Magma
05.08.2026
Hvordan vil kunstig intelligens (KI) skape organisatoriske vinnere og tapere i tiden fremover?
Dårlige strategier kan svekke og i verste fall ødelegge organisasjoner, mens gode strategier kan øke verdiskapingen ved å frigjøre kapasitet og støtte menneskers unike vurderingsevne. Vi analyserer dette ved å knytte KI til klassisk sosiologi, og viser hvordan teknologien setter turbo på spenninger store sosiologer som Max Weber og Robert K. Merton diskuterte for hundre år siden. Analysen fremhever hvordan KI-agenter kan fungere som
«superbærere» av formell rasjonalitet og regeletterlevelse, og hvordan dette kan fortrenge substansiell rasjonalitet. Konsekvensene kan bli det vi, inspirert av Weber, kaller et «algoritmisk jernbur med blind efektivitet». Hvorvidt det menneskelige skjønnet blir fortrengt eller forsterket, avhenger av hvordan teknologien forstås, organiseres og ledes. Vi konkluderer med at fremtidens vinnere ikke er de som automatiserer mest, men de som evner å kombinere algoritmens regnekraft med menneskelig skjønn.
Innledning Helt siden taylorismen har ideen om organisasjonen som en velsmurt maskin preget ledelsesfaget i gjentatte bølger. På 1990-tallet og tidlig på 2000-tallet kom kunnskapsarbeideren i sentrum, og maskinmetaforen ble avleggs ( Johnsen, 2024). Organisasjonens kjernekompetanse ble avgjørende for konkurransekraften, og mennesket ble organisasjonens viktigste ressurs. I dag vender maskinmetaforen tilbake, nå i form av kunstig intelligens (KI) og algoritmiske organisasjoner. Utrullingen av KI-agenter autonome systemer med evne til å forstå, resonnere og handle muliggjør raskere og billigere oppgaveløsning. Det menneskelige skjønnet havner i baksetet.
De første KI-agentene ble introdusert allerede på 90-tallet (Castelfranchi, 1998), men populariteten har eksplodert med fremveksten av generativ KI. Dagens KI-agenter benytter i økende grad store språkmodeller (Large Language Models, LLMs) som sin motor for resonnering, og de har en bemerkelsesverdig evne til å produsere menneskelignende svar på tvers av domener (Dillion et al., 2023). Denne kvaliteten tvinger oss til å tenke nytt om deres rolle. De er ikke lenger bare verktøy, men kan fremstå som drivende aktører i algoritmiske organisasjoner: som underordnede, kolleger, eller ledere.
Akkurat som i maskinmetaforen og taylorismen står idealet om rasjonalitet sentralt i algoritmisk beslutningstaking. Rasjonalitetsidealet forblir imidlertid ikke en abstrakt tanke, men får praktiske konsekvenser. Lindebaum et al. (2020) viser hvordan organisasjoner omsetter slike idealer til faste handlingsmønstre. Spørsmålet er derfor ikke bare hva teknologien kan og ikke kan gjøre, men hvilke former for rasjonalitet og organisering teknologien bringer med seg, og hva dette betyr for behovet for menneskelig dømmekraft.
Vi har de siste 20 årene på sett og vis utviklet algoritmiske organisasjoner helt uten KI. Ambisjonen om å redusere risiko og øke efektivitet har drevet frem en omfattende standardisering av organisatoriske prosesser. Gjennom en «proseduralisering» har vi etablert klare roller, regler og rutiner for å sikre pålitelig kvalitet og efektivitet. Frykten for avvik og feil har gjort at vi har fått egne «compliance-avdelinger» (etterlevelsesavdelinger), som skal sikre en sterk «etterlevelseskultur», der regelbrudd får direkte konsekvenser for individet. Menneskelig skjønn har blitt betraktet som en kilde til støy, og forskning har vist at selv enkle algoritmer ofte fatter mer presise beslutninger enn menneskelige eksperter (Meehl, 1954).
