Episoden undersøger først, hvordan klassifikationssystemer og infrastruktur fungerer som usynlige rammer i vores hverdag og arbejdsliv. Værterne gennemgår, hvordan faste administrative kategorier og standarder skaber uundgåelige skævheder ved at definere, hvad der bliver synligt og målbart, og hvad der falder udenfor som uregistrerede afvigelser. Som et konkret eksempel diskuteres dilemmaet ved at standardisere og digitalisere komplekst fagligt arbejde i sundhedssektoren, hvor registrering af sygeplejearbejde både kan give faglig anerkendelse og risikere at reducere kompleks praksis til bureaukratiske felter.

Derefter udvides perspektivet til at betragte algoritmer som levende kultur frem for lukkede tekniske bokse. Værterne viser, hvordan uformelle arbejdsgange, lokale skøn og medarbejderes praktiske optræden på skærmen – f.eks. i administrative forretningssystemer som SAP – løbende former det reelle datagrundlag, uden at disse aktiviteter fremgår af systemets formelle logfiler.

I episodens tredje del kastes der lys over de politiske filosofier og værdier, der er indbygget i digitale platforme. Gennem konkrete eksempler forklares det, hvordan søgemaskiner som Google prioriterer autoritet og citationer, sociale medier som Facebook vægter netværksrelationer og nærvær, mens platforme som Twitter fremhæver dagsordener og øjeblikkets opmærksomhed.

Afslutningsvis diskuteres det, hvorfor kritisk datadokumentation og tværfaglig indsigt er afgørende for organisationer, der ønsker at skabe reel datadrevet værdi uden at blive blinde for datagrundlagets usynlige antagelser.

The hosts explore how the drive to measure and optimize can inadvertently distort organizational priorities, creating proxies that measure easily countable behaviors rather than true value or wellbeing. The conversation details how algorithmic risk scoring and predictive metrics can obscure structural issues, shift responsibility onto individuals, and create feedback loops that reinforce existing biases, as illustrated by examples such as predictive risk modeling in municipal child welfare cases in Silkeborg Kommune and Hjørring Kommune.

Furthermore, the episode addresses the phenomenon of surveillance capitalism and behavioral tracking, analyzing how data metrics shape human behavior in both public institutions and private platforms. The hosts conclude by highlighting the critical need for ethical governance, domain expertise, and human judgment to balance quantitative metrics with contextual understanding, ensuring that data serves as a meaningful tool rather than a distorting lens.

Værterne stiller skarpt på det grundlæggende spændingsfelt mellem at anvende data i et klassisk styringsparadigme med fokus på kontrol, rapportering og faste nøgletal over for at bruge data som et eksplorativt lærings- og udviklingsværktøj. Med udgangspunkt i begrebet datafantasi belyses det, hvordan organisationer ved at arbejde langs datadiamantens forskellige akser kan anvende både strukturelle og ustrukturerede data til at afdække og gentænke komplekse organisatoriske problemstillinger. Dette illustreres med konkrete eksempler som undersøgelser af trivsel i Helsingør Kommune samt arbejdet med Smart City-initiativer og datarammer i Københavns Kommune.

Derudover drøftes det, hvordan ledelsen skal navigere i interne modstridende opfattelser af data og teknologi, samt hvordan sammenkoblingen af dyb fagekspertise og moderne teknologianvendelse kan skabe markante effektforbedringer i både kvalitet og produktivitet. Episoden afrundes med centrale læringspunkter for ledere, der ønsker at skabe reel forretningsmæssig og organisatorisk værdi gennem data.

Episoden stiller skarpt på det grundlæggende tekniske og matematiske spørgsmål om, hvordan computere og sprogmodeller genkender mønstre i ustrukturerede data. Værterne forklarer, hvordan tekst og data omdannes til talværdier og vektorer i flerdimensionale rum, hvor algoritmer beregner sandsynligheder og statistiske sammenhænge uden at besidde menneskelig forståelse. Derudover behandles den videnskabsteoretiske debat om teoriens rolle i dataalderen, hvor påstanden om, at store datamængder gør teoretiske modeller overflødige, udfordres. I stedet vises det, hvordan data og algoritmer fungerer som eksplorative undersøgelsesredskaber, der skaber produktiv dissonans og udfordrer organisationens eksisterende antagelser.

