Bias i AI: Udfordringer og konsekvenser

Array

Dette er første del af serien ”Bias i AI”, hvor jeg vil se nærmere på bias, hvad er det og hvilke konsekvenser har det. Du kan læse alle artiklerne her. 

TL;DR: Fire hovedpointer

• Bias i AI kan manifestere sig gennem træningsdata, algoritmedesign og menneskelige faktorer, hvilket kan føre til diskriminerende resultater og forstærkning af eksisterende uligheder.
• Tekniske, etiske og juridiske udfordringer ved at adressere bias i AI inkluderer identifikation og korrektion af bias, balancen mellem fairness og nøjagtighed, samt udvikling af passende lovgivningsmæssige rammer.
• Ansvarlig AI-udvikling kræver en multifacetteret tilgang, herunder mangfoldighed i træningsdata, interdisciplinært samarbejde, og stærk AI governance for at sikre fairness og retfærdighed.
• Fremtiden for arbejdet med at minimere bias i AI lover innovative løsninger men kræver også en vedvarende indsats, etisk og ansvarligt engagement, samt en vilje til at skabe en mere inkluderende digital fremtid.

Kunstig intelligens (AI’s) evne til at analysere enorme datamængder, lære af mønstre og træffe beslutninger med en hastighed og præcision, der ofte overstiger menneskelig kapacitet, har åbnet døre til utallige innovationer og forbedringer i næsten alle aspekter af det moderne samfund. Fra sundhedspleje, hvor AI hjælper med at diagnosticere sygdomme mere præcist, til finanssektoren, hvor den forudsiger markedstendenser, spiller AI en afgørende rolle i at drive fremskridt og effektivitet.

Men med stor magt følger også et stort ansvar. Et centralt aspekt, der kræver vores opmærksomhed, er problemet med bias i AI-systemer. Bias refererer til systematiske skævheder eller fordomme, som kan snige sig ind i AI-modeller gennem de data, de trænes på, den måde, de er programmeret på, eller de kontekster, de anvendes i. Disse skævheder kan resultere i uretfærdige, diskriminerende eller fejlagtige resultater, som kan have alvorlige konsekvenser for enkeltpersoner og samfund som helhed. Fx kan en ansøgningsscreeningsalgoritme favorisere kandidater fra en bestemt baggrund, eller en ansigtsgenkendelsesteknologi kan have lavere nøjagtighed for visse demografiske grupper.

At adressere bias i AI er ikke kun en teknisk udfordring, men også en etisk nødvendighed. For at sikre, at de fordele, AI bringer, er tilgængelige for alle og ikke forstærker eksisterende uligheder, må vi aktivt arbejde mod at identificere, forstå og eliminere bias. Ved at gøre dette kan vi fremme en fremtid, hvor AI-teknologier tjener hele samfundets bedste, opbygger tillid og sikrer retfærdighed og inklusion.

Da debatten om bias i AI for alvor tog fart, handlede den især om beslutningsalgoritmer, der blev brugt til ansættelser, kreditvurderinger, ansigtsgenkendelse og prædiktivt politiarbejde. I dag møder langt de fleste mennesker AI gennem generative systemer som ChatGPT, Claude, Gemini og Copilot.

Det har ændret både omfanget og karakteren af bias. Tidligere var spørgsmålet ofte, om en algoritme diskriminerede bestemte grupper. I dag handler det også om, hvordan AI fremstiller verden, hvilke perspektiver den fremhæver, hvilke kilder den bygger på, og hvilke svar den vælger ikke at give.

De grundlæggende mekanismer bag bias er de samme, men konsekvenserne rækker nu langt ud over automatiserede afgørelser og påvirker i stigende grad den måde, mennesker søger information, lærer og træffer beslutninger på.

Grundlæggende om bias i AI

For at navigere i diskussionen om bias i AI, er det afgørende først at forstå, hvad jeg mener med “bias” i denne kontekst. Inden for AI refererer bias til en systematisk skævhed i de data eller algoritmer, der anvendes, hvilket fører til partiske resultater. Disse skævheder kan manifestere sig i mange former og har potentiale til at påvirke beslutninger og forudsigelser, som AI-systemer foretager, ofte på måder, der kan være skadelige eller uretfærdige overfor specifikke grupper eller individer.

