Om meg
Jeg hjelper virksomheter med å ta AI i bruk, fra vurdering av muligheter til utvikling av konkrete løsninger.
Jeg holder foredrag om AI, fagkompetanse og hvordan arbeid og verdiskaping kan endre seg.
Jeg bygger og investerer i selskaper, gjør konsulentarbeid og holder foredrag om AI. Jeg er opptatt av hva vi kan få til når modellens intelligens møter fagets kunnskap.
Jeg arbeider med søknader og dokumentasjon i Vitandi og Tilskudd.ai, og med selskapsdata og kjøpssignaler i Agama. I Akser kobler vi kraft, nett og tomter som grunnlag for fysiske prosjekter. Engel Kapital samler selskapene mine og tankene bak dem.
Forskning er en del av den samme tanken. AI og fagkunnskap kan gi oss flere svar, men også bedre metoder for å finne de neste. Jeg er særlig interessert i denne koblingen: når ny kunnskap blir til verktøy som åpner flere muligheter innen tjenester, vitenskap og fysisk produksjon.
Et historisk perspektiv
Hvordan vi skaffer mat, produserer og deler kunnskap, former hele samfunnet. Følg endringene fram til spørsmålet jeg jobber med: Hva skjer når intelligens kan skaleres?
Begynn her
Utgangspunktet / Før jordbruket
Mennesker levde av jakt, fiske og ville vekster. Kunnskap og redskaper utviklet seg, men mattilgangen var tett knyttet til naturens ressurser og menneskelig innsats.
Tid til dobbel verdensproduksjon
≈ 230 000 år
01 / Jordbruksrevolusjonen
Dyrking og husdyrhold ga et nytt grunnlag for matproduksjonen. Over tid kunne flere bo fast, befolkningen vokse og flere spesialisere seg i annet arbeid. Samfunnet fikk en ny organisering.
Tid til dobbel verdensproduksjon
≈ 860 år
02 / Den industrielle revolusjonen
Dampkraft og mekanisering gjorde produksjon i langt større skala mulig. Fabrikker samlet maskiner, arbeid og kapital, mens jernbanen fraktet råvarer og ferdige varer over større avstander. Produksjon, arbeidsdeling og bosetting ble organisert på nye måter.
Omregnet doblingstid · globalt BNP
≈ 50 år
Beregnet fra verdensveksten i perioden.
03 / Den digitale revolusjonen
Informasjon kunne kopieres, behandles og deles på tvers av avstander. Bedrifter organiserte handel, produksjon og tjenester gjennom programvare og nettverk. Mennesker sto fortsatt for mye av vurderingen og problemløsningen.
Omregnet doblingstid · globalt BNP
≈ 23 år
Samlet vekst, ikke digitaliseringens bidrag alene.
04 / AI-revolusjonen
AI kan gjøre det mulig å utforske mange løsninger samtidig og arbeide med problemer vi tidligere ikke mestret. Jeg tror det største skiftet kommer når resultatene også forbedrer modellene, metodene og eksperimentene vi bruker videre. Da kan selve evnen til å gjøre framskritt vokse.
AI foreslår varianter som prøves digitalt mot fagets krav. Formen og materialene justeres før vi lager noe fysisk.
En lovende variant blir til en liten modell i 3D-printeren. Nå kan vi undersøke hvordan ideen oppfører seg utenfor simuleringen.
Prototypene testes med ulike belastninger. Målingene tas tilbake til den digitale modellen, slik at neste utgave bygger på det vi lærte.
Konstruksjonen utvikles for riktig størrelse, materialer og bruk. Etter hvert kan autonome roboter hente materialene og bygge broen etter den digitale modellen. Da kan AI også utføre det fysiske arbeidet. Kunnskapen fra forsøkene og byggingen følger med videre til neste prosjekt.
Hvis globalt BNP doblet seg hvert
5 eller 1 år?
På ti år: 4× ved fem års doblingstid. 1 024× ved årlig dobling.
Herfra ser jeg framover
Hva kan dette føre til?Å forstå eksponentiell vekst
I 1835 beskrev Edward Baines hvordan det årlige forbruket av råbomull i britisk bomullsindustri hadde økt fra litt over 3 til rundt 280 millioner pund på om lag 60 år.
Avrundet er det 93 ganger så mye. Det tilsvarer en dobling omtrent hvert niende år.
Samme prosent av en større mengde gir et større tillegg. Derfor kan de siste årene endre skalaen så mye.
Regneeksempel · samme prosent hvert år
En fylt rute = 3 millioner pund per år.
9,7 × startmengden3,3 doblinger
Beregnet med 7,85 % årlig vekst mellom de avrundede endepunktene. Mellomverdiene viser prinsippet, ikke historiske årsdata.
