Høstferie med sommertemperaturer

Noen dager med høstferie i Berlin nærmer seg slutten. Med stort sett fint vær og gode temperaturer har dagene gått fort i den tyske hovedstaden. I dag har det riktig nok vært litt regn på formiddagen, men nå ser det ut til å gi seg og er vi heldige så kommer sola frem ut over ettermiddagen. Og pluss-minus 20 grader er jo deilig i september!

Basen også denne gangen er hotellet i Grünberger straße 26 som vi har besøkt mange ganger før. Her er frokosten slik den pleier og det samme gjelder de som jobber her. Godt belegg er det også, uten at det plager noen. Voksne gjester i alle aldre vet å oppføre seg!

Det som gjorde mest inntrykk denne gangen var besøket vi avla ved Gedenkstätte Plötzensee. Minnestedet ligger et stykke vest i Berlin, og er kanskje ikke veldig godt kjent, men absolutt verdt turen om man vil minnes de ca. 2 800 menneskene som ble ofre for den tyske nasjonalsosialismen/Hitlerdiktaturet 1933-1945 ved Plötzensee. Minnestedet var brutalt enkelt, ja nesten uhyggelig i sin enkelhet, og skjebnen til de som ble avrettet her blir dokumentert like grundig og systematisk som kildene fra nazi-styret viser.

Heldigvis er ikke Berlin bare historiske minnesmerker og en trøblete fortid. Byen og omlandet har så mye mer å by, og vi brukte nesten en dag på en utflukt til Woltersdorf-sluse. Den lille landsbyen Woltersdorf ligger rett utenfor bygrensa i  øst, og hit er det enkelt å reise med S-bahn et stykke for å bytte til den linja for den  historiske M87-trikken. Når du kommer frem kan du  ta en liten rusletur i området rundt sluseanlegget, evt. ta en spasertur opp til utsiktstårnet like i nærheten før du setter deg ned for å nyte et lite måltid på et av de idylliske spisestedene som ligger rett i vannkanten.

Skripting på en torsdag

Det er noen månder siden jeg jobbet med å automatisere noen statistikkprosesser. De fungerer akkurat som planlagt, og min oppgave med disse er bare å overvåke at de fungerer som de skal. Det kan jo bli litt kjedelig i lengden så i ettermiddag fant jeg ut at jeg ville forberedre nok en prosess hvor jeg får tilsendt CSV-filene i månedsskiftet september-oktober. Og det ble faktisk en riktig positiv opplevelse.

Jeg husket hovedpunktene i prosessene fra før sommeren, men det var også detaljer jeg hadde glemt og det ga noen mindre tilbakeslag uten at det medførte store problemer. Det første jeg gjorde var å analysere innholdet og strukturen i CSV-fila. Med det på plass, var det bare å instruere Gemini til å lage skriptkoden som vasker og klargjør dataene når e-posten med CSV-vedlegget kommer. E-posten blir forøvrig merket med en etikett så det gjenkjennes av skriptet i tillegg til at den går rett til arkivet. Med skriptet på plass og de rette innstillingene i e-posten var det klart for en testkjøring. Den gikk tilsynelatende greit, men det var bare tilsynelatende for ingen data ble skrevet inn i regnearket. Altså var noe galt. Men hva og hvor? Heldigvis holdt jeg hodet kaldt og begynte å lete systematisk etter feilen. Og etter å ha fått Gemini til å gjøre noen endringer i skriptet, falt mistanken på test-fila jeg hadde laget. Og da jeg åpnet den i Notisblokka så jeg øyeblikkelig feilen – dataene var separert med semikolon og ikke komma som skriptet antok fordi jeg hadde forberedt det på en komma-separert datafil. Rett og slett en amatørtabbe! Da ba jeg Gemini å gjøre skriptet enda litt mer robust slik at det håndterer både komma og semikolon som separator. Og med den endringa på plass, fungerte alt som planlagt. Digital husflid kan være riktig så tilfredsstillende!

Nå er det bare å vente på den ordentlige testen med skikkelige data i månedsskiftet. Det blir spennende! Men før vi kommer dit, blir det en aldri så liten høstferietur til Berlin. Det tror jeg også blir bra!

Vel mye bukken til havresekken

Clarivate har nylig publisert sin globale rapport Pulse of the Library 2026, der over 1 800 bibliotekarer – med en overvekt fra fag- og forskningsbiblioteker – har svart på hvordan de forholder seg til kunstig intelligens. Rapporten tegner et bilde av en sektor i spennet mellom teknologisk hastverk og organisatorisk treghet. Men bak de polerte grafene og oppfordringene om «ansvarlig innføring» skjuler det seg strukturelle utfordringer, uklare strategier og en kommersiell aktør som selv har sterke egeninteresser i hva svaret bør være.