Når KI-agenter tildeles organisatoriske roller, oppstår faren for at ansatte og ledere lener seg på en algoritmisk autoritet. I rigide byråkratier kan det å følge regler bli en dyd i seg selv, samtidig som byråkratiene blir mindre sensitive når regelbruken gir urimelige og uønskede utfall. Samtidig skal vi se at slike algoritmiske systemer likevel ikke blir fullt ut forutsigbare, de kan tvert imot være vanskelige å både kontrollere og forstå.
Denne utviklingen reiser fundamentale spørsmål om skjønnets plass i organisasjonen. I byråkratier som interagerer med mennesker i ulike kontekster, er det menneskelige skjønnet en sikkerhetsventil som håndterer unntak og uventede situasjoner (Lipsky, 1980). En organisasjon som optimaliserer for KI-drevet efektivitet risikerer å ende i en tilstand av ren formell rasjonalitet. Her vil kapasiteten til å håndtere unntak og uforutsette situasjoner forvitre, fordi det menneskelige skjønnet er fraværende. Slik gjenoppliver KI taylorismens ambisjon om kontroll og forutsigbarhet, samtidig som teknologien introduserer nye former for uforutsigbarhet og tap av kontroll.
I denne artikkelen stiller vi spørsmålet: Hva skjer når KI-agenter inntar organisasjoner, og hvordan påvirker dette menneskelig skjønn i møte med komplekse problemer? Dette vil vi svare på ved å koble moderne KI-agenter til klassisk organisasjonsteori. Vi skal videre vise hvordan designprinsippene bak moderne KI-agenter speiler en logikk basert på formell rasjonalitet, som kan være både efektiviserende og dysfunksjonell på samme tid. Deretter utforsker vi mekanismene som gjør at nettopp denne dynamikken kan ta overhånd, slik at den formelle rasjonaliteten fortrenger den substansielle.
Artikkelens bidrag er tredelt. For ledere som vurderer å innføre KI-agenter, viser vi først hvilke konkrete aspekter ved teknologien som kan bidra til efektiv regeletterlevelse, men likevel gi uhensiktsmessige efekter. For det andre viser vi hvor lett det kan være å forveksle middelet med målet. Dette er et problem organisasjonsteoretikere har advart mot i lang tid, og som får ny rustning når KI-agenter skal innføres. Til slutt diskuterer vi hvilke implikasjoner dette kan ha i praksis, og viser til at ledere som optimaliserer organisasjoner for KI-drevet efektivitet, kan risikere å gi avkall på evnen som hjelper dem å håndtere grensetilfeller, systemfeil og uventede endringer.
Hva er KI-agenter? Kan moderne KI-systemer overkomme begrensningene som følger av formell rasjonalitet, eller reproduseres begrensningene i nye former? For å besvare dette må vi først forstå hvordan moderne KI-agenter er designet og fungerer i praksis. Selv om begrepene tidvis brukes om hverandre, trekker noen et skille mellom KI-agenter og den fremvoksende trenden agentisk KI. En KI-agent er typisk et enkeltsystem programmert til å utføre spesifikke oppgaver, mens agentisk KI refererer til arkitekturer der flere spesialiserte agenter samhandler og fordeler oppgaver i en større arbeidsflyt (Piccialli et al., 2025). Sapkota et al. (2026) illust rerer forskjellen med en enkel analogi: KI-agenten er som en smart termostat, et frittstående system som løser en veldefinert enkeltoppgave. Agentisk KI er hele smarthusøkosystemet, der flere agenter samhandler for å håndtere ulike aspekter av omgivelsene.