I regneeksemplet er mengden bare 29 millioner etter halve tiden. Omtrent 91 % av hele økningen kommer i de siste 30 årene. Prosentvis vekst er likevel uendret.
Bomullseksemplet viser vekst i en mengde. Med kunnskap kommer et nytt spørsmål: Hva skjer hvis det vi finner ut, også gjør oss bedre til å finne ut mer?
Når ett gjennombrudd åpner for flere
En ny metode kan brukes på tusenvis av problemer. En oppdagelse i ett fag kan bli et verktøy i et annet. Det er dette jeg synes er mest interessant med å skalere intelligens: resultatene kan gjøre neste runde med forskning mer kraftfull.
Flere ideer og mer krevende spørsmål.
Hypoteser prøves og sammenlignes parallelt.
Resultatene etterprøves og deles.
Nye metoder kan forbedre modeller og forsøk.
Det vi lærer, kan forbedre måten vi lærer på.
Hvis vi bare utfører flere av de samme beregningene, får vi mer kapasitet. Men hvis beregningene gir oss en bedre algoritme, et mer presist instrument eller en ny måte å gjennomføre forsøk på, endrer de også hva vi kan gjøre neste gang.
Da kan tiden mellom gjennombrudd bli kortere. Flere fag kan utvikle seg samtidig og gi hverandre nye verktøy. Det åpner for en selvforsterkende utvikling, der både kunnskapen og evnen til å skape den vokser.
Dette er kjernen i tesen min. Hvor sterk tilbakekoblingen blir, avhenger av om bedre forslag også blir til etterprøvde funn og metoder som virker.
Vi har allerede eksempler på mekanismen. Noen kommer fra AI, andre fra grunnforskning som har gjort nye teknologier mulige.
AlphaFold 3 forutsier strukturer i komplekser av blant annet proteiner, DNA, RNA og små molekyler. Slike modeller gir forskere et utgangspunkt for å undersøke samspill og utforme nye molekyler. Studien i Nature.
En metode for strukturprediksjon kan bli et verktøy for mange nye forskningsspørsmål. Kandidatene må så prøves i virkeligheten.
Karikó og Weissmans arbeid med modifiserte nukleosider bidro til å gjøre mRNA egnet til vaksiner. Plattformen gjør det mulig å utvikle og prøve nye vaksinekandidater raskt, med ulike genetiske oppskrifter. Nobelforsamlingens faglige bakgrunn.
Det åpner for å bruke kunnskapen om igjen, også i utviklingen av persontilpasset kreftbehandling. Nye bruksområder krever egne kliniske studier.
DeepMind og EPFL trente et system i simulering og brukte det til å styre plasma i TCV-tokamaken. Kontroll over ulike plasmaformer gjør det mulig å undersøke hvordan de oppfører seg. Forskerne beskriver forsøket.
AI kan forbedre verktøyet fysikere bruker til å lære. Dette er et bidrag til fusjonsforskning, ikke ferdig kommersiell fusjonskraft.
AlphaEvolve foreslår algoritmer, tester dem automatisk og bygger videre på de beste. DeepMind beskriver forbedringer av blant annet beregninger brukt i treningen av modellene bak systemet selv. DeepMinds resultater.
Her er tilbakekoblingen konkret: AI finner metoder som kan gjøre videre AI-utvikling mer effektiv.
Et matematisk gjennombrudd kan gi metoder som brukes langt utenfor problemet de ble laget for. Bedre simulering, nye materialer og mer presis styring kan sammen endre hva vi får til med romfart, energi og roboter.
Det er mer interessant for meg enn å spørre hva som er «dobbelt så vanskelig som Starship». Hvilken hindring må bort for at en hel familie av løsninger skal bli mulig?
Jeg er også nysgjerrig på hva dette kan bety for grunnleggende fysikk, helt ut til forskning på antimaterie. CERN om antimaterie.
Ved vanlig eksponentiell vekst er doblingstiden konstant. Her er hypotesen at nye oppdagelser også kan øke vekstraten, slik at doblingstiden blir kortere. Selvforsterkning alene beviser likevel ikke en bestemt matematisk kurve. «Dobbel eksponentiell vekst» har en strengere betydning enn bare vekst som akselererer.
Ni års dobling i en definert evne ville gitt 2×, 4× og 8× etter 9, 18 og 27 år. Det er et regneeksempel, ikke en målt trend for intelligens. Vi må følge konkrete resultater: hvilke oppgaver som løses, hvor pålitelig de løses, og hvor mye tid og ressurser det krever. METRs mål på oppgavelengde er ett avgrenset eksempel. Produktivitet handler om hva vi produserer per innsatsfaktor.
Jeg vil bygge selskaper som tar bedre modeller i bruk, fyller kunnskapshullene med fagkompetanse og gjør resultatene til kunnskap vi kan bruke igjen. Verdien ligger også i hva det gjør mulig å løse etterpå.
