For behandlere · KI-opplæring
Grunnleggende KI-opplæring for behandlere
Over fire av ti norske fastleger bruker allerede KI-verktøy i journalarbeidet, og de fleste av oss har for lengst begynt å spørre en chatbot om ting vi før slo opp. Denne artikkelen er grunnleggende KI-opplæring for behandlere, og den er lagt opp motsatt av de fleste kurs: i stedet for en liste med advarsler får du mekanismen. Skjønner du hvorfor verktøyet gjør de feilene det gjør, trenger du ikke huske advarslene – du ser dem komme.
Det ubehagelige som må stå først i en opplæringsartikkel
I en randomisert studie fra 2026 fikk 44 leger tjue timers KI-opplæring før de vurderte kliniske kasus med støtte fra en språkmodell. Da anbefalingene inneholdt innlagte feil, falt treffsikkerheten deres fra 84,9 til 73,3 prosent – fjorten prosentpoeng, til tross for opplæringen. Å forstå verktøyet gjør deg ikke immun. Derfor ender denne artikkelen ikke i «vær kritisk», men i rutiner som virker når du ikke er det.
Én ting, gjentatt: hva modellen faktisk gjør
En språkmodell er trent til å gjøre én eneste oppgave: gitt en tekst, anslå hvilket ord som mest sannsynlig kommer etterpå. Så gjentas det, ord for ord, til svaret er ferdig. At den kan oppsummere, oversette, resonnere og skrive et journalutkast, er ikke egne funksjoner som er bygget inn. Det er egenskaper som oppstår fordi det å forutsi neste ord i enorme mengder menneskeskrevet tekst krever at man har fanget opp mønstre i språket – og gjennom språket, mønstre i verden.
Tre konsekvenser følger direkte av dette, og de forklarer nesten alt du kommer til å oppleve:
- Den har ingen database. Det finnes ikke et oppslagsverk inne i modellen som den slår opp i. Kunnskapen ligger fordelt i milliarder av tallparametere som til sammen koder statistiske sammenhenger. Modellen kan derfor ikke skille mellom «dette har jeg sett tusen ganger» og «dette ligner på noe jeg har sett».
- Den har ingen sannhetsvariabel. Den er optimalisert for sannsynlig tekst, ikke for sann tekst. Det finnes ingen egen mekanisme som sjekker om påstanden stemmer før den skrives ut.
- Den har ingen hukommelse mellom samtaler med mindre den er koblet til en egen lagringsfunksjon. Hver ny samtale starter tom.
Hvorfor den konfabulerer
Ordet «hallusinere» er innarbeidet, men medisinsk upresist: en hallusinasjon er en sansning uten stimulus. Det modellen gjør, ligner mer på konfabulering – å fylle et hull i kunnskapen med en plausibel, sammenhengende og selvsikkert framført historie, uten intensjon om å lyve. Det er samme form som ved Korsakoffs syndrom, og analogien er presis nok til å være nyttig.
En teoretisk analyse publisert av OpenAI i 2025 viser at fenomenet ikke er mystisk: konfabuleringer oppstår «simply as errors in binary classification». Når treningsdataene ikke gir grunnlag for pålitelig å skille sanne fra usanne utsagn, produseres usanne utsagn av rene statistiske grunner. Jo sjeldnere et faktum er i treningsteksten, jo mer gjetter modellen. Derfor er feilene verst der de er farligst i klinikk: sjeldne tilstander, spesifikke doser, tall, referanser og retningslinjer for et lite land.
Samme arbeid peker på en andre mekanisme: modellene er belønnet for å gjette. Testene feltet måles på, gir null poeng for «vet ikke» og null for feil svar, men mulighet for poeng ved å gjette. Modellen sier altså ikke «vet ikke» fordi den er trent i et system der det aldri lønte seg.
Den tredje mekanismen er den mest anvendelige. En metode publisert i Nature i 2024 måler semantisk entropi: man stiller samme spørsmål mange ganger og ser hvor mye betydningen i svarene spriker, ikke bare ordlyden. Høy spredning forutsier konfabulering. Informasjonen om modellens egen usikkerhet finnes altså i systemet – den formidles bare ikke til deg.