Måten KI-agenter utfører sine oppgaver på, har også endret seg fundamentalt over tid. I KI-historien skilles det mellom symbolske og konneksjonistiske tilnærminger. Tradisjonell, symbolsk KI baserer seg på eksplisitte regler og logikk, slik som hvisså (if-then)-setninger eller beslutningstrær (Gonzalez, 2026). Denne tilnærmingen fungerte godt i strukturerte miljøer, men møtte begrensninger i møte med usikkerheten og kompleksiteten i den virkelige verden ( Johnson & Sanchez, 2025). Den konneksjonistiske tilnærmingen, særlig gjennom nevrale nettverk, vokste frem som et svar på disse begrensningene og fikk stor betydning gjen
nom evnen til å behandle enorme datamengder og lære mønstre (Krishnan, 2025). Denne evolusjonen har resultert i agenter som er i stand til læring, generativ resonnering og tilpasning til ustrukturerte og dynamiske miljøer (Sapkota et al., 2026). I dag kan store språkmodeller fungere som den sentrale resonneringsmotoren i slike agenter, ofte omtalt som LLM
Gå til mediet«superbærere» av formell rasjonalitet og regeletterlevelse, og hvordan dette kan fortrenge substansiell rasjonalitet. Konsekvensene kan bli det vi, inspirert av Weber, kaller et «algoritmisk jernbur med blind efektivitet». Hvorvidt det menneskelige skjønnet blir fortrengt eller forsterket, avhenger av hvordan teknologien forstås, organiseres og ledes. Vi konkluderer med at fremtidens vinnere ikke er de som automatiserer mest, men de som evner å kombinere algoritmens regnekraft med menneskelig skjønn.
Innledning Helt siden taylorismen har ideen om organisasjonen som en velsmurt maskin preget ledelsesfaget i gjentatte bølger. På 1990-tallet og tidlig på 2000-tallet kom kunnskapsarbeideren i sentrum, og maskinmetaforen ble avleggs ( Johnsen, 2024). Organisasjonens kjernekompetanse ble avgjørende for konkurransekraften, og mennesket ble organisasjonens viktigste ressurs. I dag vender maskinmetaforen tilbake, nå i form av kunstig intelligens (KI) og algoritmiske organisasjoner. Utrullingen av KI-agenter autonome systemer med evne til å forstå, resonnere og handle muliggjør raskere og billigere oppgaveløsning. Det menneskelige skjønnet havner i baksetet.
De første KI-agentene ble introdusert allerede på 90-tallet (Castelfranchi, 1998), men populariteten har eksplodert med fremveksten av generativ KI. Dagens KI-agenter benytter i økende grad store språkmodeller (Large Language Models, LLMs) som sin motor for resonnering, og de har en bemerkelsesverdig evne til å produsere menneskelignende svar på tvers av domener (Dillion et al., 2023). Denne kvaliteten tvinger oss til å tenke nytt om deres rolle. De er ikke lenger bare verktøy, men kan fremstå som drivende aktører i algoritmiske organisasjoner: som underordnede, kolleger, eller ledere.
Akkurat som i maskinmetaforen og taylorismen står idealet om rasjonalitet sentralt i algoritmisk beslutningstaking. Rasjonalitetsidealet forblir imidlertid ikke en abstrakt tanke, men får praktiske konsekvenser. Lindebaum et al. (2020) viser hvordan organisasjoner omsetter slike idealer til faste handlingsmønstre. Spørsmålet er derfor ikke bare hva teknologien kan og ikke kan gjøre, men hvilke former for rasjonalitet og organisering teknologien bringer med seg, og hva dette betyr for behovet for menneskelig dømmekraft.
Vi har de siste 20 årene på sett og vis utviklet algoritmiske organisasjoner helt uten KI. Ambisjonen om å redusere risiko og øke efektivitet har drevet frem en omfattende standardisering av organisatoriske prosesser. Gjennom en «proseduralisering» har vi etablert klare roller, regler og rutiner for å sikre pålitelig kvalitet og efektivitet. Frykten for avvik og feil har gjort at vi har fått egne «compliance-avdelinger» (etterlevelsesavdelinger), som skal sikre en sterk «etterlevelseskultur», der regelbrudd får direkte konsekvenser for individet. Menneskelig skjønn har blitt betraktet som en kilde til støy, og forskning har vist at selv enkle algoritmer ofte fatter mer presise beslutninger enn menneskelige eksperter (Meehl, 1954).
Når KI-agenter tildeles organisatoriske roller, oppstår faren for at ansatte og ledere lener seg på en algoritmisk autoritet. I rigide byråkratier kan det å følge regler bli en dyd i seg selv, samtidig som byråkratiene blir mindre sensitive når regelbruken gir urimelige og uønskede utfall. Samtidig skal vi se at slike algoritmiske systemer likevel ikke blir fullt ut forutsigbare, de kan tvert imot være vanskelige å både kontrollere og forstå.