AI-revolusjonen / Et skifte i økonomien
Min tese er at AI kan endre hvordan hele deler av økonomien organiseres. Flere leveranser og forsøk kan gjennomføres samtidig, og nye funn kan brukes i neste runde. Det kan øke både produksjonen og farten på videre utvikling. Historien viser at veksttakten også kan avta. Et nytt sprang med AI er muligheten jeg er opptatt av.
Jeg vil bygge selskaper rundt denne endringen. Fortrinnet tror jeg ligger i hvor godt vi bruker modellens intelligens, knytter den til fagkunnskap og dekker det den mangler. Resultatene fra arbeidet må brukes til å forbedre neste leveranse og neste forsøk.
01 / Tjenestene
Kunden kjøper jobben gjort. Et avstemt regnskap, en ferdig analyse eller en søknad klar til gjennomgang. Regnskap, kundeservice og konsulentoppdrag er naturlige steder å begynne, fordi mye av arbeidet allerede foregår digitalt.
Med «service as a software» leverer programvaren mer av selve arbeidet. Det kan endre hvordan tjenestebedrifter organiseres, prises og bemannes. Jeg tror denne omstillingen gradvis vil omfatte mer av den fysiske økonomien også.
Fortrinnet vil etter mitt syn ligge i fagkunnskapen vi bygger rundt modellen, og hvor godt vi bruker evnene dens. Hver leveranse kan vise oss hvor den mangler informasjon, gjør feil eller trenger en bedre metode. Det gir et grunnlag for å forbedre tjenesten.
I Sequoias beskrivelse av skiftet brukes Sierra som eksempel: kundeservice med betaling for hver sak AI-agenten løser.
Et perspektiv på tjenestemarkedet
02 / Den fysiske verden
En digital modell kan beskrive en virkelig dal. Høyder, vannføring, grunnforhold, strømnett og arealplaner gir rammer for hva som kan bygges der.
Her blir koblingen mellom det digitale og det fysiske interessant for meg. Programvaren kan hjelpe oss å finne en plassering, sammenligne utforminger og planlegge et tiltak lenge før arbeidet begynner ute i terrenget.
Et eksempel fra Akser
I Akser samler vi terreng, kraft, nett og areal i et grunnlag for tidlige prosjektvalg. I småkraftkartet brukes høydeprofiler, nedbørsfelt og avrenning til å foreslå plassering av inntak og kraftverk og anslå produksjon.
For meg viser dette hva intelligensen må knyttes til for å bli nyttig: lokale data, fysiske forhold og ingeniørens metoder. Jeg tror AI kan ta en større del av analysen når den får dette grunnlaget, og vurderingene kan prøves av fagfolk.
Les om Aksers kartlegging av kraft, nett og tomter. Arbeidet er et grunnlag for videre vurdering og prosjektering.
Et mulig neste steg
Med vibecoding beskriver vi hva et program skal gjøre, og lar AI skrive mer av koden. Jeg ser for meg at en lignende arbeidsform vil få større plass i ingeniørfagene.
«Vibe engineering» kan bli å beskrive et behov og få forslag til geometri, materialer og komponenter, prøvd mot beregninger og simuleringer. En prototype kan 3D-printes, måles og forbedres. Fagkunnskap og fysiske tester avgjør om løsningen holder.
Videre ut i den fysiske økonomien
Videre tror jeg agentene får flere fysiske uttrykk: droner som måler, maskiner som bearbeider og roboter som setter sammen komponenter. Flere maskiner kan koordineres rundt samme oppgave og samme modell av omgivelsene.
Da kan en tjeneste etter hvert omfatte hele veien fra behov og terrengmodell til ferdig produkt eller utført arbeid. Dette er retningen jeg tror på. Hvor langt det kan tas, avhenger også av materialer, energi, presisjon og kontroll ute i den virkelige verden.
DeepMind viser allerede AI som planlegger oppgaver og koordinerer roboter. Et helt byggeprosjekt fra bestilling til ferdig anlegg er et langt større sprang.
Andre eksempler på fysisk automatisering er Tesla Robotaxi og Waymo, med førerløse turer i utvalgte områder, og Amazons lagerroboter.
03 / Vitenskapen
I forskning blir samspillet særlig tydelig. Fagkunnskap hjelper oss å stille presise spørsmål og velge metoder. AI kan gi kapasitet til å prøve flere hypoteser samtidig. Etterprøvde funn kan så brukes i neste runde, både av forskeren og av systemet.
Jeg tror denne kapasiteten kan gi oss langt flere svar innen matematikk, fysikk, kjemi og biologi. Da kan AI påvirke farten på selve utviklingen: nye funn kan åpne for bedre materialer, medisiner og energiløsninger, som igjen gjør nye framskritt mulige.
