Gå til indholdet

Teknologi som forstærker

Info

[en tidligere version af denne tekst har været skrevet i samarbejde med ChatGPT, mens denne gennemrevideret udgave har været lavet sammen med Claude Sonnet 4.6 (på “medium”-effort plus “thinking”(

Teknologi forstærker formåen – ikke potentiale

Den mest gennemgående observation på tværs af teknologiforskning er, at teknologi primært forstærker det, der allerede er til stede. Det er ikke en påstand om, hvad teknologi kan i teorien – det er en empirisk observation om, hvad den typisk gør i praksis.

Kentaro Toyama formulerede dette som "amplification theory": teknologi virker som en forstærker (amplifier) af eksisterende menneskelig og institutionel formåen og intention. Forstærkning virker multiplicativt, ikke additivt – den øger det, der allerede er der; den erstatter ikke det, der mangler (Toyama, 2011). Toyama identificerer tre mekanismer, der driver dette:

Differentieret adgang – ressourcer giver adgang til mere kraftfulde teknologier og bedre infrastruktur. Differentieret kapacitet – eksisterende kompetencer, domæneviden og institutionel erfaring bestemmer, i hvilken grad en teknologi kan udnyttes. Differentieret motivation – dem med bestemte mål og forudsætninger er bedre positionerede til at omsætte teknologiernes muligheder til faktisk gevinst (Toyama, 2011).

Det afgørende ved forstærkningstesen er dens negative konsekvens: teknologi kan ikke substituere for manglende kapacitet. Hvor institutionel formåen er svag, forstærkes netop den svaghed. Teknologien drives ikke af sin egen logik, men af den menneskelige og institutionelle substrat, den møder.

En anden accent: kognitiv formåen som forudsætning

Abi Awomosu anlægger et beslægtet, men forskydende perspektiv fra en erfaringsbaseret og praksisrettet position (Awomosu, 2025). Hvor Toyama beskriver forstærkning som et strukturelt faktum – hvad teknologi gør – formulerer Awomosu et normativt imperativ: hvad brugeren bør sikre er til stede, før forstærkningen tilkobles.

For Awomosu er AI et medium, ikke et instrument. Det registrerer og forstærker menneskelige mønstre snarere end blot at eksekvere kommandoer. Det afgørende spørgsmål er ikke, hvad AI kan, men hvad du bringer med ind i mødet med AI. Princippet lyder: Udvikl din kognitive formåen, inden du tilføjer AI-forstærkning – ikke i stedet for, men før (Awomosu, 2025). Rækkefølgen er afgørende.

Når rækkefølgen inverteres – når AI-output træder i stedet for den kognitive proces frem for at forstærke den – opstår det, Awomosu kalder kognitiv atrofi: evnen til at holde flere perspektiver, sidde med ambiguitet og bemærke, hvad der mangler, svækkes ved ikke at blive øvet (Awomosu, 2026). Dertil kommer afhængighed og voice colonisation – at éns eget tænkemønster gradvist erstattes af modellens sproglige og kognitive mønstre.

De to positioner er komplementære. Toyama beskriver mekanismen på makroniveau – teknologi forstærker formåen, på godt og ondt, hos individer og institutioner. Awomosu skærper spørgsmålet på mikroniveau: hvad er det præcis, du forstærker? Og: bygger du den formåen aktivt, eller overlader du den til AI-outputtet? Samlet set peger de begge på, at spørgsmålet om teknologiens rolle aldrig kan adskilles fra spørgsmålet om, hvad der er til stede – kognitivt, institutionelt, fagligt – inden teknologien introduceres.

Lighed og mulighed: hvad vi ved

Forstærkningstesen forklarer mekanismen. Forskning i digitale uligheder og GenAI konkretiserer, hvad der forstærkes, og hvem der vinder eller taber, inden for tre dimensioner af formåen.

Human kapital: hvad du ved og kan

Eszter Hargittai og Amanda Hinnant demonstrerede allerede for digital teknologi generelt, at den relevante ulighed ikke er adgang, men brug: uddannede unge med mere kulturel og social kapital bruger internettet på måder, der producerer langsigtede fordele, mens andre primært anvender det til underholdning og forbrug (Hargittai & Hinnant, 2008). Det er et kompetenceskel, ikke et adgangsskel.