Sammenspillet mellem menneske og maskine belyses med fokus på opbygningen af velfungerende socio-tekniske systemer. Gennem princippet om at kombinere stærk fag- og domæneekspertise med kompetent AI-anvendelse vises det, hvordan organisationer kan opnå markante effektforbedringer i både kvalitet og produktivitet. Dette illustreres blandt andet med eksempler fra undersøgelser af trivsel i Helsingør Kommune. Afslutningsvis afdækkes de skjulte antagelser, klassifikationsvalg og utilsigtede skævheder, der ligger begravet i algoritmisk modeludvikling fra dataindsamling til fortolkning, samt vigtigheden af kritisk faglig refleksion.

Værterne undersøger først, hvordan klassifikationssystemer opstår, og hvilke konsekvenser det har, når virkeligheden presses ind i faste kasser. Hvad sker der med det arbejde eller de informationer, der ikke passer perfekt ind i systemerne? Gennem eksempler fra sundhedssektoren – blandt andet arbejdet med at skabe faste klassifikationer og standarder for sygepleje – belyses dilemmaet mellem at gøre usynligt arbejde synligt og målbart kontra risikoen for at reducere kompleks faglighed til bureaukratiske kategorier. Episoden gennemgår her fire tilgange til at opdage disse skjulte infrastrukturer ved at fokusere på systemernes skævheder, deres fysiske og digitale materialitet, deres historiske forudsætninger samt de kontroverser, der opstår, når systemerne svigter.

Derefter vendes blikket mod de algoritmer, der sorterer og prioriterer vores informationer. Værterne forklarer, hvordan algoritmer ikke blot er tekniske beregningsværktøjer, men indeholder indbyggede politiske filosofier og bestemte opfattelser af, hvad der er værdifuldt. Som eksempler diskuteres det, hvordan store digitale platforme som Google, Facebook og Twitter benytter vidt forskellige logikker – fra autoritet og citationer over socialt engagement til øjeblikkets aktuelle dagsordener – til at strukturere den information, vi møder.

Afslutningsvis drøftes det, hvordan man som fagperson kan forholde sig kritisk og konstruktivt til de underliggende antagelser i datamodeller. Lytteren får en dybere forståelse for, hvorfor arbejdet med data kræver mere end blot teknisk indsigt: Det kræver opmærksomhed på de valg, værdier og usynlige grænser, der ligger indlejret i moderne teknologiske systemer.

Værterne gennemgår de iboende ordningsprincipper, der styrer de store platforme, illustreret med eksempler som Googles fokus på autoritet og relevans, Facebooks prioritering af sociale relationer og nære netværk samt Twitters fremhævelse af dagsordener og meningsudvekslinger. Episoden belyser, hvordan disse teknologiske valg strukturerer vores adgang til viden og samfundsdebat.

Derudover udforskes alternative beregnings- og visualiseringsmetoder, herunder semantiske netværkskort og visuel datakortlægning. Værterne forklarer, hvordan man ved at eksperimentere med alternative algoritmiske designprincipper kan skabe stærke topologier, der gør det muligt at opdage strukturelle udelukkelser, oversete perspektiver og nuancerede fagområder, som konventionelle popularitetskonkurrencer usynliggør. Afslutningsvis diskuterer værterne, hvordan viden om algoritmers politiske logik understøtter en mere bevidst, kritisk og værdifuld anvendelse af data i både offentlige og private organisationer.

Værterne starter med at afmystificere, hvad der reelt sker under træningen af en AI-model. De gennemgår kredsløbet mellem parametre, tabsfunktioner, backpropagation og optimeringsalgoritmer som gradient descent. Der stilles desuden skarpt på den vigtige skelnen mellem fire fundamentale begreber: træning, validering, test og inferens, herunder hvorfor hurtig eller realtidsbaseret inferens ikke må forveksles med løbende eller kontinuerlig træning.

Derefter udforskes den historiske og faglige udvikling i netværksarkitekturer. Episoden dækker Frank Rosenblatts perceptron fra 1950'erne og dens lineære begrænsninger, opgavespecifik deep learning som konvolutionelle neurale netværk (CNN) og forstærkningslæring med Deep Q-networks. Værterne forklarer overgangen fra dyre mærkede datasæt til selv-superviseret læring gennem modeller som Word2vec og BERT, samt generative tilgange som GANs, diffusionsmodeller og multimodal træning som CLIP.