Denne utviklingen reiser fundamentale spørsmål om skjønnets plass i organisasjonen. I byråkratier som interagerer med mennesker i ulike kontekster, er det menneskelige skjønnet en sikkerhetsventil som håndterer unntak og uventede situasjoner (Lipsky, 1980). En organisasjon som optimaliserer for KI-drevet efektivitet risikerer å ende i en tilstand av ren formell rasjonalitet. Her vil kapasiteten til å håndtere unntak og uforutsette situasjoner forvitre, fordi det menneskelige skjønnet er fraværende. Slik gjenoppliver KI taylorismens ambisjon om kontroll og forutsigbarhet, samtidig som teknologien introduserer nye former for uforutsigbarhet og tap av kontroll.
I denne artikkelen stiller vi spørsmålet: Hva skjer når KI-agenter inntar organisasjoner, og hvordan påvirker dette menneskelig skjønn i møte med komplekse problemer? Dette vil vi svare på ved å koble moderne KI-agenter til klassisk organisasjonsteori. Vi skal videre vise hvordan designprinsippene bak moderne KI-agenter speiler en logikk basert på formell rasjonalitet, som kan være både efektiviserende og dysfunksjonell på samme tid. Deretter utforsker vi mekanismene som gjør at nettopp denne dynamikken kan ta overhånd, slik at den formelle rasjonaliteten fortrenger den substansielle.
Artikkelens bidrag er tredelt. For ledere som vurderer å innføre KI-agenter, viser vi først hvilke konkrete aspekter ved teknologien som kan bidra til efektiv regeletterlevelse, men likevel gi uhensiktsmessige efekter. For det andre viser vi hvor lett det kan være å forveksle middelet med målet. Dette er et problem organisasjonsteoretikere har advart mot i lang tid, og som får ny rustning når KI-agenter skal innføres. Til slutt diskuterer vi hvilke implikasjoner dette kan ha i praksis, og viser til at ledere som optimaliserer organisasjoner for KI-drevet efektivitet, kan risikere å gi avkall på evnen som hjelper dem å håndtere grensetilfeller, systemfeil og uventede endringer.
Hva er KI-agenter? Kan moderne KI-systemer overkomme begrensningene som følger av formell rasjonalitet, eller reproduseres begrensningene i nye former? For å besvare dette må vi først forstå hvordan moderne KI-agenter er designet og fungerer i praksis. Selv om begrepene tidvis brukes om hverandre, trekker noen et skille mellom KI-agenter og den fremvoksende trenden agentisk KI. En KI-agent er typisk et enkeltsystem programmert til å utføre spesifikke oppgaver, mens agentisk KI refererer til arkitekturer der flere spesialiserte agenter samhandler og fordeler oppgaver i en større arbeidsflyt (Piccialli et al., 2025). Sapkota et al. (2026) illust rerer forskjellen med en enkel analogi: KI-agenten er som en smart termostat, et frittstående system som løser en veldefinert enkeltoppgave. Agentisk KI er hele smarthusøkosystemet, der flere agenter samhandler for å håndtere ulike aspekter av omgivelsene.
Måten KI-agenter utfører sine oppgaver på, har også endret seg fundamentalt over tid. I KI-historien skilles det mellom symbolske og konneksjonistiske tilnærminger. Tradisjonell, symbolsk KI baserer seg på eksplisitte regler og logikk, slik som hvisså (if-then)-setninger eller beslutningstrær (Gonzalez, 2026). Denne tilnærmingen fungerte godt i strukturerte miljøer, men møtte begrensninger i møte med usikkerheten og kompleksiteten i den virkelige verden ( Johnson & Sanchez, 2025). Den konneksjonistiske tilnærmingen, særlig gjennom nevrale nettverk, vokste frem som et svar på disse begrensningene og fikk stor betydning gjen
nom evnen til å behandle enorme datamengder og lære mønstre (Krishnan, 2025). Denne evolusjonen har resultert i agenter som er i stand til læring, generativ resonnering og tilpasning til ustrukturerte og dynamiske miljøer (Sapkota et al., 2026). I dag kan store språkmodeller fungere som den sentrale resonneringsmotoren i slike agenter, ofte omtalt som LLM
