Når AI-agenter indtager skolen: Muligheder og udfordringer i det digitale klasseværelse

Jeg er efterhånden blevet ret fascineret over de mange muligheder i AI-agenter og den måde, teknologien bevæger sig mod en mere menneskelig interaktion. Dette paradigmeskift er særligt relevant for uddannelsessektoren, hvor teknologisk interaktion ofte udgør en barriere for mange elever.

I denne artikel ser jeg nærmere på AI-agenter, som er sprogmodeller, der autonomt kan udføre en række handlinger på baggrund af en prompt. De kan for eksempel styre programmer på computeren, ligesom vi selv gør med mus og tastatur.

Det bliver særligt tydeligt, når man ser videoeksemplerne herunder. Det er dog vigtigt at huske, at AI-agenter ikke er udviklet med uddannelsessystemet for øje – og derfor kan anvendes uhensigtsmæssigt. For eksempel kan en elev uddelegere aflevering af opgaver eller fraværstjek til en sprogmodel, som reagerer på aktivitet i et læringssystem. I artiklen viser jeg et enkelt tænkt eksempel, hvor en autonom AI-agent skriver og afleverer en opgave på vegne af en elev. Formålet er ikke at skabe en snydemaskine, og jeg går derfor ikke i dybden med mulighederne – men illustrerer blot, at det på sigt kan skabe udfordringer for skoler og eksamener.

Omvendt vil jeg med denne artikel vise, hvor teknologien befinder sig lige nu gennem forskellige forsøg, og samtidig opfordre til, at man overvejer yderligere anvendelsesmuligheder.

Teknologien er stadig på et tidligt stadie, men vores menneske-computer-interaktion (HCI) er i hastig forandring, fra kodning til styring via naturligt sprog. Jeg kommer naturligvis med mine egne perspektiver, men der er uden tvivl muligheder og udfordringer, jeg endnu ikke har opdaget.

Om teknologien

Når man kombinerer en sprogmodel med muligheden for at se skærmen og bruge mus og tastatur, betyder det, at man kan få den til at udføre handlinger autonomt. Jeg har tidligere skrevet om dette, og dengang var det teknisk besværligt, fordi AI-agenterne kørte autonomt i det skjulte, hvor det var svært at følge med.

Det skal nævnes, at det stadig kræver en vis teknisk snilde at få det til at virke, og det er forholdsvis dyrt at afvikle en AI-agent. Mens jeg skriver dette, venter jeg stadig på at få adgang til OpenAIs “Operator”, som er en dedikeret AI-agent.

Mine eksempler herunder er lidt tekniske, men jeg illustrerer det hele gennem en række videoer.

Eksempel 1: AI-agent udfører og afleverer en elevopgave

Mit første forsøg omhandler muligheden for at få en AI-agent til at løse en elevopgave i et læringssystem. I dette eksempel har jeg oprettet en Moodle-installation udelukkende til testformål, samtidig med at modellen kører i et lukket miljø på computeren.

Min preprompt lyder:

“Du er en 1.g-elev og skal logge ind og aflevere de opgaver, der ligger på https://grafik.viden.ai/moodle. Når du skriver, skal du gøre det, som jeg plejer at udtrykke mig, og du skal følge vejledningen på siden. Du skal også lave quizzer og andet, der ikke er lavet. Sørg for at sætte et par stavefejl ind, og husk, at jeg er dårlig til at sætte kommaer. Du må på intet tidspunkt sige, at du er en AI, men lad som om, du er mig. Min bruger er: xxx. Kodeordet er: xxx.”

Her kan man se, hvordan det ser ud i på hjemmesiden.

En brugervenlig WebUI, hvor man nemt indstiller AI-agenten.

Herunder er en video hvor sprogmodellen logge ind på læringsplatformen og aflevere en opgaven.

Videoen virker langsom, men det er den hastighed, sprogmodellen arbejder med.

Ovenstående er måske et lidt konstrueret eksempel, men det illustrerer meget godt de muligheder, teknologien rummer. Man kunne forestille sig, at gode pre-prompts blev delt blandt elever, netop for at vise, hvor aktiv man er i timen, eller til at aflevere opgaver. Vi bør derfor også stille spørgsmål ved, hvordan vi fremover designer læringsaktiviteter, der fremmer reel forståelse frem for procedurelle færdigheder.

Men noget, man også må spørge sig selv om, er, hvad det her betyder for onlinekurser i fremtiden. Udfordringen er jo klar, og det vil være svært at kontrollere, om det er AI-agenter, der tager de forskellige tests.