I kernen af ethvert AI-system er algoritmer, der træner på datasæt for at lære og træffe beslutninger. Når disse datasæt indeholder skævheder, eller algoritmerne behandler information på en skævvreden måde, kan det resultere i bias i output. Dette kan være alt fra en ansøgningsbehandlingsalgoritme, der favoriserer visse demografiske grupper, til en billedgenkendelsesteknologi, der fejler ved at identificere objekter på baggrund af hudfarve.

Bias i AI kan typisk spores tilbage til tre hovedkilder: datakilder, algoritmedesign og menneskelige faktorer. Det mest fremtrædende ophav til bias er de data, AI-systemerne træner på. Hvis et datasæt ikke præcist repræsenterer den mangfoldighed af den virkelige verden eller indeholder historiske fordomme, vil AI-systemet sandsynligvis reproducere eller endog forstærke disse skævheder i sine output. Et eksempel herpå er brug af historiske ansættelsesdata til at træne en AI for at screene jobansøgninger, hvilket kan føre til gentagelse af tidligere ansættelsesbias.

Selv med neutrale og velbalancerede data, kan den måde, en algoritme er designet og implementeret på, introducere bias. Dette kan ske, når algoritmens designere ubevidst indkoder deres egne fordomme eller antagelser i algoritmen, eller når algoritmen prioriterer visse typer af præcision over andre, hvilket kan føre til diskriminerende resultater.

Endelig spiller de mennesker, der udvikler, træner og anvender AI-systemerne, en afgørende rolle i indlejringen af bias. Menneskelige fordomme og antagelser kan snige sig ind i alle faser af AI-udviklingsprocessen, fra initial datasamling til endelig anvendelse af AI-systemet. Uden bevidst indsats for at anerkende og korrigere for disse menneskelige faktorer, er risikoen for at reproducere eksisterende sociale og kulturelle bias stor.

I moderne generative AI-systemer opstår bias desuden gennem hele modellens livscyklus. Træningsdata suppleres med menneskelig feedback, sikkerhedsmekanismer, systeminstruktioner og valg af eksterne datakilder. Bias kan derfor ikke længere forstås alene som et spørgsmål om datasæt, men som et resultat af en række tekniske og menneskelige designvalg.

Typer af bias

For at tackle bias i AI effektivt, er det nødvendigt at forstå de forskellige former, det kan antage. Generelt kan bias i AI klassificeres i tre hovedkategorier: data bias, algoritmisk bias, og samfundsmæssig/kulturel bias. Hver type har sine egne karakteristika og udfordringer, hvilket kræver specifikke tilgange for at identificere og minimere deres indvirkning.

Data bias opstår, når de datasæt, der bruges til at træne AI-systemer, ikke er repræsentative for den virkelighed, de skal operere i, eller når de indeholder forudindtagede fordomme. Denne type bias kan manifestere sig på flere måder, herunder:

Hvis et datasæt ikke afspejler den demografiske sammensætning af den befolkning, det er ment til at tjene, kan det føre til systemer, der fungerer dårligere for visse grupper. Et klassisk eksempel er ansigtsgenkendelsesteknologi, der trænes på datasæt domineret af billeder af personer med lys hudfarve, hvilket resulterer i lavere nøjagtighed for personer med mørkere hud.

Datasæt baseret på historiske data kan indkapsle tidligere samfundsmæssige forudindtagetheder og uligheder. For eksempel kan AI-modeller, der bruges til at forudsige kriminel opførsel baseret på tidligere arrestationsdata, reproducere og forstærke eksisterende diskrimination i retssystemet.

Selv med perfekt afbalancerede og repræsentative data, kan bias indlejres i måden, en AI-algoritme er designet og implementeret på. Algoritmisk bias refererer til bias, der opstår fra selve modellens struktur eller de beslutningsprocesser, den anvender, herunder:

Beslutninger truffet under udviklingen af AI-modeller, såsom valg af funktioner eller beslutningstræer, kan favorisere visse udfald eller grupper.

– Optimeringsmål: Algoritmer optimeret for at maksimere specifikke målinger (f.eks., nøjagtighed) kan overse vigtigheden af fairness eller ligelighed blandt forskellige grupper.

Samfundsmæssig/kulturel Bias refererer til de bredere sociale og kulturelle fordomme og stereotyper, der kan blive indlejret i AI-systemer, enten gennem de data de træner på, eller de mål, de er designet til at opnå. Samfundsmæssig/kulturel bias afspejler ofte dybere liggende uligheder eller opfattelser i samfundet, såsom kønsstereotyper eller socioøkonomisk bias.