Lytteren får også indsigt i processen med eftertræning, herunder superviseret finjustering og reinforcement learning from human feedback (RLHF), som former rå grundmodeller til reelle assistenter. Episoden rundes af med en fokuseret gennemgang af nyere world models, der evner at repræsentere og forudsige dynamiske miljøer og handlinger, illustreret med enkelte eksempler på teknologier fra aktører som DeepMind og NVIDIA.

Afslutningsvis perspektiveres der til 10 til 100-princippet som ledetråd for, hvordan kombinationen af fagekspertise og optimal AI-anvendelse kan løfte både produktivitet og kvalitet i en datadrevet organisation.

Diskussionen dækker en bred række af de muligheder og faldgruber, der opstår, når organisationer og fagpersoner forlader sig på datadrevne modeller. Værterne gennemgår blandt andet, hvordan mønsterigenkendelse bruges succesfuldt i e-handel som eksempelvis Amazon til tilpassede anbefalinger, men også hvordan anvendelse af historiske data kan skabe alvorlige blinde vinkler. Som eksempel belyses det, hvordan algoritmisk risikovurdering i kommunale børnesager kan indbygge aldersmæssig bias og skabe selvopfyldende profetier, hvis softwaren blindt vægter fortidens mønstre uden hensyntagen til børnenes reelle situation.

Derudover sætter episoden fokus på fænomenet automation bias – faren for, at fagpersoner som eksempelvis jurister eller sagsbehandlere udviser blind tillid til AI-genererede svar og dermed slukker for deres egen kritiske sans.

Afslutningsvis præsenteres et strategisk pejlemærke for arbejdet med datadrevet forretningsudvikling: 10-til-100-princippet. Her vises det, hvordan ibrugtagning af AI i sig selv kan give beskedne effektiviseringer på omkring 10 %, men at det først er i krydsfeltet mellem dyb domæneindsigt og stærke kompetencer i AI-anvendelse, at man kan frigøre produktivitets- og kvalitetsløft på over 100 %. Lytterne får dermed en klar forståelse for, hvorfor kritisk sans og faglig sparrepartner-rolle er uundværlig, når algoritmer integreres i komplekse beslutningsprocesser.

Episoden afdækker først de væsentlige forskelle mellem klassisk maskinlæring og deep learning. Du får en gennemgang af, hvordan maskinlæring arbejder med strukturerede data og enklere algoritmetyper som lineære modeller og beslutningstræer, mens deep learning udnytter flerlagede neurale netværk til at behandle store mængder ustrukturerede data. Værterne belyser også de datamæssige og ressourcemæssige overvejelser, der afgør, hvornår man bør vælge den ene teknologi frem for den anden.

Derefter gennemgås de centrale læringsprincipper i dybden:

* Superviseret læring: Læring ud fra kendte facit (labels) til klassifikation og regression, samt hvorfor prøvning på usete data er afgørende for at undgå overtilpasning.
* Ikke-superviseret læring: Identifikation af strukturer, grupper og afvigelser i data uden facit via clustering og anomalidetektion.
* Halv-superviseret og aktiv læring: Metoder til at optimere modeltræning, når mærkede data er knappe eller omkostningstunge.
* Forstærkningslæring: Hvordan handlende systemer opbygger en optimal strategi over tid baseret på belønninger og omkostninger.

De faglige begreber illustreres undervejs med praktiske eksempler fra hverdagen, herunder eksempler som automatisk sortering af supporthenvendelser i en virksomhed samt registrering af usædvanlig sensordrift på et kølelager.

Episoden giver en helhedsorienteret forståelse af, hvordan man matcher det rette læringsprincip med den konkrete opgave og datadisciplin.

Episoden belyser, hvorfor persondataret ikke blot er en juridisk tjekliste, men det helt centrale fundament for organisatorisk ansvarlighed, sund datakultur og en succesfuld anvendelse af kunstig intelligens. Episoden indledes med et historisk tilbageblik på udviklingen i databeskyttelse – fra EU's databeskyttelsesdirektiv i 1995 og den danske persondatalov fra 2000 til vedtagelsen og ikrafttrædelsen af GDPR og den supplerende danske databeskyttelseslov i 2018\. Værterne gennemgår de syv grundlæggende principper for databehandling, med særligt fokus på formålsbegrænsning, dataminimering, opbevaringsbegrænsning og princippet om ansvarlighed, som kræver, at ledelsen proaktivt kan dokumentere sin compliance i praksis. 

