verktyg. Men extrema tillämpningar kräver en svansrisk-playbook: kapabilitetströsklar, oberoende granskningar, stegvis utrullning och kill-switches.
Hur AI förändrar text och kunskap
En mindre uppenbar insikt från studien: AI förändrar inte bara hur vi producerar innehåll, utan hur vi läser och värderar information.
Från statiskt till interaktivt: Text blir ett system snarare än en monolog. Läsare förväntar sig att kunna ställa frågor till dokument, testa antaganden och begära motexempel.
Från tillit till verifiering: Läsare antar inte längre att text är korrekt. De förväntar sig källhänvisningar, osäkerhetsmarkörer och revisionsspår.
Från författare till systemdesigner: Skribenter spenderar mindre tid på att skriva och mer tid på att designa prompts, specificera begränsningar och verifiera sanningshalt.
Praktisk åtgärd: I projektdokumentation, bygg in proveniensmarkörer, källdokumentation och tydliga angivelser av vad som är AI-genererat respektive mänskligt granskat.
Slutsats: Både evolution och revolution
AI är varken en total brytpunkt eller bara inkrementell utveckling. Det är båda samtidigt: förutsägbart i sina medeleffekter, men med singularitetsklassade svansrisker.
Goda utfall är inte automatiska. De kräver att pro-innovationsstrategier kopplas till säkerhetsstyrning, att tillgång görs rättvis, och att AI förblir inbäddat i en mänsklig ordning av ansvar.
Som projektledare är din uppgift att navigera denna dubbla verklighet: dra nytta av produktivitetsvinsterna, men aldrig glömma att den teknik du implementerar kan vara både verktyg och risk.
Källa: “Three Lenses on the AI Revolution: Risk, Transformation, Continuity” av Masoud Makrehchi, Ontario Tech University, publicerad 13 december 2025.