18 aug. 2026 10 min read Prosjekt

Hackaton i kunnskapsarbeid

[bg_collapse view="button-orange" color="#4a4949" expand_text="Ledetekst" collapse_text="Lukk" ]

Bruk vedlagte tekst for å beskrive en ny type organisering av KI-støttet kunnskapsarbeid som å utvikle et digitalt læreverk, designe et nytt didaktisk opplegg for et kurs eller etablere et nytt samspill mellom distansekurs og praksispetioder utenfor et universitet:

Et hackaton (eller hackathon) er et arrangement der programmerere, designere og andre teknikere samles i team for å raskt utvikle funksjonelle prototyper av programvare eller maskinvare over en kort periode, vanligvis 24 til 48 timer. Ordet er en sammensetning av «hacking» (utforskende programmering) og «maraton», og handler om kreativ problemløsning og innovasjon under press, ikke om ulovlig hacking.

Hovedtrekk ved hackatons

Format: Deltakere arbeider intensivt i et tidsbegrenset sprint for å bygge et konkret produkt, en app eller et verktøy fra bunnen av.
Mål: Hovedmålet er å demonstrere en fungerende prototype og presentere løsningen for et panel av dommere som vurderer innovasjon, funksjonalitet og design.
Deltakelse: Hendelsene er ofte åpne for studenter, profesjonelle og teknikkeksperter, og kan være konkurranser med premier eller sponsorbaserte arrangementer rettet mot spesifikke bransjer som fintech eller AI.
Fordeler: Deltakere utvikler verdifulle ferdigheter som teamwork, kritisk tenkning og rask prototyping, og får mulighet til å nettverke med potensielle arbeidsgivere eller medgründere.

Hackatons kan være fysiske eller virtuelle, og de fokuserer ofte på spesifikke temaer, API-er eller teknologier, der vinnerne ofte kåres basert på kreativitet og gjennomførbare ideer fremfor ferdige, perfekte produkter.

[/bg_collapse]

Hackaton-modellen kan overføres fra programvareutvikling til kunnskapsarbeid som en tidsavgrenset utviklingsform der mennesker og KI arbeider sammen om å frambringe en fungerende førsteversjon av et komplekst kunnskapsprodukt. Poenget er ikke å produsere et ferdig og perfekt resultat, men å organisere arbeidet slik at en gruppe raskt kan gå fra problemforståelse til prøvbar prototype.

En slik arbeidsform kan kalles et kunnskaps-hackaton eller en didaktisk sprint. Produktet kan for eksempel være et digitalt læreverk, et nytt didaktisk opplegg for et kurs eller en modell for samspillet mellom et distansekurs og praksisperioder utenfor universitetet.

Kunnskaps-hackaton

I et tradisjonelt hackaton er utgangspunktet gjerne et teknisk problem, et datasett eller et sett med API-er. I et kunnskaps-hackaton er utgangspunktet i stedet et faglig eller pedagogisk problem. Teamet får en avgrenset periode til å utvikle en første fungerende løsning. KI inngår som en aktiv ressurs i arbeidet, men erstatter ikke faglig og didaktisk vurdering.

Arbeidet kan organiseres i en serie korte utviklingssløyfer:

Problem: Teamet avgrenser et konkret behov eller en utfordring.
Kartlegging: Deltakerne samler relevant fagstoff, erfaringer, praksiskunnskap og eksisterende ressurser.
KI-støttet utvikling: KI brukes til å utforske ideer, strukturere stoff, foreslå sammenhenger, utvikle utkast og simulere alternative løsninger.
Faglig bearbeiding: Menneskene kontrollerer, korrigerer, prioriterer og kontekstualiserer KI-generert materiale.
Prototyping: Materialet settes sammen til en konkret og utprøvbar løsning.
Testing: Prototypen prøves mot et faktisk undervisnings-, lærings- eller praksisproblem.
Presentasjon og vurdering: Teamet demonstrerer løsningen og får tilbakemeldinger fra fagpersoner, studenter eller praksisfeltet.

Dermed flyttes oppmerksomheten fra å «bruke KI til å skrive» til å organisere kunnskapsarbeid rundt iterative prototyper. KI blir én av ressursene i et arbeidsfellesskap som også omfatter faglig ekspertise, erfaring, kilder, studenter og praksisfelt.

Eksempel 1: Digitalt læreverk

Et team kan få i oppgave å utvikle førsteversjonen av et digitalt læreverk på 24–48 timer. Før hackatonet defineres læringsmål, målgruppe og faglig ramme. Under selve arrangementet kan deltakerne fordele arbeidet mellom faglig strukturering, kildearbeid, oppgaver, eksempler, illustrasjoner og digitale læringsaktiviteter.

KI kan bidra med raske utkast og alternative framstillinger, men teamet må hele tiden stille spørsmålet: Hva må studenten faktisk kunne gjøre etter å ha arbeidet med dette materialet? Det gjør at læreverket utvikles fra læringsarbeidet og ikke bare fra mengden tilgjengelig tekst.