Derudover stilles der skarpt på de seks lovlige behandlingsgrundlag, hvor det nuanceres, hvorfor samtykke ikke altid er den mest hensigtsmæssige vej sammenlignet med kontraktuel nødvendighed, retlig forpligtelse eller legitime interesser. Organiseringen af databeskyttelsesarbejdet gennemgås grundigt, herunder ansvarsfordelingen mellem den dataansvarlige og databehandleren, kravene til databehandleraftaler samt den uafhængige rådgivnings- og tilsynsrolle som databeskyttelsesrådgiver (DPO). Særligt for den danske kontekst belyses håndhævelsen og organiseringen omkring Datatilsynet. 

Værterne forklarer, hvorledes bøder i Danmark idømmes som strafferetlige sanktioner ved domstolene efter politianmeldelse fra Datatilsynet. I den forbindelse inddrages konkrete sager som eksempler – blandt andet ILVA A/S vedrørende manglende sletteprocedurer og Hørsholm Kommune vedrørende manglende teknisk kryptering af hardware – for at illustrere, hvordan organisatoriske instrukser og tekniske sikkerhedsforanstaltninger skal understøtte hinanden i dagligdagen. 

Afslutningsvis perspektiveres der til det nyere digitale regelsæt i EU, herunder samspillet med AI Act, Data Act og cybersikkerhedskrav. Værterne understreger, hvordan ordentlig datastyring og efterlevelse af GDPR udgør en uomgængelig forudsætning for at kunne træne og anvende AI-modeller ansvarligt, sikre datakvalitet og skabe reel forretningsmæssig værdi på et oplyst grundlag.

Digitalisering handler om den tekniske konvertering af analog information til binær kode (0'er og 1'ere). Dataficering dækker derimod over den dybere transformation, hvor handlinger, kropsstillinger, relationer og sociale fænomener omdannes til et kvantificeret, søgbart og analyserbart format. Episoden belyser, hvordan dataficering historisk har eksisteret uafhængigt af digitale computere, men hvordan moderne digital teknologi fungerer som en katalysator, der mangedobler hastigheden og omfanget af denne kvantificering.

Derudover undersøges rejsen fra en historisk kontekst, hvor data primært blev indsamlet "oppefra" af offentlige og akademiske autoriteter gennem kontrollerede stikprøveundersøgelser og dybdegående interviews, til en nutidig distribueret data-økologi. I dag opsamles enorme datamængder kontinuerligt "nedefra" som digitale biprodukter af hverdagens rutinemæssige transaktioner – fra GPS-bevægelser og købshistorik til digitale interaktioner.

Denne udvikling har udløst en empirisk krise for traditionelle evidensautoriteter, som i stigende grad oplever, at de ikke længere har monopol på at definere sandheden eller besidde de mest omfattende datasæt. Episoden gennemgår, hvordan private aktører og lukkede algoritmer overtager definitionsmagten, samt hvorfor der er behov for en ny og aktiv metodepolitik til at navigere i det nye datalandskab.

Værterne gennemgår de tre klassiske etiske rammeværker - utilitarisme, deontologi og dydsetik - og viser, hvordan de giver forskellige svar på svære teknologiske dilemmaer. Herefter udvides perspektivet med datafeminismens analytiske linse for at undersøge, hvordan algoritmer enten kan cementere eller udfordre eksisterende magtstrukturer i samfundet. 

Episoden dykker ned i konkrete tekniske og praksisnære faldgruber, herunder: 
* Interpretability vs. Traceability: Hvorfor der er brug for fuld datalinje (data lineage) for at kunne spore modeloutputs tilbage til kilden. 
* Data Cascades: Hvordan nedprioritering af datarensning og datamarkering fører til systemiske tekniske svigt downstream. 
* Bias og stokastiske papegøjer: Hvordan sprogmodeller og billedgeneratorer risikerer ukritisk at reproducere indbyggede fordomme om køn, race og religion. 
* Modellers usikkerhed: Udfordringen ved, at AI-modeller mangler evnen til at angive deres konfidensniveau, hvilket øger risikoen for hallucinationer. 
* Menneskelige og miljømæssige omkostninger: De ofte skjulte følger af AI-udvikling, som for eksempel datacentres massive energiforbrug og vandforbrug samt brug af underbetalt arbejdskraft til indholdsmoderering. 