AI-systemer kan uforvarende komme til at forstærke stereotyper, f.eks., ved at tildele køns- eller etniske stereotyper til bestemte jobroller eller aktiviteter.

AI-baserede beslutningssystemer kan favorisere individer fra visse socioøkonomiske baggrunde, hvilket skaber uligheder i adgangen til tjenester som lån, sundhedspleje, og uddannelse.

En voksende kategori er bias i generative AI-modeller. Her handler bias ikke nødvendigvis om diskriminerende beslutninger, men om hvordan modellen beskriver personer, fremstiller historiske begivenheder, vælger eksempler eller prioriterer bestemte perspektiver. To brugere kan få forskellige indtryk af det samme emne afhængigt af prompt, kontekst og modellens sikkerheds- og styringsmekanismer.

Eksempler på bias

Bias i AI-systemer har vist sig i mange forskellige domæner, hvilket har rejst bekymring for de potentielle skadelige konsekvenser for individer og samfundet som helhed. Her er nogle konkrete eksempler, der illustrerer, hvordan bias i AI kan manifestere sig:

AI’s evne til at forudsige sygdomme og assistere i diagnostiske processer kan blive skævvredet, når datasættene, der træner disse algoritmer, underrepræsenterer visse befolkningsgrupper. For eksempel har computer-assisterede diagnose (CAD) systemer vist sig at have lavere nøjagtighed for afroamerikanske patienter sammenlignet med hvide patienter.

AI-teknologier anvendt til at screene CV’er og ansøgninger kan føre til diskriminerende resultater, hvis de trænes på data, der reflekterer eksisterende skævheder i arbejdsmarkedet. Et bemærkelsesværdigt eksempel involverede en AI-model, som udviklede en bias mod kvinder, fordi den blev trænet på historiske ansættelsesdata, der favoriserede mænd.

Anvendelsen af AI i retssystemet, især i forbindelse med prædiktiv politiarbejde, kan forstærke eksisterende racemæssige fordomme og diskrimination. Dette sker, når algoritmerne trænes på historiske arrestationsdata, som allerede er præget af racemæssige skævheder, hvilket kan føre til, at minoritetsgrupper uretfærdigt målrettes.

Forsøg med AI til generering af billeder har afsløret en tendens til at fremstille hvide mænd som CEOs, mens kvinder sjældent afbildes i højstatusroller, og mørkere hudfarver associeres med lavstatus job eller kriminalitet. Dette understreger en dyb køns- og racebias indlejret i de træningsdata, AI-modellerne anvender.

Flere billedgeneratorer har haft vanskeligt ved at skabe mangfoldige og realistiske billeder uden enten at reproducere stereotyper eller overkompensere gennem kunstig diversitet. Det illustrerer, at arbejdet med bias ikke kun handler om at undgå diskrimination, men også om at finde en rimelig balance mellem repræsentation og faktuel korrekthed.

Undersøgelser af store sprogmodeller viser, at svar kan variere afhængigt af formuleringen af spørgsmål, valg af sprog eller omtale af bestemte grupper. Derfor er evaluering af bias i dag tæt knyttet til kvaliteten og konsistensen af modellernes genererede svar.

Konsekvenser af bias i AI

Bias i AI-systemer kan have vidtrækkende konsekvenser, både for enkeltpersoner og for samfundet som helhed. Disse konsekvenser spænder fra individuelle uretfærdigheder til bredere sociale uligheder, og kan underminere tilliden til teknologien samt dens potentielle fordele.

På individniveau kan bias i AI føre til diskrimination og uretfærdighed. Et eksempel er ansættelsesprocesser, hvor AI-algoritmer kan diskriminere mod visse befolkningsgrupper baseret på data såsom navne eller postnumre. Dette kan resultere i, at kvalificerede kandidater udelukkes fra jobmuligheder på grund af deres etniske baggrund eller køn. 

På et samfundsmæssigt plan kan bias i AI forstærke eksisterende uligheder og skabe negative feedbackloops. For eksempel kan prædiktive politiværktøjer, der er baseret på historiske arrestationsdata, forstærke racemæssig profilering og uforholdsmæssig målretning af minoritetsgrupper. Dette forstærker ikke kun eksisterende skævheder, men bidrager også til yderligere mistillid og segregation i samfundet.