Dette mønster genfindes for GenAI. Studerende med domæneviden, sproglige ressourcer og reflekterede arbejdsformer bruger AI til at gå dybere og hurtigere; studerende uden disse forudsætninger risikerer at producere overfladisk output – uden at styrke forståelsen og uden at opdage, hvornår outputtet er fejlagtigt (Warschauer et al., 2023). Det er forstærkningstesens "rich-get-richer"-kontradiktion i praksis: AI-adgang er ikke det samme som AI-udbytte.

Social kapital: hvem du kender og lærer af

Neil Selwyn argumenterer systematisk for, at teknologis transformative potentiale konsekvent overvurderes – og at strukturelle uligheder sjældent udlignes af teknologi, men derimod typisk reproduceres (Selwyn, 2024). Studerende med adgang til vejledere, faglige netværk og lærende fællesskaber lærer hurtigere at anvende AI produktivt: de tilegner sig hurtigere præcis prompting, kritisk verifikation og evnen til at integrere AI-output i eksisterende faglig viden. Den fordel er ikke tilfældig – den accelererer.

Ressourcer: tid, udstyr og adgang

En bred flerfaglig analyse viser, at GenAI kan reducere socioøkonomiske uligheder under bestemte betingelser, men at dette ikke er standardudfaldet (Capraro et al., 2024). Adgang til de stærkeste modeller og plugins, bedre hardware og – ikke mindst – tid til at lære og eksperimentere er ressourcer, der ikke er neutralt fordelt. Dem med ressourcerne opbygger et kvalitetsforspring, der ikke svinder, blot fordi teknologien er tilgængelig for alle.

Fra forståelse til pædagogisk design

Forstærkningstesen er ikke deterministisk. Den siger, at teknologi typisk forstærker det, der er der – men den siger også, at det, der er der, kan designes og opbygges. Det er den didaktiske handlingsåbning.

Institutionelt bør valg om adgang og infrastruktur ikke overlades til markedet: fælles licenser, lav friktion og en norm om, at GenAI er et kollektivt læringsredskab, ikke et privat konkurrenceparameter (Capraro et al., 2024).

Kompetenceorienteret bør basisfærdigheder i prompting, kildekritik og fejlfinding undervises eksplicit – de kan ikke forudsættes jævnt fordelt og må ikke behandles som forhåndsviden (Selwyn, 2024; Hargittai & Hinnant, 2008).

Processuel bør scaffolds sikre, at AI-output indgår i en læringsproces og ikke erstatter den: plan → prompt → svar → verificér → revider, med krav om kildetjek af ikke-trivielle påstande (Warschauer et al., 2023).

Formåen – kognitiv, institutionel, social – er det, teknologien forstærker. Hvis den formåen ikke er der i forvejen, er et teknologisk redskab ikke løsningen; det er symptombehandling. Og er formåen til stede, men ujævnt fordelt, vil teknologien uden aktive institutionelle og didaktiske valg forstørre snarere end udligne de eksisterende forskelle (Selwyn, 2024; Toyama, 2011).

Kilder

  • Awomosu, Abi (2025). How Not To Use AI: 50 Contrarian Principles for the Imagination Age. ISBN 9781919191003.
  • Awomosu, Abi (2026, 13. marts). The Intelligence Was Always Yours. How Not To Use AI [Substack]. https://abiawomosu.substack.com/p/the-intelligence-was-always-yours
  • Capraro, Valerio; Lentsch, Austin; Acemoglu, Daron; [et al.] (2024). The impact of generative artificial intelligence on socioeconomic inequalities and policy making. PNAS Nexus, 3(6), pgae191. https://doi.org/10.1093/pnasnexus/pgae191
  • Hargittai, Eszter; & Hinnant, Amanda (2008). Digital Inequality: Differences in Young Adults' Use of the Internet. Communication Research, 35(5), 602–621. https://doi.org/10.1177/0093650208321782
  • Selwyn, Neil (2024). On the Limits of Artificial Intelligence (AI) in Education. Nordisk tidsskrift for pedagogikk og kritikk, 10(1). https://doi.org/10.23865/ntpk.v10.6062
  • Toyama, Kentaro (2011). Technology as Amplifier in International Development. Proceedings of the 2011 iConference, 75–82. https://doi.org/10.1145/1940761.1940772
  • Warschauer, Mark; Tseng, Waverly; Yim, Soobin; Webster, Thomas; Jacob, Sharin; Du, Qian; & Tate, Tamara (2023). The Affordances and Contradictions of AI-Generated Text for Second Language Writers (SSRN Scholarly Paper No. 4404380). https://doi.org/10.2139/ssrn.4404380