Den enkleste kvalitetssjekken du har
Still det samme spørsmålet på nytt i en fersk samtale, uten å vise til den forrige. Får du samme svar, står det trolig på solid grunn i modellen. Spriker svarene meningsmessig, er sannsynligheten for konfabulering høy. Det tar tjue sekunder, det krever ingen teknisk kunnskap, og det er teoretisk begrunnet.
Hvorfor den er selvsikker også når den tar feil
Dette er egenskapen som gjør konfabulering farlig i klinikk, og den er direkte målt. En systematisk evaluering publisert i npj Gut and Liver i 2026 testet 48 språkmodeller – fra små åpne modeller til store kommersielle – på 300 gastroenterologiske eksamensspørsmål, og ba dem samtidig oppgi hvor sikre de var.
Nøyaktigheten varierte fra 30,3 til 81,5 prosent. Den selvrapporterte sikkerheten varierte fra 7,99 til 9,58 på en skala fra 0 til 10. Med andre ord: en modell som svarte riktig på tre av ti spørsmål, oppga omtrent like høy sikkerhet som en som svarte riktig på åtte av ti. Beste modell skilte egne riktige fra egne gale svar med AUROC 0,626, knapt bedre enn myntkast, og bare 5 av 48 hadde bedre kalibrering enn tilfeldig. Forfatternes konklusjon: språkmodeller kan ikke brukes til å formidle usikkerhet.
Tre forklaringer, uten teknisk bakgrunn. For det første: sikkerhet er en språklig stil, ikke en måling. Modellen har lært hvordan sikre utsagn ser ut, og etterligner tonen uavhengig av om innholdet har dekning. For det andre finpusses modellene ved at mennesker rangerer svar mot hverandre, og et tydelig, hjelpsomt svar rangeres høyere enn et forbeholdent. Over millioner av slike vurderinger presses modellen mot selvsikkerhet.
For det tredje er den presset mot å være enig med deg. En kommentarartikkel i npj Digital Medicine i 2025 refererer et forsøk der modeller etterkom logisk uholdbare medisinske forespørsler i 58 til 100 prosent av tilfellene og sjelden påpekte feilslutningen.
Ikke fortell modellen hva du tror
Skriver du «jeg tror dette er X, kan du bekrefte», har du allerede senket sannsynligheten for å få høre at det ikke er X. Still åpne spørsmål til modellen av nøyaktig samme grunn som du gjør det til pasienten: ledende spørsmål gir ledede svar. Beskriv funnene, be om alternativer, og hold din egen hypotese utenfor til slutt.
Kunnskapsgrense, kontekstvindu og temperatur
Tre begreper går igjen i alle brukerveiledninger og blir sjelden forklart slik at de betyr noe i praksis. Her er de i den formen som er nyttig ved skrivebordet.
| Begrep | Hva det er | Hva det betyr for deg |
|---|---|---|
| Kunnskapsgrense | Modellens vekter ble låst på et tidspunkt. Alt som har skjedd etterpå, finnes ikke i den. | Nye retningslinjer, nye preparater, endrede takster og refusjonsregler kan mangle – uten at modellen sier fra. Den vet ofte ikke engang hvor sin egen grense går, og svarer med sikkerhet på spørsmål om nåtiden. |
| Kontekstvindu | Den maksimale mengden tekst modellen kan ha foran seg samtidig: instruksjon, samtalehistorikk, vedlegg og det den selv har skrevet. | I en lang samtale kan instruksjonen du ga i starten ha falt ut, uten varsel. Og selv innenfor vinduet leses ikke alt like godt – se avsnittet under. |
| Temperatur | Hvor mye tilfeldighet som slippes inn når neste ord velges. Lav temperatur gir det mest sannsynlige ordet hver gang; høy gir variasjon. | At du får to ulike svar på samme spørsmål er ikke en feil, det er designet – og det er den enkleste indikatoren du har på at modellen er usikker. I forbrukergrensesnitt kan du normalt ikke stille på dette selv. |
Kontekstvinduet fortjener et tillegg, fordi feilen er umulig å oppdage. En studie i Transactions of the ACL fra 2024 fant at ytelsen er høyest når den relevante informasjonen står i begynnelsen eller på slutten av teksten modellen har fått, og faller markert når den ligger midt inne. Kurven er U-formet, og gjelder også modeller bygget for lang kontekst. Limer du inn et langt dokument og spør om noe som står i midten, er sjansen betydelig for at modellen overser det uten å si fra. Del opp, og legg det viktigste først eller sist.