Bias i AI rejser alvorlige etiske spørgsmål om retfærdighed, lighed og ansvarlighed. Teknologiens evne til at reproducere og forstærke menneskelige fordomme udfordrer vores traditionelle forståelser af etik og retfærdighed i en digital tidsalder. Juridisk set begynder lovgivninger som GDPR i EU at adressere disse bekymringer ved at stille strenge krav til virksomheder, der håndterer personoplysninger, og ved at fremme databeskyttelse. Dette viser et skift mod større regulering og kontrol med AI-teknologier for at sikre, at de anvendes på en retfærdig og ansvarlig måde.

For at imødegå disse konsekvenser er det afgørende med AI governance, som indebærer at styre, administrere og overvåge organisationers AI-aktiviteter. Dette omfatter udvikling af politikker, praksisser og rammer, der sikrer ansvarlig brug af AI-teknologier. En sådan tilgang sikrer, at fordelene ved AI deles mellem virksomheder, kunder, medarbejdere og samfundet som helhed. AI governance kan omfatte metoder til at vurdere fairness, retfærdighed og inklusion, og kan understøtte transparente og tillidsskabende AI-systemer.

I takt med at AI bliver en central informationskilde, kan bias påvirke den offentlige debat. Hvis millioner af mennesker får deres første forklaring på et emne gennem en AI-model, får modellens valg af kilder, formuleringer og prioriteringer betydning for den kollektive forståelse af verden. Bias bliver dermed ikke kun et spørgsmål om diskrimination, men også om informationsmagt.

 

AI Governance er blevet et ledelsesansvar

Hvor AI governance tidligere primært blev betragtet som et spørgsmål for udviklere og data scientists, er det i dag en ledelsesopgave. Organisationer forventes i stigende grad at kunne dokumentere, hvordan AI-systemer udvikles, testes, implementeres og overvåges gennem hele deres levetid.

Det indebærer blandt andet dokumentation af datagrundlag, risikovurderinger, beslutningsprocesser, menneskeligt tilsyn og procedurer for løbende evaluering af bias og andre risici.

Udviklingen hænger tæt sammen med internationale standarder som NIST AI Risk Management Framework og ISO/IEC 42001 samt kravene i EU’s AI Act. Fælles for disse initiativer er, at bias ikke længere betragtes som et isoleret teknisk problem, men som en del af organisationens samlede styring af AI.

Det betyder også, at arbejdet med bias flytter sig fra laboratoriet og ind i bestyrelseslokalet.

Udfordringer ved at imødegå bias

At adressere bias i AI indebærer en række tekniske, etiske og juridiske udfordringer. Disse udfordringer reflekterer kompleksiteten og den tværgående natur i arbejdet med at sikre retfærdige og inkluderende AI-systemer.

En af de største tekniske udfordringer er at identificere bias i AI-systemer. Dette kræver sofistikerede værktøjer og metoder til at analysere og fortolke store datamængder, samt evnen til at afgøre, hvilke aspekter af dataene der kan føre til ubalancerede resultater. At sikre mangfoldighed og repræsentativitet i træningsdata er afgørende for at reducere bias. Dette indebærer imidlertid udfordringer med at indsamle og kuratere omfattende datamængder, der afspejler den brede mangfoldighed af menneskelige erfaringer. Selv når træningsdata er mangfoldige, kan algoritmer stadig udvikle bias gennem designbeslutninger eller i vægtningen af faktorer under beslutningsprocessen.

En central etisk udfordring er at balancere mellem fairness og nøjagtighed i AI-systemer. I nogle tilfælde kan bestræbelser på at øge fairness reducere systemets overordnede nøjagtighed, hvilket rejser spørgsmål om, hvilke værdier der skal prioriteres. At sikre ansvarlighed og gennemsigtighed i AI’s beslutningsprocesser er afgørende for at opbygge tillid. Dette udfordres dog af “black box”-naturen i mange AI-systemer, hvor det kan være svært at forstå, hvordan og hvorfor en beslutning er blevet truffet.