Mye av det som avdekkes i rapporten kan selv en norsk universitetsbibliotekar i 40 % stilling kjenne seg igjen i. Her er de viktigste kritiske observasjonene fra rapporten, med særlig blikk på fagbibliotekenes tilnærminger og erfaringer:

1. Studentene løper – bibliotekene nøler

Det mest slående funnet for fagbibliotekene er gapet mellom brukeratferd og bibliotekenes tilpasningstempo. Hele 95 % av britiske lavere grads studenter oppgir at de bruker generativ KI i studiene, og globale brukertester viser at studentenes bruk av KI til arbeidskrav har økt fra 45 % i 2024 til 95 % i 2026. Tall fra norske undersøkelser viser omtrent det samme. Nær én av tre studenter (31 %) starter nå forskningsprosjekter direkte i verktøy som ChatGPT, Claude eller Gemini. Til sammenligning går kun 10 % direkte til bibliotekets nettside eller databaser, og knapt 1 % spør en bibliotekar.

Samtidig står fagbibliotekene i stampe. Selv om 46 % av fagbibliotekene rapporterer om enten forsiktig (planer), moderat eller aktiv utrulling av KI, befinner 33 % av sektoren seg fortsatt på et rent utrednings- og vurderingsstadium. Kun 3 % på verdensbasis har en aktiv, integrert implementering. Tempoet er mao. ikke voldsomt.

2. Strategisk tomrom og overleverte ansatte

Rapporten avslører, svært gjenkjennbart, at mange fagbiblioteker kaster seg inn i KI-prøving uten verken kart eller kompass. Blant bibliotekene som allerede evaluerer eller bruker KI-verktøy, mangler 49 % en tydelig, definert strategisk posisjon, og 28 % har ingen strukturert beslutningsprosess. I USA – som utgjør 57 % av respondentene i undersøkelsen – oppgir hele 60 % at de mangler en avklart strategisk posisjon.

Dette strategiske tomrommet rammer de ansatte direkte. Halvparten av de ansatte (50 %) må lære seg KI-verktøy helt på egen hånd uten organisatorisk støtte eller avsatt tid. Det er også et tydelig kompetansegap internt: Generelle fagbibliotekarer rapporterer om den laveste selvtilliten til KI-begreper (3,14 av 5), mens systembibliotekarer ligger på topp (3,59 av 5). I en hverdag preget av økt arbeidspress, reduksjon i bemanning og krav om å «gjøre mer med mindre», blir kravet om å «bygge KI-kompetanse» nok en usynlig oppgave på en allerede overfylt gjøremålsliste.

3. Produktivitetsfella: Hvem lages verktøyene for?

Et av rapportens mest paradoksale funn handler om hva bibliotekene ønsker, kontra hva de faktisk får. Blant fagbibliotekarene oppgir 57 % at økt produktivitet blant ansatte er et hovedmål med KI. Likevel oppgir kun 18 % at deres primære KI-fokus er rettet mot de ansattes egne arbeidsflyter. De fleste verktøyene som rulles ut er publikumsrettede.

Rapporten peker selv på at verktøyene for å effektivisere tunge, manuelle oppgaver i samlingsforvaltning og katalogisering i liten grad er modne eller tilgjengelige ennå. Fagbibliotekene risikerer dermed å kjøpe inn brukerrettede KI-tjenester som løser studentenes umiddelbare behov, uten at det avlaster det reelle arbeidspresset hos bibliotekarene.

4. Økende bekymring jo nærmere man kommer teknologien

Det er lett å tro at skepsis til KI skyldes manglende kunnskap. Rapporten viser det motsatte: Bekymringene øker i takt med at bibliotekene faktisk tar i bruk verktøyene. Biblioteker i oppstartsfasen rapporterer i snitt 5,3 ulike bekymringer, mot 3,9 hos de som ikke har noen planer om innføring.

Toppbekymringene på tvers av sektoren er:

  • Personvern og datasikkerhet (64 %)
  • Feilinformasjon og «hallusinasjoner» (60 %)
  • Forskningens og den akademiske integriteten (53 %)
  • Skjevhet og diskriminering i algoritmene (50 %)

I fagbibliotek, der kildekritikk, vitenskapelig kvalitet og beskyttelse av forskningsdata står i kjernen av samfunnsoppdraget, er dette ikke marginale innvendinger – det er reelle faglige hindre.