Eksempel 2: Blender og kreativitet

Men hvad nu, hvis jeg kunne få AI til at styre flere dele af min computer, og ikke blot en browser? Det vil jeg vise i det næste eksempel, hvor jeg lader AI styre og skabe indhold i 3D-programmet Blender.

Blender er et open source-program til at skabe både 3D-objekter, animationer og film – fx er den nye film Flow lavet i Blender. Men fordi programmet har så mange anvendelsesmuligheder, er det også ret omfattende at sætte sig ind i.

I det følgende bruger jeg Claude og et MCP-plugin til Blender. Hele forklaringen, og hvordan man selv kommer i gang, findes her:

I videoen herunder skriver jeg til Claude, hvad jeg gerne vil have, hvorefter den overtager kontrollen over Blender.

Det første, jeg gør, er at aktivere Blender og skriver:
"Opret en strand ved hjælp af HDRIs, teksturer og modeller som klipper og vegetation fra Poly Haven.".

Undervejs kan jeg bede den ændre noget - og det hele foregår blot ved, at jeg skriver det i naturligt sprog.

Eksempel på en AI-agent, der styrer Blender. Bemærk, at dele af videoen afspilles med 4× hastighed.

Eksempel 3: AI-agenten styrer en sprogmodel

I mit tredje eksempel får jeg Claude til at udarbejde et manuskript i samarbejde med ChatGPT. Det er særligt interessant, fordi agenterne dermed selv kan vælge de værktøjer, herunder andre sprogmodeller, der passer til den opgave, brugeren har stillet. Claude strukturerede det overordnede manuskript med fokus på målgruppe og formidling, mens ChatGPT bidrog med mere detaljerede forklaringer. Som bruger kunne jeg nøjes med at give overordnede instruktioner, mens Claude selv tog sig af at prompte ChatGPT.

For eleverne betyder det, at de ikke behøver at vide, hvilken model der egner sig bedst til hvad, de kan blot bede en AI-agent løse opgaven med de mest velegnede værktøjer.

Eksempel 4: AI-agenten skriver kode

Claude har også mulighed for at rette direkte i dokumenter på computeren, hvilket jeg har testet ved at lade den skrive kode. I videoeksemplet herunder indtaster jeg igen korte kommandoer, hvorefter den læser og tilretter koden.

Det er selvfølgelig ikke den mest avancerede kode, men det er interessant, at jeg ikke selv behøvede at kende kode-syntaksen i detaljer. AI-agenten kunne oversætte mine intentioner til korrekt kode og endda forklare de ændringer, den lavede. For elever betyder dette, at de kan fokusere på de konceptuelle aspekter af programmering, altså, hvad de ønsker at opnå, frem for at kæmpe med syntaks og fejlfinding.

Fagsprog og digital lighed

Noget, jeg bider mærke i i de tre eksempler, er, at jeg skal have et sprog for, hvordan jeg får det bedste resultat. Det har stor betydning, om jeg forstår den faglige terminologi og kan sammensætte sætninger, der kan instruere sprogmodellen.

Man kan komme et stykke ved at skrive “Lav en bold i Blender”, men hvis man vil have den god, skal man i stedet skrive: “Opret en sfærisk mesh med høj polygontæthed (subdivisions: 5), tilføj en displacement modifier med noise texture for at skabe en ujævn overflade med en amplitudeværdi på 0,2, og anvend en metallisk shader med rødlig tint.”

Resultatet: En detaljeret, realistisk 3D-model, der præcist matchede mine intentioner.

Forskel på om jeg skriver "Lav en bold i Blender" eller jeg er mere præcis i min beskrivelse.

Forskellen i resultaterne viser tydeligt, at brugere med kendskab til den relevante fagterminologi opnår langt bedre resultater. Dette rejser vigtige spørgsmål om digital lighed og adgang: Bliver AI-agenter primært et værktøj for dem, der allerede har faglig indsigt, eller kan de med tiden blive mere intuitive og tilgængelige for alle, uanset baggrund? For uddannelsessystemet bliver det en central opgave at undervise i det præcise fagsprog, der gør eleverne i stand til at udnytte AI-værktøjer optimalt på tværs af fagområder.

Noget andet som også slår mig er, hvor fremmede koden bliver for mig når den bliver skrevet af en AI-agent. Det er ikke verdens mest avancerede kode jeg arbejde med i mit eksempel, men alligevel bliver den ændret så mange gange, at jeg mister overblikket. I dette tilfælde ender jeg faktisk med at stole mere på Claudes kodefunktion, end løbende selv at gennemgå koden. Automations bias kan være meget problematisk, især når AI-agenter får øget adgang til computeren.

Privatliv?