Eksempel 2: Didaktisk opplegg

Et annet hackaton kan ta utgangspunkt i et kurs som fungerer dårlig. Problemet kan være lav studentaktivitet, svak sammenheng mellom teori og praksis eller at vurderingsformen ikke støtter læringsmålene.

Teamet utvikler da en prototype av et nytt undervisningsopplegg. KI kan brukes til å generere alternative case, oppgaver, studentroller, vurderingssituasjoner og former for tilbakemelding. Disse forslagene testes mot fagets læringsmål og mot erfaringer fra undervisningen. Resultatet er ikke en samling KI-genererte aktiviteter, men en helhetlig didaktisk modell som kan prøves ut.

Eksempel 3: Distansekurs m/praksis

Hackatonmodellen kan også brukes til å utvikle en ny organisering av forholdet mellom universitetet og praksisfeltet. Et team kan på kort tid utvikle en prototype der studenten arbeider med fagstoff digitalt før en praksisperiode, anvender kunnskapen i en ekstern virksomhet og deretter vender tilbake til det digitale læringsmiljøet for å analysere erfaringene.

Her blir praksis ikke et tillegg til utdanningen, men en del av selve kunnskapsproduksjonen. KI kan fungere som støtte før, under og etter praksisperioden: Studenten kan bruke KI til å forberede spørsmål, bearbeide observasjoner, sammenligne erfaringer med faglige perspektiver og utvikle forslag til løsninger. Samtidig må erfaringene kontrolleres mot faktisk praksis, lokale forhold og faglig kunnskap.

Det nye ligger i organiseringen

Det mest interessante ved modellen er derfor ikke selve bruken av generativ KI. Det nye ligger i arbeidsorganiseringen. Et tradisjonelt kunnskapsarbeid kan være sekvensielt: noen innhenter kunnskap, andre skriver, andre kvalitetssikrer og til slutt publiseres resultatet. Et kunnskaps-hackaton organiserer i stedet arbeidet som en kort, intensiv og iterativ prosess der kunnskap, utprøving og revisjon skjer parallelt.

På samme måte som et teknisk hackaton ikke har som ambisjon å produsere ferdig programvare på 48 timer, trenger ikke et didaktisk hackaton å produsere et ferdig kurs eller læreverk. Målet er en fungerende prototype som gjør det mulig å lære gjennom utprøving. Kvaliteten utvikles gjennom senere testing og revisjon.

Dette gir også en annen forståelse av KI-støttet kunnskapsarbeid. KI bør ikke primært betraktes som en rask produsent av ferdige tekster. Den kan heller inngå i et arbeidsmiljø for utforskning, simulering, prototyping og revisjon. Menneskenes oppgave blir da særlig å definere problemet, bringe inn kontekst og erfaring, vurdere kvalitet og ta ansvar for den endelige løsningen.

En slik modell kan dermed beskrives som «hackatonisering av kunnskapsarbeid»: komplekse faglige og pedagogiske oppgaver organiseres som korte, intensive utviklingsforløp der tverrfaglige team bruker KI sammen med menneskelig ekspertise for å utvikle, teste og forbedre konkrete kunnskapsdesign.

[bg_collapse view="button-orange" color="#4a4949" expand_text="Organisasjonsdesign" collapse_text="Lukk" ]

Universitetet har lenge organisert kunnskapsarbeid etter en modell som gir mening i en verden der produksjon, kvalitetssikring og distribusjon av kunnskap er langsomme prosesser.

Et emne utvikles, undervises og evalueres.
En faggruppe fordeler undervisningsoppgaver.
Et institutt fordeler emner, studieprogrammer og administrative oppgaver.
Informasjon samles inn, bearbeides og sendes videre gjennom møter, dokumenter, komiteer og beslutningslinjer.

Modellen er robust, men har også en kostnad. Mte tid går med til å administrere kunnskapsarbeidet snarere enn til å utvikle det.

Generativ kunstig intelligens gjør det nødvendig å stille et mer grunnleggende spørsmål. Hvis KI kan analysere store mengder materiale, lage førsteutkast, sammenstille kunnskap, simulere studentrespons, utvikle oppgaver, bearbeide tilbakemeldinger og holde oversikt er det ikke tilstrekkelig å legge et KI-verktøy oppå den eksisterende organisasjon.

Ikke spør først hva KI kan gjøre raskere. Spør hva universitetet kan slutte med.

Fra emneadministrasjon til utviklingsteam

En mulig start er å endre hvordan en faggruppe arbeider. I stedet for at det først og fremst er en arena for fordeling av undervisning, møter og administrasjon, kan den organiseres som et kunnskapsstudio. Lag et lite, permanent utviklingsmiljø som bygger, prøver ut og forbedrer læringsressurser, undervisningsformer og vurderingspraksis. Det er en overgang fra semesterlogikk til utviklingslogikk.

I semesterlogikken produseres undervisningen på nytt hver gang emnet skal gjennomføres.
I utviklingslogikken utvikles det en stadig bedre faglig og didaktisk infrastruktur som kan gjenbrukes, testes og forbedres over tid.