Undervejs inddrages enkelte konkrete eksempler, såsom moderationsarbejde udført i Kenya, ansættelsesalgoritmer hos Amazon samt datacentres strømforbrug, der illustrerer de globale og menneskelige konsekvenser ved AI-infrastruktur. 

Afslutningsvis præsenteres strategiske anbefalinger til, hvordan organisationer kan arbejde mere ansvarligt med AI - blandt andet gennem tværfaglig rekruttering, red-teaming, implementering af usikkerhedsmetrikker og præventiv evaluering af modeller før udrulning.

Værterne gennemgår de grundlæggende mekanismer i store sprogmodeller, herunder arbejdet med tokens, det matematiske rum latent space og den statistiske sandsynlighedsberegning af det næste ord i en sekvens. Der sættes et særligt kritisk lys på fænomenet hallucinationer, og hvorfor sprogmodeller er optimeret til sproglig sammenhæng og flydende formuleringer snarere end faktuel sandhed og dokumentation.

Desuden udforskes teknologierne bag billedgenerering og diffusionsmodeller, der former motiver ved gradvist at fjerne matematisk støj fra et kaotisk udgangspunkt. Værterne diskuterer, hvordan sprog og visuelle træk kobles sammen, og berører algoritmisk bias, kulturelle standarder samt forskelle i modellers designfilosofi og moralske filter. Undervejs inddrages enkelte eksempler som Stable Diffusion, DALL-E 2, CLIP og LAION-5B for at illustrere, hvordan enorme datamængder og tekniske valg former teknologiens output. Afslutningsvis belyses de organisatoriske og læringsmæssige konsekvenser ved anvendelsen af AI. 

Værterne fremhæver behovet for kildekritisk efterprøvning, faglige valideringsprocedurer og fastholdelsen af det menneskelige ansvar for beslutningsgrundlag. Der sættes ligeledes fokus på den afgørende forskel på at anvende teknologi til at frembringe et velformuleret resultat og reelt selv at have opnået dyb faglig forståelse af stoffet.

Værterne drøfter de særlige rolledynamikker og magtforhold, der opstår ved interviews med ledere og nøglepersoner i organisationer, og hvorfor uformelle samtaler kræver en metodisk og gennemskuelig tilgang for at kunne danne et pålideligt empirisk fundament. Derudover behandles koblingen mellem kvalitative data og digitale systemer, herunder hvordan transaktionsspor og logdata anvendes som indikatorer for menneskelig adfærd, og hvordan valg i dataindsamling og datarensning påvirker det endelige analysegrundlag.

Afslutningsvis runde episoden af med at perspektivere til, hvordan organisationer ved at kombinere stærk faglig domæneindsigt med strukturerede datametoder og ny teknologi kan opnå væsentlige forbedringer i både kvalitet og produktivitet.

Gennem episoden gennemgås forskellen på stærk og svag AI samt de iboende begrænsninger ved at benytte historiske data som objektiv sandhed, det såkaldte Ground Truth. Værterne følger AI-modellens livscyklus i fem stadier – fra opgavedefinition og dataindsamling til datarensning, modelvalg og udrulning. Det forklares indgående, hvordan menneskelige fravalg, usynliggørelse af residualkategorier og håndtering af tavs viden uundgåeligt påvirker modellernes resultater. 

Derudover afdækkes det vigtige skel mellem statistisk bias og reel digital diskrimination. Episoden belyser, hvordan tekniske skævheder udmønter sig i praksis, med eksempler på erfaringer fra virksomheder og platforme som Amazon inden for automatiseret rekruttering, Microsoft i arbejdet med chatbots, Facebook ved billed- og tekstanalyse samt Cambridge Analytica i forbindelse med granulær adfærdsprofilering. 

Afslutningsvis drøftes metoder til måling og auditering af algoritmiske skævheder via både procedurelle og relationelle tilgange. Værterne behandler faldgruberne ved proxy-variabler og såkaldt blindhed over for beskyttede data, og de peger på intersectionality samt princippet om value-accountability-by-design som afgørende forudsætninger for fremtidens ansvarlige databrug.

