När AI‑agenter flyttar in i högre utbildning

Jag har under de senaste dagarna läst och funderat över Ethan Mollicks texter om vad AI faktiskt kan göra idag – inte som abstrakt framtid, utan som konkret arbetskraft i vardagens uppgifter. Mollick beskriver hur AI‑agenter börjar ta sig an arbeten som tidigare krävde flera timmars expertarbete: läsa komplexa texter, navigera filer och källor, skriva kod, testa, korrigera och knyta ihop det hela till något användbart. Poängen är inte att “AI tar våra jobb”, utan att allt fler av de uppgifter som våra jobb består av nu kan delegeras till icke‑mänskliga aktörer.

Det är en förskjutning som är svår att ignorera för den som arbetar i högre utbildning. Om AI kan göra stora delar av det mödosamma, repetitiva och tekniska – vad innebär det då för hur vi organiserar undervisning, uppgifter och bedömning? Vad betyder det för vad vi faktiskt lär ut att det innebär att “bli designer”, forskare eller professionell inom ett visst område? När jag eller en student för den delen för en 500 hundring kan skapa ett designprojekt med hjälp av AI få den testad och producerad på några timmar, motsvarande det som tog en termin av halvidsstudier i deras  designprojekt, då behöver vi tänka om.

Från hantverkare till orkestrerare

För mig som designlärare har Mollicks resonemang landat i en obekväm, men produktiv, insikt: mitt arbete liknar allt mindre den traditionella bilden av hantverkaren och allt mer rollen som orkestrerare, med den där t-kompetensen vi talat om i alla år. I stället för att själv göra varje moment – research, urval, sammanställning, textbearbetning, dokumentation – sitter jag med en grupp AI‑agenter som gärna gör första passet på nästan vad som helst för att ge arbetet både bredd och djup.

Det ställer två frågor på sin spets:

• Vilka uppgifter är det rimligt att jag faktiskt delegerar?
• Vilka delar av arbetet måste förbli genuint mänskliga, även när AI “kan” göra dem?

Mollick betonar att AI arbetar på nivån uppgifter, inte jobb. Det är en viktig distinktion för utbildning: läraryrket (och studenternas framtida yrkesroller) består av en väv av bedömning, etik, relationsbyggande, förhandling, improvisation och institutionell navigering. Att AI kan göra vissa delar av denna väv betyder inte att vi ska, eller bör, lämna över allt som går.

Tre frågor till högre utbildning

Mollicks texter blir därmed en spegel för oss inom högre utbildning. Jag fastnar särskilt för tre frågor som jag behöver återkomma till, både i min egen praktik och i kursdesign:

1. Vad ska förbli mänskligt?
   Vi behöver bli mycket mer explicita kring vilka delar av utbildningsuppdraget som måste bäras av människor: etisk bedömning, värdering av konsekvenser, samtal med studenter, tolkning av komplexa projekt, konflikthantering, kollegialt samtal. AI kan hjälpa oss att förbereda underlag – men inte ersätta själva mötet eller ansvaret.

2. Hur undervisar vi i delegation – inte bara i verktyg?
   För studenter räcker det inte att “kunna använda AI”. De behöver lära sig att:
   • formulera uppdrag (briefs) till agenter
   • sätta gränser och kvalitetskriterier
   • granska, korrigera och ibland avfärda resultat
   • motivera varför vissa moment görs med eller utan AI.
     Det förskjuter undervisningen från att visa hur man gör något manuellt, till att designa arbetsflöden där människor och agenter arbetar tillsammans – och där själva fördelningen av arbete blir ett innehåll att reflektera över.
3. Vilka värden riskerar att tunnas ut?
   Med AI‑agenter blir det extremt lätt att producera en enorm mängd text, bilder, prototyper, presentationer. Risken är att vi drunknar i ytliga artefakter: fler slides, fler varianter, fler “koncept” – utan att förståelsen fördjupas. Här behöver vi värna:
   • den långsamma kampen med materialet
   • den svårfångade reflektionen
   • det gemensamma tänkandet i designstudion
   • förmågan att ta ansvar för ett ställningstagande.
     Om vi inte är uppmärksamma kan AI göra utbildningen mer produktiv till formen, men fattigare till innehållet.

Att omforma uppgifter och bedömning

Om vi tar detta på allvar räcker det inte med ett “AI‑policy‑dokument” på institutionsnivå. Vi behöver ner i kursnivå och in i vardagens uppgifter. Några konkreta förskjutningar som jag själv experimenterar med:

• Från “förbud eller fritt fram” till strukturerad användning.
  I stället för att bara säga ja eller nej till AI i en uppgift kan studenter t.ex. få använda agenter i vissa faser (research, idégenerering, språkgranskning), men vara tvungna att dokumentera hur, när och varför de gjorde det – och hur de kvalitetsgranskade resultatet.
• Göra AI‑användningen bedömningsbar.
  En del av examinationen kan vara att studenten redovisar sin arbetsprocess med agenter: vilka uppdrag de gav, vilka fel som uppstod, hur de korrigerade, och när de valde att inte använda AI. På så vis bedöms inte bara slutprodukten, utan den kritiska och etiska kompetens som krävs för att arbeta i AI‑rika miljöer.
• Tydliggöra vilka moment som ska göras utan AI.
  Vissa lärandemoment – exempelvis att skriva en första analys, att skissa analogt, att genomföra och tolka en intervju – kan medvetet designas som AI‑fria zoner, just för att träna specifika förmågor. Poängen är inte teknikfientlighet, utan att synliggöra att allt inte bör automatiseras, ens om det är möjligt.

En anteckning till mitt framtida jag

När jag skriver detta märker jag att Mollicks texter fungerar som en sorts framtidsbrev till mig själv. De påminner mig om att AI‑agenter redan nu förändrar förutsättningarna för hur arbete organiseras – och att högre utbildning inte är ett undantag. Frågan är inte om vi “ska hoppa på tåget” eller inte; tåget rullar redan sedan länge.

Den egentliga frågan, för mig som lärare, är:
Vilken sorts samarbete mellan människor och agenter vill jag att mina studenter ska vara tränade för när de lämnar våra utbildningar?

Den blogpost du just läser är ett försök att börja formulera en ny inriktning för mitt arbete frmåt – med full medvetenhet om att både tekniken och undervisningen kommer att fortsätta förändras, och att det är min uppgift att hålla den reflektionen levande.

Denna text är inget undantag på det jag lyfter ovan, jag började i morse med en dialog om samtal jag hade med kollegor genom Omi AI, sedan lyfte jag även anteckningar från Ethan Molicks artikel och lät Perplexity arbeta tillsammans med mig för att fånga några aspekter av hans artikel. Darefter skrev jag vidare, gjorde ändringar, språkgranskade och anpassade texten till det blogginlägg ni just har läst.