Modeller som søker, og modeller som ikke gjør det
Dette er trolig det viktigste praktiske skillet for en behandler. To verktøy kan se helt like ut i chatvinduet og likevel bygge svaret på fundamentalt ulikt grunnlag.
Hva skjer med det du skriver inn
Tre ting blandes stadig sammen, og de henger ikke automatisk sammen: om innholdet brukes til å trene modellen, om det lagres og hvor lenge, og hvem som har tilgang. Trening avgjør om opplysninger kan dukke opp igjen hos en annen bruker. Lagring skjer normalt uansett en periode, til feilsøking og misbruksovervåking. Tilgang omfatter leverandøren, skyleverandøren og i gitte tilfeller leverandørens ansatte.
Leverandørene skiller selv mellom forbrukerversjon og virksomhetsversjon. OpenAI skriver for eksempel på sine egne bedriftssider at de som standard ikke bruker data fra virksomhetsproduktene eller API-plattformen – verken inndata eller utdata – til å trene modellene. To forbehold er verdt å merke seg: «som standard» er en innstilling, ikke en teknisk umulighet, og en leverandørerklæring er ikke det samme som en verifisert kontroll.
Det juridiske ligger utenfor denne artikkelen. Hva som kan limes inn, når noe er identifiserbart og hvorfor et «anonymisert kasus» sjelden er anonymt, står i hvilke pasientopplysninger du kan dele med KI. Rammeverket rundt står i regelverket for KI i helsetjenesten og i GDPR og Normen i praksis.
Hva som faktisk gjør svarene bedre
Her må man være ærlig, og svaret er ubehagelig for begge leire: noe av «prompt engineering» er dokumentert, mye av det er ikke, og effekten er ikke universell.
Den mest relevante undersøkelsen er en preprint fra desember 2025 som testet MedPrompt-varianter på fem kliniske beslutningsoppgaver over 36 kasus, med tre modeller. Teknikkene forbedret den svakeste oppgaven betydelig, men forverret andre. Målrettet utvalg av eksempler slo ikke tilfeldig utvalg konsistent – et direkte slag mot en av de mest solgte teknikkene. Optimal temperatur var modellavhengig, ikke universell.
Det ene grepet med solid dokumentert effekt er nesten pinlig banalt. I forsøket der modellene etterkom ulogiske medisinske forespørsler 58–100 prosent av gangene, steg avvisningsraten til opptil 94 prosent når instruksjonen uttrykkelig sa at modellen gjerne måtte påpeke logiske brister. Å gi modellen lov til å si nei, og lov til å si «vet ikke», er trolig det mest kostnadseffektive enkeltgrepet som finnes – og det tar én setning.
Fem grep med rimelig støtte
1. Skriv én setning som gir modellen lov til å svare «vet ikke» og til å påpeke feil i premisset ditt. 2. Gi kontekst og format: hvem svaret er til, hvor langt det skal være, hvilken kunnskapsbase som gjelder. 3. Be om kilder – og åpne dem. 4. Still samme spørsmål i en fersk samtale og se om svaret holder seg. 5. Del opp lange dokumenter, og legg det viktigste først eller sist.
Nærmere folklore ligger utstuderte rollebeskrivelser av typen «du er en verdensledende professor i indremedisin», trusler og belønninger, magiske formuleringer og lange promptmaler som selges som produkter. Det finnes ingen god dokumentasjon for at slikt gir konsistent bedre medisinske svar, og feltet er flyktig: teknikker fra 2023 er delvis irrelevante for dagens resonneringsmodeller.
Den ærligste oppsummeringen er samtidig den mest nyttige: det som forbedrer svarene mest, er ikke hvordan du skriver spørsmålet, men hva du gjør med svaret.