At udvikle og implementere passende lovgivningsmæssige rammer, der kan regulere brugen af AI og adressere bias, er en stor udfordring. Dette involverer kompleksiteten af at balancere innovation med beskyttelse af individuelle rettigheder. AI-teknologier opererer på tværs af grænser, hvilket rejser udfordringer med hensyn til at sikre konsistente og effektive juridiske standarder internationalt. Forskelle i lovgivning og regulering fra region til region kan komplicere bestræbelserne på at bekæmpe bias på en koordineret måde.

Når bias er et bevidst designvalg

Når bias omtales i forbindelse med AI, bliver det ofte fremstillet som noget, der altid bør fjernes. I praksis er billedet mere nuanceret. Mange AI-systemer er nemlig bevidst designet til at prioritere bestemte hensyn frem for andre. Disse prioriteringer kan forbedre systemets anvendelighed og sikkerhed, men de betyder samtidig, at udviklerne træffer værdimæssige valg på brugernes vegne.

Derfor er det ikke altid tilstrækkeligt at spørge, om et AI-system er biased. Lige så vigtigt er det at spørge, hvilken bias der er indbygget, hvorfor den er valgt, og om brugerne har mulighed for at forstå eller udfordre disse valg.

Traditionelt ses bias i AI som en uønsket fejl, der kan føre til uretfærdige eller skævvredne resultater. Der er dog scenarier, hvor en målrettet bias kan indføres i et AI-system for at forbedre dets præcision og relevans for en specifik opgave eller målgruppe. Dette kræver en nuanceret forståelse af, hvad “bias” betyder i forskellige kontekster, og hvordan det kan anvendes etisk.

Et af de mest almindelige eksempler er personalisering. Streamingtjenester, sociale medier og netbutikker er designet til at lære brugerens præferencer og prioritere indhold, som sandsynligvis opleves som relevant. Denne prioritering er i sig selv en form for bias – systemet favoriserer bestemte typer indhold frem for andre.

Personalisering kan forbedre brugeroplevelsen, men den kan også begrænse den information, brugeren møder, og dermed bidrage til filterbobler og ensidige perspektiver.

I systemer designet til at anbefale musik, film eller indkøbsartikler, kan en målrettet bias mod brugerens tidligere adfærd eller udtrykte præferencer forbedre systemets evne til at levere relevante forslag. Her fungerer bias som en mekanisme, der filtrerer indhold baseret på individuelle smagspræferencer.

Moderne generative AI-systemer er samtidig udstyret med omfattende sikkerhedsmekanismer. Modellerne er eksempelvis designet til at afvise instruktioner om ulovlige handlinger, vold, selvskade eller anden skadelig adfærd.

Disse begrænsninger er ikke fejl i systemet. De er bevidste designvalg, hvor udvikleren har besluttet, at bestemte hensyn skal vægte højere end modellens generelle evne til at besvare alle spørgsmål.

Man kan derfor betragte disse sikkerhedslag som en ønsket bias, der har til formål at reducere risikoen for skade.

 

Sundhed og retssystem kræver forskellige prioriteringer

I andre tilfælde handler bias om, hvilke fejl et AI-system skal acceptere. Et system, der screener patienter for en alvorlig sygdom, kan med vilje designes til at identificere så mange mulige tilfælde som muligt – også selv om det betyder flere falske alarmer. Omvendt kan et system, der bruges til kreditvurdering eller strafferetlige vurderinger, have større fokus på at undgå falske positive afgørelser.

Begge løsninger indebærer en bevidst prioritering. Bias bliver her et spørgsmål om, hvilke risici samfundet finder mest acceptable.

 

Generativ AI har gjort spørgsmålet mere komplekst

Store sprogmodeller som ChatGPT, Claude og Gemini har gjort diskussionen endnu mere kompleks. Udviklerne træffer løbende valg om, hvilke kilder modellerne skal bygge på, hvilke svar der skal prioriteres, hvordan følsomme emner håndteres, og hvilke typer indhold der skal begrænses.

Disse valg påvirker ikke blot modellens sikkerhed, men også den måde, brugerne oplever verden på. Derfor handler bias i generativ AI ikke kun om diskrimination, men også om transparens, informationsmagt og tillid.

Det centrale spørgsmål bliver derfor ikke, om AI kan være fuldstændig neutral. Alle AI-systemer bygger på valg og prioriteringer. Den afgørende udfordring er i stedet, om disse valg er velbegrundede, gennemsigtige og kan diskuteres offentligt.

