Jeg var til AI4Diversity hos Danske Bank.

Der blev sagt meget fornuftigt om AI, inklusion, kompetencer og ansvar. Den slags arrangementer kan nogle gange ende som en lang panelversion af en LinkedIn-post, men her var der faktisk noget at tage med hjem.

En sætning blev hængende:

AI is an equalizer.

Jeg er både enig og uenig.

Det er et godt tegn. De bedste sætninger er ofte dem, man ikke bare kan nikke til og gå videre fra.

Jeg vibe-codede under oplæggene

Jeg sad og lyttede til folk fra Danske Bank tale om AI, governance og bredere perspektiver, mens jeg samtidig vibe-codede lidt på min egen maskine.

Det er måske meget 2026:

Man sidder til et arrangement om ansvarlig AI i en bank og bygger videre på sine egne små workflows med AI ved siden af.

Det føltes ikke som en modsætning. Det føltes faktisk som pointen.

AI er allerede blevet en del af arbejdet. Ikke kun som en chatbot, man spørger om kommaer. Men som en ekstra hånd på research, noter, kode, struktur og små beslutninger undervejs.

Når det virker, er det en equalizer.

En person med en laptop kan pludselig arbejde som et lille team. En ikke-native speaker kan formulere sig skarpere. En udvikler kan få sparring på kode, noter og arkitektur uden at vente på, at kalenderen viser nåde.

Det er stærkt.

Men så kommer banken.

Banker er ikke et neutralt sted at teste optimisme

I en bank er AI ikke bare et produktivitetsværktøj.

Det kan påvirke kredit, svindelkontrol, kundeservice, risikovurdering, compliance, identitet, rådgivning og adgang til helt almindelige finansielle tjenester.

Derfor bliver “AI som equalizer” hurtigt mere kompliceret.

Hvis modellen hjælper flere mennesker med at forstå økonomi, søge lån eller få hurtigere hjælp, er det positivt.

Hvis modellen derimod lærer gamle mønstre af skæve data og pakker dem ind i et moderne interface, har man ikke fået lighed. Man har fået automatiseret forskelsbehandling med bedre UX.

Og det er her, Danske Bank faktisk er et ret interessant sted at have samtalen.

Den oplagte, lidt for nemme joke

Danske Bank har jo haft sin historik med hvidvask.

Det er en sætning, der næsten skriver sig selv, og derfor skal man passe lidt på med den. Men den er også relevant.

For hvis nogen ved, at mønstergenkendelse i banker ikke kun er en akademisk øvelse, er det nok Danske Bank.

AI kan hjælpe med anti-hvidvask. Ikke som magisk “find alle de onde”-knap, men som et værktøj til at se mønstre, prioritere sager, opdage afvigelser og hjælpe mennesker med at bruge deres tid bedre.

Altså: AI kan måske hjælpe banken med hvidvask.

Forhåbentlig i betydningen imod.

Det er en lille sproglig detalje. Men i bankverdenen er små detaljer åbenbart ret vigtige.

Den kedelige del er den vigtige

Det mest interessante fra Danske Bank-vinklen var ikke, at AI kan være smart.

Det ved alle efterhånden.

Det interessante var idéen om, at bedre AI kræver bredere perspektiver. Det lyder pænt, men det er også teknisk rigtigt.

Hvis et AI-system skal bruges i en stor organisation, skal der være styr på:

  • hvilke data det lærer af
  • hvem det virker dårligt for
  • hvordan fejl opdages
  • hvem der må bruge det
  • hvad der logges
  • hvordan beslutninger forklares
  • hvordan mennesker kan overtage
  • hvordan man klager, retter og ruller tilbage

Det er ikke kun diversity. Det er systemkvalitet.

Det er heller ikke kun jura. Det er produktudvikling, DevOps, UX, data governance og almindelig ansvarlig drift.

Min konklusion

AI kan være en equalizer.

Men kun hvis folk faktisk får adgang til den, lærer at bruge den og kan udfordre de beslutninger, den påvirker.

Ellers bliver den bare endnu et filter mellem mennesker og muligheder.

I bedste fald gør AI dygtige mennesker stærkere og åbner døren for flere.

I værste fald bliver den en meget effektiv måde at gentage gamle fejl på.

Bare hurtigere, pænere og med en bedre demo.

Læs også:

Kilder