Norsk er en reell svakhet
Mekanismen fra første kapittel gjelder også for språk: modellen har god støtte der treningsteksten er rikelig, og dårlig støtte der den er tynn. Norsk er et lite språk, norsk medisinsk fagspråk et enda mindre, og nynorsk minst av alt.
Det er målt. I Nasjonalbibliotekets evaluering av norsk talegjenkjenning har den beste norsktrente modellen en ordfeilrate på 11,89 prosent for bokmål og 21,64 prosent for nynorsk – omtrent dobbelt så høy. En internasjonal modell uten norsk tilpasning lå på 30,17 og 53,52 prosent. Helsedirektoratets rapport om store språkmodeller peker på det samme: kvalitet må testes på bokmål, nynorsk og samisk der det er relevant.
Det som ikke finnes, er like viktig: ingen studie har målt hvor mye ytelsen faller når en språkmodell skal resonnere klinisk på norsk. Vi vet at gapet er der, ikke hvor stort det er. Konsekvensene for journalarbeid står i artikkelen om bruksområder.
Hvorfor gjennomlesing ikke holder
Nå kommer den delen som gjør en opplæringsartikkel vanskelig å skrive, og som nettopp derfor må stå.
I en studie i Radiology i 2023 leste 27 radiologer mammogrammer med et system som foreslo BI-RADS-kategori. Da forslagene var gale, falt de svært erfarne radiologene fra 82,3 til 45,5 prosent riktig, de uerfarne fra 79,7 til 19,8. De leste forslaget – og forslaget endret vurderingen deres. I den randomiserte studien nevnt innledningsvis falt leger med tjue timers KI-opplæring fjorten prosentpoeng. En systematisk oversikt fra 2012 viser dessuten at automasjonsskjevhet forsterkes av arbeidsbelastning og tidspress.
Slutningen er ubehagelig, men ikke til å komme utenom: «les gjennom før du signerer» er ikke en tilstrekkelig kontroll. Den forutsetter at feilen ser gal ut. Konfabuleringer ser ikke gale ut – de er per definisjon plausible. Og opplæring gjør deg ikke immun. Kvalitetssikringen må derfor bygges inn i arbeidsmåten, ikke i årvåkenheten din.
Fire ting som virker der årvåkenhet ikke gjør det
Aktiv kontroll, ikke passiv. Å lese for å se om det virker greit, fanger ikke konfabulering. Å lete etter en bestemt feiltype gjør det: negasjoner, tall, doser, sidelokalisasjon, tidsangivelser – og det som ikke står. Kontroll mens du husker. En utelatelse kan bare oppdages av noen som vet hva som faktisk ble sagt; derfor er ferdigstilling samme dag et kvalitetstiltak, ikke et ryddetiltak. Stikkprøver satt i system. Ta én sak i uka og sammenlign grundig, uavhengig av hvor travelt det er. Erkjenn motsetningen. Verktøyet selges som avlastning under tidspress, og automasjonsskjevhet er sterkest under tidspress. Det finnes ingen ren løsning – bare rutiner som ikke hviler på dagsformen.
Slik kommer du i gang, uke for uke
En plan er bedre enn en liste over alt man burde gjort. Denne er lagt opp slik at risikoen er nær null i starten, og slik at du har erfaring nok når beslutningen først koster noe. Sett av tjue minutter, tre ganger i uka. Ikke mer.
Uke 1 – kjenn feilene. Still bare spørsmål der du selv sitter med fasiten: en norsk regel du kan, en detalj fra en retningslinje du bruker ukentlig. Be om kilde, og åpne den. Gjenta ett av spørsmålene i en fersk samtale og se om svaret holder seg. Du finner én konfabulering i løpet av uka, og den er hele opplæringen verdt.
Uke 2 – egen tekst. Bruk verktøyet på tekst du selv har skrevet uten pasientopplysninger: et informasjonsskriv, en nettside, et foredragsmanus. Be om kortere, klarere, tilpasset et annet lesenivå. Her er modellene sterkest, fordi oppgaven er å omformulere noe som allerede finnes. Skal teksten brukes i markedsføring, husk at KI gjerne skriver akkurat den virkningspåstanden du ikke har lov til å bruke – se markedsføringsreglene for helsepersonell.