Som eksempler berøres det, hvordan globale virksomheder som Amazon og Walmart anvender datakorrelationer til henholdsvis anbefalingssystemer og logistik, samt hvordan algoritmiske risikoscorer har været afprøvet i danske kommuner som Silkeborg og Hjørring til at støtte socialrådgiveres vurderinger i børne- og ungesager. Derudover sættes der fokus på de etiske og faglige faldgruber ved datadreven styring. 

Værterne behandler udfordringer som aldersbias og algoritmisk forstærkede blinde vinkler, hvor historiske skævheder i datagrundlaget risikerer at gentage fortidens fejl eller skabe selvopfyldende profetier. Episoden fremhæver afslutningsvis den afgørende betydning af en velfungerende menneske-maskine-forhandling, hvor menneskelig faglighed, intuition og lokalkendskab fungerer som en nødvendig modvægt til algoritmens tal og beregninger.

Episoden belyser, hvordan data altid udgør en menneskeligt skabt og ufuldstændig abstraktion af virkeligheden, hvilket stiller høje krav til kvaliteten og præcisionen i de valgte attributter. Derudover gennemgås informationsarkitekturens usynlige rygrad – metadata. Du får en indføring i, hvordan kontrollerede vokabularer, thesauri og ontologier skaber struktur og sammenhæng på tværs af databaser, samt hvorfor princippet om entydig identifikationsstruktur er afgørende for moderne datastyring. Episoden tager også et praktisk kig på arbejdsgangen i dataprojekter med afsæt i CRISP-DM-modellen. 

Værterne drøfter, hvorfor op mod 80 procent af arbejdet går med dataforberedelse, fejlretning af tegnkoder og integration af semi-strukturerede data som JSON og web-API'er. Emnet perspektiveres med enkelte eksempler fra virkeligheden, blandt andet Walmarts brug af datamønstre til optimering af lagerstyring samt Moneyball-tilgangen til præstationsanalyse i professionel sport. Afslutningsvis rettes blikket mod nyere teknologiske løsninger som syntetisk datagenerering. 

Her forklares det, hvordan AI-genererede data kan løse kritiske udfordringer i forbindelse med privatlivsbeskyttelse, datasparsomhed og etiske hensyn ved træning af nye modeller. Episoden henvender sig til alle, der ønsker en dybdegående faglig forståelse af datasammenhænge, datakvalitet og den metodiske proces bag succesfulde datadrevne projekter.

Værterne undersøger de fundamentale modsætninger i, hvordan forskellige aktører i en organisation forstår og anvender data. På den ene side står et eksperimenterende syn, hvor data betragtes som en fri ressource til agil innovation, realtidsmålinger og åbne løsninger. På den anden side står driftsorganisationens perspektiv, hvor data opfattes som følsomme, strategiske og politiske aktiver, der kræver dyb kontekstuel viden for at opretholde tillid og forhindre fejlfortolkninger ved dekontekstualisering. 

Dette spændingsfelt belyses blandt andet gennem eksempler fra kommunal forvaltning af Smart City-initiativer, herunder styring af affaldssystemer og trafikmålinger. Derudover dykker episoden ned i dataficeringens mekanismer, og hvordan organisationer opdeler information om individer i uforanderlige attributter og adfærdsbaserede handlinger. Værterne diskuterer de etiske implikationer ved at anvende digitale spor – med eksempler som registrering af WiFi-netværksaktivitet på uddannelsesinstitutioner som proxy for fysisk tilstedeværelse og engagement. Når prædiktive modeller og nudging udelukkende fokuserer på individuel adfærd, risikerer organisationen uforvarende at forskyde ansvaret for succes eller fiasko over på den enkelte borger eller studerende, mens bagvedliggende systemiske uligheder usynliggøres. 

Episoden giver dermed en dybdegående indføring i, hvorfor datadrevet ledelse kræver et kritisk blik på datakonstruktion, proxy-målinger og organisatoriske magtdynamikker frem for blind tillid til automatiserede dashboards.

Episoden tager afsæt i en kritisk analyse af overvågningskapitalismen som en ny økonomisk logik. Værterne gennemgår, hvordan menneskelig erfaring i stigende grad udnyttes som gratis råmateriale og omdannes til adfærdsmæssige forudsigelser og kommercielle produkter. I den forbindelse belyses begrebet instrumentarisme og automatiserede systemers evne til at forme menneskelig adfærd uden direkte samtykke.