OpenAI publiserte 8. september 2026 et løsningsforslag til Navier–Stokes-problemet, ett av Millennium Prize-problemene. Gruppen som arbeidet fram beviset, hadde ifølge OpenAI rundt 10 000 samtidige agenter som utforsket ulike tilnærminger og delte innsikt. OpenAIs beskrivelse og bevis.
Fra beregninger til målinger
Den samme ideen kan flytte inn i laboratoriet. Agenter foreslår forsøk, styrer instrumenter og analyserer målingene. Resultatene avgjør hvilke hypoteser vi forkaster, og hva vi prøver videre.
Anthropics Model Hardware Standard er et konkret steg: en standard for å la agenter betjene blant annet mikroskoper, væskehåndteringsutstyr og robotarmer parallelt. Den ble åpnet for utvalgte forsknings- og industripartnere i august 2026.
Det mest interessante er når forsøkene også forbedrer metoden: et mer presist instrument, en bedre simulering eller en ny måte å teste hypoteser på. Da får neste forskningsrunde et bedre utgangspunkt. Fysiske forsøk krever fortsatt utstyr, materialer og tid.
Anthropic om Model Hardware Standard. Forskningsverktøyet Claude Science samler også fagverktøy, data og beregningsressurser i ett arbeidsmiljø.
Evne og innsikt kan skille lag
En AI kan finne en løsning som fungerer, uten at et menneske klarer å følge alle leddene som førte fram til den. Større kapasitet gir ikke automatisk større menneskelig forståelse.
Fagkompetanse trengs for å stille presise spørsmål, velge gode forsøk og oppdage når en forklaring ikke holder. Vi må kunne teste resultatet, undersøke feil og la andre etterprøve det.
Jeg tror derfor grunnforskning og naturvitenskap får en større plass i økonomien. Når vi kan undersøke mer, blir evnen til å skille et lovende forslag fra et holdbart funn avgjørende.
04 / Mennesket
Å bygge noe med hendene. Trene, dyrke, lage mat. Være til stede for et annet menneske. Verdien av dette trenger ikke å forsvinne selv om en maskin kan gjøre mer av arbeidet.
Jeg håper mindre rutinearbeid gir oss mer rom for nettopp det. Robotisering vil også treffe praktiske yrker, men menneskelig kontakt og fysisk aktivitet har verdi utover det som produseres.
Hvor jeg tror fortrinnet vil ligge
Jeg tror konkurransefortrinnet vil komme av hvor godt vi utnytter modellens intelligens, og hvor presist vi dekker kunnskapshullene dens. Det gjelder både når vi skal levere en tjeneste og når vi skal finne et svar ingen har ennå.
Fagkompetanse tilfører data, metoder og vurderinger som modellen mangler. Den korrigerer feil og setter krav til hva som er et godt resultat. Sammen kan dette bli spesialisert intelligens som faktisk utfører arbeid.
Arbeidet gir oss også noe å bygge videre på. En løsning kan bli en gjenbrukbar metode, en måling kan forbedre modellen, og et forsøk kan åpne et nytt faglig spørsmål. Jeg vil bygge selskaper som tar denne kunnskapen og nye modellevner i bruk. Slik henger tjenestearbeid, ingeniørfag og forskning sammen i tesen min.
Modellens intelligens og fagets kunnskap. Resultater som også gjør neste oppgave mulig.
Det åpne spørsmålet
Hvis AI overgår oss på nesten alle kognitive oppgaver, kan vi ikke basere rollen vår på at vi alltid vet best. Da må vi ta stilling til hva systemene skal arbeide for, hvem som får verdiene de skaper, og hvordan vi beholder reell kontroll.
Hvilke problemer
vil vi ha løst?
Hvem får del
i gevinstene?
Hva vil vi beholde
ansvaret for?
Superintelligens er et mulig framtidsscenario. Verken tidspunktet eller følgene er kjent.
Engel Kapital
Her bygger jeg tesen i praksis: nye måter å levere arbeid på, med AI og fagkunnskap.
Kraft, nett og tomter
Kartlegging av kraft, nettkapasitet og tomter som grunnlag for nye prosjekter.
akser.noÅpnes i ny fane
SkatteFUNN og FoU
Hjelper teknologiselskaper med SkatteFUNN, FoU og offentlig finansiering.
vitandi.noÅpnes i ny fane
Tilskudd og søknader
Et produkt fra Vitandi som finner relevante tilskudd og hjelper med søknadsarbeidet.
tilskudd.aiÅpnes i ny fane
Selskapsdata og kjøpssignaler
Kobler selskapsdata og signaler for å finne og prioritere potensielle kunder.
agama.noÅpnes i ny fane