En ansvarlig udvikling af AI kræver derfor ikke alene mindre bias, men også større åbenhed om, hvilke værdier og hensyn der er indbygget i systemerne.

Fremtidsudsigter for arbejdet med bias

Arbejdet med at minimere bias i AI står over for en kontinuerlig og dynamisk udfordring, idet teknologien udvikler sig, og vores forståelse af bias og dets konsekvenser bliver dybere. Fremtiden for dette arbejde lover både innovative løsninger og nye udfordringer, som forskere, udviklere, lovgivere og samfundet må navigere i fællesskab.

Vi vil sandsynligvis se en udvikling af mere avancerede værktøjer og teknikker til at identificere, måle og rette bias i AI-systemer. Dette kan inkludere forbedret algoritmisk transparens, mere repræsentative og mangfoldige datamængder, samt udviklingen af AI-modeller, der aktivt kan korrigere for skævheder i deres beslutningsprocesser.

En voksende forståelse af, at bias i AI ikke kun er et teknisk, men også et etisk og socialt problem, vil fremme interdisciplinært samarbejde. Samarbejdet mellem dataloger, etikere, sociologer, jurister og andre fagfolk vil være afgørende for at udvikle helhedsorienterede tilgange til at minimere bias.

Global og lokal lovgivning vil fortsat udvikle sig for bedre at adressere og regulere bias i AI. Dette kan inkludere skabelsen af standarder for AI-etik, databeskyttelse og fairness, samt etablering af rammer for ansvarlighed og gennemsigtighed i AI-udvikling og -anvendelse.

Kontinuerlig evaluering bliver den nye normal

Tidligere blev bias ofte betragtet som noget, der kunne testes én gang inden et AI-system blev taget i brug. I dag bevæger udviklingen sig mod løbende evaluering gennem hele systemets levetid.

Nye versioner af modeller, ændrede datakilder og ændret brugeradfærd betyder, at et AI-system kan udvikle nye former for bias over tid. Derfor bliver red teaming, audit, monitorering og periodiske evalueringer stadig vigtigere elementer i ansvarlig AI-anvendelse.

Bias bliver dermed ikke et problem, der kan løses én gang for alle, men en kontinuerlig styringsopgave.

En øget offentlig bevidsthed om bias i AI og dets konsekvenser vil være afgørende for at drive kravet om mere retfærdige og ansvarlige AI-systemer. Uddannelsesinitiativer vil spille en nøglerolle i at udstyre kommende generationer med de værktøjer, de behøver for at navigere i og forme fremtidens AI-landskab.

Mens udfordringen med at minimere bias i AI er betydelig, er potentialet for positive forandringer enormt. Ved at adressere bias, har vi mulighed for ikke kun at forbedre fairness og retfærdighed i anvendelsen af AI, men også at udnytte AI’s fulde potentiale til at skabe løsninger, der gavner hele samfundet. Dette kræver en vedvarende indsats, åbenhed for at lære og tilpasse sig, samt en forpligtelse til at handle etisk og ansvarligt.

I sidste ende er fremtiden for arbejdet med at minimere bias i AI ikke kun et spørgsmål om teknologisk innovation, men om vores kollektive vilje til at skabe en mere retfærdig og inkluderende digital fremtid. 

Bias handler i sidste ende om samfundets værdier

Diskussionen om bias begynder ofte med data og algoritmer, men ender næsten altid med mennesker. AI-systemer udvikles ikke i et tomrum. De afspejler de værdier, prioriteringer og kompromiser, som udviklere, virksomheder og myndigheder træffer undervejs.

Derfor er spørgsmålet ikke alene, hvordan vi fjerner bias, men også hvilke former for bias vi accepterer, hvilke vi forsøger at begrænse, og hvem der har ret til at træffe disse beslutninger.

I takt med at AI bliver en central informationskilde for millioner af mennesker, bliver bias også et spørgsmål om demokratisk infrastruktur. De svar, AI giver, former vores forståelse af verden, vores tillid til institutioner og vores mulighed for at møde forskellige perspektiver.

Arbejdet med bias bliver derfor ikke blot en teknisk disciplin, men en samfundsopgave, hvor udviklere, virksomheder, forskere, journalister, myndigheder og borgere alle har et ansvar for at sikre, at AI understøtter et åbent, inkluderende og demokratisk samfund.

Artiklen er opdateret den 17. juli 2026.