Uke 3 – én oppgave, én rutine. Velg ett avgrenset arbeidsområde. Skriv ned, på et ark, hvordan du kontrollerer resultatet: hvilke tre feiltyper du leter etter, når kontrollen skjer, og hva du gjør når den slår ut. En rutine som ikke er skrevet ned, er en intensjon.
Uke 4 – ta beslutningen. Nå vet du nok til å avgjøre om verktøyet skal inn i drift. Berører det pasientopplysninger, må behandlingsgrunnlag, databehandleravtale og virksomhetsversjon være på plass – ikke en forbrukerkonto. Se hva som kan deles, KI i journalnotater og journalsystemet du allerede har. Bestem deg også for hva du sier til pasienten, og skriv setningen ned.
To ting til slutt. Pasientene dine bruker allerede disse verktøyene før de kommer til deg – se å bruke KI som pasient. Og den best dokumenterte gevinsten for journalassistenter er ikke spart tid, men lavere belastning; det hører hjemme i samtalen om bærekraftig drift, mens det store bildet står i KI og legeyrket.
Ryddig drift, synlig praksis
Behandlingsnett er en uavhengig katalog med over 12 000 behandlere i 14 fagområder – én av flere synlighetskanaler ved siden av egen nettside og Google Business-profil. Prøveperioden er 14 dager.
Spørsmål og svar
Hvorfor finner en språkmodell på ting som ser riktig ut?
Fordi den ikke slår opp noe. Den anslår hvilket ord som mest sannsynlig kommer etter det forrige, om og om igjen. Der treningsteksten gir dårlig grunnlag – sjeldne tilstander, doser, årstall, referanser, regler for et lite land – blir sannsynlighetene jevne, og modellen velger likevel ett alternativ. Resultatet blir plausibelt, sammenhengende og galt. Det ligner mer på konfabulering enn på hallusinasjon.
Kan jeg stole på at modellen sier fra når den er usikker?
Nei. I en studie av 48 språkmodeller varierte nøyaktigheten fra 30,3 til 81,5 prosent, mens den selvrapporterte sikkerheten lå samlet mellom 7,99 og 9,58 av 10. Bare 5 av 48 modeller skilte egne riktige fra egne gale svar bedre enn tilfeldig. Selvsikkerhet i språk er en stilart modellen har lært, ikke en måling av kunnskap.
Hva er kunnskapsgrense, kontekstvindu og temperatur?
Kunnskapsgrensen er tidspunktet modellens kunnskap ble låst; alt nyere kan mangle uten at den sier fra. Kontekstvinduet er hvor mye tekst den kan ha foran seg samtidig – i lange samtaler faller det eldste ut, og informasjon midt i et langt dokument leses målbart dårligere enn det som står først eller sist. Temperatur styrer hvor mye tilfeldighet som slippes inn når neste ord velges, og forklarer hvorfor du kan få to ulike svar på samme spørsmål.
Er svaret bedre hvis modellen søker på nettet?
Som regel mer etterprøvbart, ja. Søk henter faktisk tekst inn i kontekstvinduet før svaret skrives, og det reduserer konfabulering målbart. Men det fjerner den ikke – feilen flytter seg til feil valg av kilde, feilsitering og sammenblanding. Uten søk finnes det ingen kilde å åpne, og oppgir modellen likevel en referanse, er referansen generert av samme mekanisme som resten av teksten.
Virker prompt engineering?
Mindre enn folk tror. En preprint fra desember 2025 testet etablerte teknikker på fem kliniske beslutningsoppgaver over 36 kasus og fant at de forbedret den svakeste oppgaven, men forverret andre, og at målrettet utvalg av eksempler ikke slo tilfeldig utvalg konsistent. Det ene grepet med god dokumentasjon er å uttrykkelig gi modellen lov til å svare «vet ikke» og påpeke feil i premisset: da steg avvisningsraten for ulogiske medisinske forespørsler til opptil 94 prosent.
Er det nok å lese gjennom det KI-en har skrevet?