Derudover udfordres den gængse opfattelse af kunstig intelligens som en autonom eller magisk teknologi. Værterne argumenterer for at forstå AI som komplekse socio-tekniske systemer, hvor organisatoriske valg, ansvar og infrastrukturelle afhængigheder skal placeres hos menneskelige aktører. Begreber som teknologiske hallucinationer analyseres som reelle produktfejl og systemiske svagheder frem for uforklarlige fænomener.

Et andet centralt emne i episoden er digital suverænitet og de geopolitiske risici ved udbredt afhængighed af få dominerede cloud-leverandører. Værterne drøfter faren ved vendor lock-in og behovet for at sikre kritisk datainfrastruktur under europæisk kontrol.

Afslutningsvis stiller episoden skarpt på den praktiske implementering af AI i både den offentlige og private sektor. Værterne fremhæver skiftet væk fra sensationsdrevne eksperimenter og hen mod realistiske, administrative løsninger – den såkaldte kedelige AI, der skaber reel værdi. Episoden afdækker de primære barrierer for succesfuld ibrugtagning: juridiske rammer, datakvalitet og ældre it-infrastruktur, samt behovet for styrket demokratisk tilsyn og regulering af afhængighedsskabende platformskonstruktioner.

I løbet af episoden inddrages enkelte konkrete eksempler, herunder virksomheder som Google og Microsoft i forhold til infrastruktur og dataindsamling fra smarte enheder, samt EU-regulering og håndhævelsesudfordringer belyst ved eksempler fra Irland.

I den forbindelse belyses begrebet instrumentarisme og automatiserede systemers evne til at forme menneskelig adfærd uden direkte samtykke. Derudover udfordres den gængse opfattelse af kunstig intelligens som en autonom eller magisk teknologi. Værterne argumenterer for at forstå AI som komplekse socio-tekniske systemer, hvor organisatoriske valg, ansvar og infrastrukturelle afhængigheder skal placeres hos menneskelige aktører. Begreber som teknologiske hallucinationer analyseres som reelle produktfejl og systemiske svagheder frem for uforklarlige fænomener. 

Et andet centralt emne i episoden er digital suverænitet og de geopolitiske risici ved udbredt afhængighed af få dominerede cloud-leverandører. Værterne drøfter faren ved vendor lock-in og behovet for at sikre kritisk datainfrastruktur under europæisk kontrol. Afslutningsvis stiller episoden skarpt på den praktiske implementering af AI i både den offentlige og private sektor. Værterne fremhæver skiftet væk fra sensationsdrevne eksperimenter og hen mod realistiske, administrative løsninger – den såkaldte kedelige AI, der skaber reel værdi. 

Episoden afdækker de primære barrierer for succesfuld ibrugtagning: juridiske rammer, datakvalitet og ældre it-infrastruktur, samt behovet for styrket demokratisk tilsyn og regulering af afhængighedsskabende platformskonstruktioner. I løbet af episoden inddrages enkelte konkrete eksempler, herunder virksomheder som Google og Microsoft i forhold til infrastruktur og dataindsamling fra smarte enheder, samt EU-regulering og håndhævelsesudfordringer belyst ved eksempler fra Irland.

Vi ser nærmere på de tre centrale dimensioner af Big Data – datamængde (volume), hastighed (velocity) og variation (variety) – og hvordan evnen til at håndtere ustrukturerede data i realtid ændrer måden, virksomheder styrer deres drift og forudser fremtiden på. Episoden belyser blandt andet konkrete eksempler på, hvordan realtidsdata fra mobiltelefoner kan bruges til at estimere kundestrømme i detailhandlen (som hos Macy's), og hvordan præcise sporingsdata kan optimere ankomsttider inden for luftfart.

Udover de praktiske og strategiske aspekter dykker vi ned i den dybere forståelse af, hvad data egentlig udgøres af: fra primære registreringer og metadata til afledte mønstre. Vi diskuterer også det nødvendige opgør med den traditionelle ledelseskultur, hvor den højeste lønning ofte har haft det sidste ord, og hvorfor domæneekspertise og kritisk tænkning er vigtigere end nogensinde før for at stille de rigtige spørgsmål og omsætte analyserne til reel forretningsværdi.