5. Markedsføring i forskningsdrakt?

Som leser av Pulse of the Library 2026 er det helt avgjørende å ha blikk for hvem som står bak publikasjonen. Clarivate er på ingen måte et nøytralt forskningsinstitutt, men en av verdens største kommersielle leverandører av biblioteksystemer, indekseringsdatabaser og KI-verktøy (som Web of Science, ProQuest, Alma og Primo).

Gjennom hele rapporten slås det fast som et uunngåelig faktum at «KI er kommet for å bli, og det kan vi ikke endre». Løsningen som lanseres er «felles styring» og integrasjon av bibliotekressurser inn i KI-flater. Det er vanskelig å ikke legge merke til hvordan rapportens avslutning glir over i produktomtale for Clarivates egne «Academic AI»-løsninger, der det skrytes av 30–60 % tidsbesparelse på manuelle oppgaver. Rapporten fungerer dermed som en premissleverandør som først definerer krisen (studentene rømmer til ChatGPT) og deretter tilbyr sine egne betalingsløsninger som redningen.

Oppsummering: Hva bør fagbibliotekene gjøre?

Fagbibliotekene står overfor reelle utfordringer når brukernes adferd endrer seg drastisk. Om svaret er å ukritisk hekte seg på de kommersielle leverandørenes KI-vogn, stiller jeg meg tvilende til. Men man altså kan bevege seg uten å hoppe på det første toget som dukker opp. Å teste bruk av KI på egne oppgaver i et arbeidsfellesskap er etter min mening en god startstrategi.

Hvis fagbibliotekene skal bevare sin rolle som garantister for pålitelig kunnskap, må de:

1. Kreve ressurser og avsatt tid til kompetanseheving for alle ansatte, ikke bare systemspesialistene.

2. Etablere tydelig styring sammen med IT-avdelingen og institusjonen for øvrig før verktøy kjøpes inn.

3. Møte kommersielle KI-løsninger med sunn og kompetent kildekritikk – det samme kravet til transparens og etterrettelighet som vi stiller til forskningen selv.

Bibliografiske opplysninger

Clarivate. (2026). Pulse of the library 2026. Clarivate.  https://doi.org/10.14322/pulse.of.the.library.2026

Å regulere et område i utvikling

Oslomet har oppdatert og publisert sin veiledning for bruk av kunstig intelligens (KI) i student- og doktorgradsarbeider. Etter en kjapp gjennomlesning ba jeg KI (Gemini) gi en kritisk vurdering av, og den følger nedenfor:

«Hovedstyrke: OsloMet har valgt en realistisk tilnærming der KI i utgangspunktet er et tillatt hjelpemiddel. Begrunnelsen for hvorfor KI ikke skal i den vanlige referanselisten (manglende gjenfinnbarhet), er faglig god.

Svakhet – gråsoner: Retningslinjene håndterer direkte kopiering bra, men gir lite veiledning for gradvis bruk, som språkvask, omformulering og strukturering av egen tekst. Her er grensene uklare.

Svakhet – rettsikkerhet: Teksten bruker diffuse formuleringer som «det mest hensiktsmessige» og «i noen sammenhenger». Når konsekvensen for feilbruk kan være fusk og utestengelse, bør kravene til rapportering være krystallklare.»

Jeg slutter meg i det store og hele til vurderingen av Gemini. Veiledningen til retningslinjen gir et greit og «moderne» utgangspunkt som unngår et urealistisk forbud mot KI. Den begrunner faglige valg (som kildehåndtering) godt. Jeg setter likevel hermetegn rundt moderne for å vise at både teknologien og den sosiale reguleringen av bruken av den ikke har satt seg og fortsatt er under utvikling. Og nettopp det illustrerer utfordringene med å regulere et område som stadig endrer seg i form av en veiledning til en retningslinje.

Det er tydelig at veiledningen kan og bør forbedres på enkelte punkter – hvis man først skal ha slike veiledninger til retningslinjer. Teksten bruker noen steder diffuse begreper og blir dermed ikke så presis som man kan forvente i en veiledning, og det gjelder særlig på områder hvor konsekvensen av feil bruk kan være alvorlig for studentene. Og fordi det skal være en veiledning bør den kanskje bidra med eksempler som viser riktig bruk.

Jeg vet altså ikke helt om jeg bare er skeptisk eller motstander til veiledninger av denne typen. Uansett hvilket standpunkt jeg lander så begrunner jeg det med at vi allerede har etablerte «spilleregler» i sektoren, og her er kanskje akademisk redelighet den viktigste. Å føye til krav, reguleringer og retningslinjer i etterkant av den teknologiske utviklingen og sosiale praksiser er naturligvis nødvendig fra tid til annen, men det å justere og tilpasse de løpende tror jeg ikke er en hensiktsmessig praksis. Jeg tror det hadde vært langt bedre å ta frem igjen begrep som akademisk redelighet og gi studentene – og tilsatte – en oppdatert og skikkelig innføring av hva det innebærer i vår tid.