Nei. Erfarne radiologer falt fra 82,3 til 45,5 prosent riktig når systemet foreslo feil kategori – de leste forslaget, og det endret vurderingen. Leger med tjue timers KI-opplæring falt 14 prosentpoeng i et tilsvarende forsøk. Kontrollen må være aktiv og rettet mot bestemte feiltyper – negasjoner, tall, doser, side, tid og det som ikke står – og den må skje mens du fortsatt husker hva som faktisk ble sagt.
Blir det jeg skriver inn brukt til å trene modellen?
Det avhenger av hvilken versjon du bruker. Tre ting må skilles: om innholdet trener modellen, om det lagres, og hvem som har tilgang. Leverandørene oppgir at virksomhetsprodukter og API som standard ikke brukes til trening, mens forbrukerversjonene har vilkår leverandøren kan endre. «Som standard» er en innstilling, ikke en teknisk umulighet. Det juridiske er gjennomgått i artikkelen om hvilke pasientopplysninger som kan deles.
Fungerer verktøyene like godt på norsk?
Nei, og nynorsk kommer dårligst ut. I Nasjonalbibliotekets evaluering av talegjenkjenning har den beste norsktrente modellen 11,89 prosent ordfeilrate på bokmål og 21,64 prosent på nynorsk. En generell internasjonal modell lå på 30,17 og 53,52 prosent. Ingen har målt hvor mye ytelsen faller når en språkmodell skal resonnere klinisk på norsk med norske retningslinjer – det er et reelt hull i kunnskapen.
Kilder
- Kalai AT, Nachum O, Vempala SS, Zhang E. Why Language Models Hallucinate. arXiv, september 2025 – konfabulering som klassifikasjonsfeil, og evalueringsregimer som belønner gjetting.
- Farquhar S, Kossen J, Kuhn L, Gal Y. Detecting hallucinations in large language models using semantic entropy. Nature 2024;630:625–630.
- Naderi N, Safavi-Naini SAA m.fl. Large language models poorly report self-confidence in gastroenterology clinical reasoning tasks. npj Gut and Liver 2026 – 48 modeller, 300 spørsmål.
- Liu NF, Lin K, Hewitt J m.fl. Lost in the Middle: How Language Models Use Long Contexts. Transactions of the ACL 2024;12:157–173.
- Chai M, Zomorrodi AR. Prompt engineering does not universally improve Large Language Model performance across clinical decision-making tasks. arXiv, desember 2025 (preprint).
- Rosen KL, Sui M, Heydari K m.fl. The perils of politeness: how large language models may amplify medical misinformation. npj Digital Medicine 2025;8:644 – 58–100 % etterlevelse av ulogiske forespørsler, avvisning opptil 94 %.
- Dratsch T m.fl. Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance. Radiology 2023;307(4).
- Qazi IA m.fl. Automation bias among AI-trained physicians – preprint, senere publisert i NEJM AI 2026 (DOI 10.1056/AIoa2501001).
- Goddard K, Roudsari A, Wyatt JC. Automation bias: a systematic review of frequency, effect mediators, and mitigators. JAMIA 2012;19(1):121–127.
- Solberg PE m.fl. Status for norsk talegjenkjenning. Nasjonalbiblioteket 2024 (PDF) – bokmål 11,89 %, nynorsk 21,64 %.
- Helsedirektoratet. KI-vettregler og rapport om store språkmodeller og norske forhold.
- Helsedirektoratet. Helsepersonellundersøkelsen om digitalisering, publisert 26. mars 2026 – over fire av ti fastleger.
- OpenAI. Enterprise privacy and data handling – leverandørerklæring om at virksomhetsdata som standard ikke brukes til trening. Gjengitt som leverandørens egen opplysning, ikke som anbefaling av et verktøy.
Denne artikkelen er generell informasjon til behandlere og er ikke juridisk, regnskapsmessig eller skattefaglig rådgivning. Kildene er kontrollert i august 2026, og feltet endrer seg raskt – flere av tallene over er ferske, og to av studiene er preprint. Regelverk endres også: kontroller alltid mot gjeldende lovtekst og din egen profesjons retningslinjer, og søk profesjonell bistand ved tvil.