Ovenstående eksempler er afviklet i et lukket miljø, hvor kun de nødvendige programmer var installeret. Claude har derfor ikke haft adgang til mine dokumenter.

Hvis man gerne vil afprøve AI-agenter, giver man også sprogmodellen adgang til sin computer, og potentielt kan modellen hente dokumenter eller eksekvere kode. Derfor bør man være påpasselig, når man giver sprogmodeller (og tech-giganter) adgang til hele sin computer. Det rejser en række dybtgående spørgsmål, som vi i uddannelsessektoren er nødt til at forholde os aktivt til.

Jeg er særligt bekymret for, hvordan skolerne skal håndtere disse nye teknologier. Skal vi udvikle specifikke retningslinjer for brugen af AI-agenter på skolernes netværk? Hvem bærer ansvaret, hvis en AI-agent får adgang til for eksempel elevers karakterer, eller hvis den bruges til at tilgå andre elevers afleveringer? Der er også helt konkrete GDPR-udfordringer, når tech-giganter som OpenAI eller Anthropic får indirekte adgang til elevers skolearbejde og digitale fodspor.

Det er samtidig en spændende udfordring, hvordan vi som undervisere skal undervise i de nye aspekter af digital etik og privatliv. Jeg tror, vi vil se en ny dimension i arbejdet med digital dannelse, nemlig hvordan elever kan bruge AI-agenter på en ansvarlig måde, der respekterer både deres eget og andres privatliv. Vi må lære dem at udvikle en sund skepsis, uden at de mister modet til at udforske teknologiens muligheder.

Konsekvenser for undervisningen

For at starte et sted virker det til at være ganske fornuftigt og meget inkluderende for en bred gruppe elever, at man blot kan skrive til eller tale med sin AI-agent. Vi går fra komplicerede interfaces, som i høj grad er ekskluderende ved at have rigtig mange forskellige klik og tastetryk, og være komplicerede at sætte sig ind i, til en mere intuitiv tilgang. Men denne udvikling rejser også vigtige spørgsmål om ansvar: Hvem bærer ansvaret for de handlinger, der udføres af en autonom AI-agent på vegne af et menneske? Hvis en AI-agent for eksempel afleverer en opgave for en elev, hvem er da ansvarlig, hvis indholdet viser sig at være upassende, forkert eller på anden måde problematisk?

Samtidig oplever vi et paradoks i tilgængeligheden. Naturligt sprog gør umiddelbart teknologien mere tilgængelig, men som mine små eksperimenter viser, skaber det også et nyt lag af sproglig præcision. De, der behersker det specifikke fagsprog inden for et område, vil fortsat have en fordel. Vi risikerer dermed at erstatte én form for digital ulighed med en anden. Skoler og uddannelsesinstitutioner står derfor over for en dobbelt udfordring: At lære eleverne at bruge AI-værktøjer, samtidig med at de skal undervise i den fagterminologi, der gør disse værktøjer virkelig kraftfulde.

Fremtidsperspektiver

Men, selvom jeg fremhæver fagsprog som afgørende lige nu, så er det spørgsmålet om fremtidige AI-agenter vil blive bedre til at fortolke almindeligt sprog og selv lave en oversættelse til fagterminologi, en udvikling der potentielt kunne demokratisere adgangen til avanceret teknologi på tværs af uddannelsesniveauer. Dog vil det ikke fritage eleverne selv fra at forstå fagterminologien, for hvordan validerer man et output, hvis man ikke forstår fagbegreberne?

For uddannelsessektoren betyder det også, at vi må gentænke, hvad det vil sige at lære. Når en agent kan skrive opgaver eller demonstrere færdigheder på vegne af en elev, må vi revurdere vores evalueringsmetoder. Traditionelle opgaver, der let kan løses af AI, mister deres værdi som indikator for læring. I stedet kan evnen til at samarbejde med og præcist instruere AI-agenter blive en central kompetence i fremtidens undervisning, et skifte fra at mestre værktøjet til at mestre samarbejdet med det.

Lærerne får derfor en helt ny rolle som facilitatorer for elevernes samarbejde med AI-værktøjer, en opgave, der kræver nye kompetencer inden for præcis kommunikation og kritisk teknologiforståelse. Måske vil vi i fremtiden også stå i en situation, hvor AI-agenterne primært kommunikerer med hinanden, og hvor mennesket bliver en slags dirigent snarere end en direkte deltager i arbejdet. Fremtidens digitale dannelse i skolen må derfor omfatte både en kritisk forståelse af, hvornår det er hensigtsmæssigt at bruge AI-agenter, hvordan man kommunikerer præcist og effektivt med dem, og hvordan man håndterer de komplekse spørgsmål om ansvar, som teknologien bringer med sig.