Jo takk, det humper og går…

Som en del av å lære meg Power BI har jeg den siste uka sett nærmere på to helt sentrale tema: hvordan man kobler seg til data, og hvordan man lagrer og deler rapportfilene sine.

Når du bygger rapporter for sluttbrukere og ledere, publiserer du arbeidet ditt til Power BI Service. Men når du skal ta vare på eget arbeid eller samarbeide med andre utviklere, er det ofte mer hensiktsmessig å håndtere og dele filene som brukes direkte. Det siste er naturligvis mest aktuelt når man jobber på litt større prosjekter.

Her er min oppsummering av de viktigste konseptene fra notatene.

1. Tilkoblingstyper: Hvordan hente data?

I Power Bi kan du velge mellom tre ulike tilkoblingstyper – Import, DirectQuery og Live Connection. Valg av tilkoblingstype har stor påvirkning på ytelse, filstørrelse og modellfleksibilitet.

  • Import:
    • Hvordan det fungerer: Dataene importeres og lagres som en lokal kopi direkte inne i Power BI-filen din.
    • Fordeler: Gir den beste ytelsen og full modellfleksibilitet til å manipulere og forme dataene slik du vil.
    • Ulemper: Filstørrelsen kan bli stor fordi alle dataene ligger lagret i filen.
  • DirectQuery:
    • Hvordan det fungerer: Ingen data lagres i Power BI; dataene blir liggende i det opprinnelige kildesystemet.
    • Fordeler: Filstørrelsen holdes svært liten, noe som er ideelt dersom du må håndtere enorme datamengder eller bruker ferske data kontinuerlig.
    • Ulemper: Ytelsen avhenger av eksterne faktorer som nettverk og databasestørrelse, og modellfleksibiliteten er mer begrenset.
  • Live Connection:
    • Hvordan det fungerer: Kobler seg direkte til en eksisterende, felles datamodell (shared semantic model) i Power BI Service.
    • Kjennetegn: Modellen ligger ute i tjenesten og er låst, noe som betyr at du ikke har modellfleksibilitet, men utelukkende bygger visuelle rapporter oppå den. Filstørrelsen er svært liten.

💡 Hovedregel: Finnes det allerede en felles modell i Power BI Service, bør du bruke Live Connection. Hvis du bygger fra bunnen av, er regelen å alltid prøve Import først, med mindre datamengden overstiger minnet eller brukerne krever sanntidsoppdateringer fra et sterkt kildesystem.

2. Filformater: Hvordan lagre og strukturere prosjekter?

Power BI tilbyr tre ulike filutvidelser som er tilpasset ulike måter å jobbe på:

  • .PBIX (Power BI Report):
    • Standardformatet i Power BI.
    • Lagrer alle tre lag: data, datamodell og visuelle elementer i én enkelt binærfil.
    • Fungerer som et komplett og selvdrevet øyeblikksbilde.
    • Best for: Utviklere som jobber alene eller i små team.
  • .PBIT (Power BI Template):
    • Et mal-format som lagrer datamodellen og de visuelle elementene, men helt uten data.
    • Filstørrelsen er betydelig mindre enn en PBIX-fil.
    • Når noen åpner filen, kobler Power BI seg til kildesystemet på nytt for å hente ferske data.
    • Best for: Å dele en blåkopi eller rapportmønster med andre uten å spre sensitive data.
  • .PBIP (Power BI Project):
    • Et nyere prosjektformat tilpasset større prosjekter og teamutvikling.
    • Lagres som en mappestruktur oppdelt i separate mapper for rapporten og den semantiske datamodellen, i stedet for én enkelt binærfil.
    • Inneholder tekstbaserte JSON-filer i stedet for kryptisk binærkode.
    • Best for: Avansert teamarbeid, endringssporing linje for linje og versjonskontroll via GitHub.

Oppsummering

Det å forstå forskjellene på tilkoblingstyper og filformater viser at Power BI er fleksibelt og kan tilpasses ulike arbeidsformer. Enten man jobber som enslig analytiker eller i et stort utviklingsteam, har Power BI verktøyene og formatene som kreves for å levere alt fra enkle rapporter til store, versjonskontrollerte prosjekter. Å gjøre seg opp en omtrentlig og foreløpig mening om kompleksitet, prosjektstørrelse, rapporteringskrav, samarbeidsrelasjoner etc. kan derfor være fornuftig før man evt. velger verktøy som Power BI.