Et digitalt læreverk blir da ikke et dokument som ferdigstilles én gang. En oppgave er ikke bare en oppgave som ligger i læringsplattformen, men en komponent i et større system. Studentenes besvarelser og spørsmål og blir informasjon som brukes til å forbedring. KI kan bidra med analyse og forslag, mens fagmiljøet avgjør hvilke endringer som faktisk er faglig og pedagogisk ønskelige.

Start med å fjerne arbeidet

Den viktigste endringen er imidlertid ikke å innføre nye roller. Det er å gjennomgå det eksisterende arbeidet systematisk. For hver aktivitet bør faggruppa spørre: Hvorfor gjør vi dette? Hvem trenger resultatet? Hvilken beslutning avhenger av det? Kan informasjonen hentes direkte? Kan prosessen forenkles? Kan den fjernes? Kan KI utføre deler av arbeidet uten at kvalitet eller ansvar svekkes? Det kan gi overraskende resultater.

Kanskje trenger ikke alle emner separate forelesningspresentasjoner hvert semester.
Kanskje trenger ikke faglærere å skrive de samme introduksjonene på nytt.
Kanskje kan deler av studentveiledningen organiseres som en kombinasjon av gode faglige ressurser, KI-støttet veiledning og menneskelig oppfølging av de tilfellene som faktisk krever ekspertise.
Kanskje kan enkelte møter erstattes av kontinuerlige digitale arbeidsflater der status og beslutningsgrunnlag er synlige for alle.

Det avgjørende er rekkefølgen: først fjerne, deretter forenkle, så automatisere.

Hackaton som arbeidsform

Her kan hackatonideen få strategisk betydning. Et institutt kan etablere regelmessige kunnskapshackaton der faggrupper arbeider intensivt med konkrete problemer. Oppgaven kan være å utvikle et nytt digitalt læreverk, redesigne et emne, etablere en ny vurderingsform eller koble et nettbasert kurs tettere til praksisfeltet.

Hackatonet trenger ikke være en konkurranse. Det kan være en organisatorisk mekanisme for å konsentrere kapasitet. I stedet for at innovasjon skal skje «på toppen av» de ordinære oppgavene, reserveres bestemte perioder til utviklingsarbeid. Et team får et tydelig problem, tilgang til relevante kilder og data, KI-verktøy og nødvendig fagkompetanse. Etter kort tid skal teamet ha en prototype som kan prøves ut.

Dette endrer også hva det betyr å lykkes. Målet er ikke å skrive det perfekte dokumentet før noen får se det. Målet er å få en fungerende førsteversjon ut i verden så raskt at man kan lære av den. Universitetets kvalitetssikringssystem må dermed suppleres med en sterkere læringssløyfe: utvikle, prøve, observere, analysere, endre og prøve igjen.

Lærende system

På instituttnivå kan denne modellen føre til en enda større endring. Instituttet kan i mindre grad organiseres rundt stabile administrative enheter og i større grad rundt midlertidige oppdrag og tverrfaglige team. En emnegruppe kan være permanent, men teamet som utvikler en ny praksismodell kan settes sammen på tvers av emner. Et annet team kan arbeide med vurdering. Et tredje kan utvikle digitale læringsressurser.

KI gjør dette mulig fordi mye av koordineringsarbeidet kan understøttes digitalt. Et team trenger ikke nødvendigvis å bruke store mengder tid på å orientere seg i hva andre allerede har gjort. Et institutt kan bygge en felles kunnskapsbase der emneplaner, læringsressurser, evalueringer, praksiserfaringer, tidligere utviklingsprosjekter og faglige retningslinjer inngår som kontekst for videre arbeid.

Det mest verdifulle resultatet blir da ikke den enkelte KI-genererte teksten eller den enkelte automatiserte arbeidsflyten. Det blir instituttets samlede læringssystem.

Her ligger også en viktig forskjell mellom å bruke KI som skriveverktøy og å bygge en KI-støttet organisasjon. I det første tilfellet blir KI en individuell produktivitetsforbedring. I det andre tilfellet blir erfaringer fra mange menneskers arbeid koblet sammen slik at organisasjonen kan lære raskere.

Fra læringsplattform til kunnskapsinfrastruktur

En slik omlegging krever også at universitetet tenker annerledes om de digitale systemene sine. Læringsplattformen bør ikke bare være et sted der ferdige dokumenter distribueres til studenter. Den bør inngå i en større kunnskapsinfrastruktur.

Studentenes arbeid kan gi informasjon om hvor læringsressurser er uklare, hvilke begreper som skaper problemer, hvilke oppgaver som fungerer og hvilke sammenhenger mellom teori og praksis som er vanskelige å forstå. Praksisfeltets tilbakemeldinger kan kobles til læringsmålene. Faglærernes erfaringer kan kobles til studentenes erfaringer. KI kan bidra til å identifisere mønstre i dette materialet.

Men dette må ikke forstås som et argument for total datainnsamling. Et universitet er ikke en produksjonslinje der alt som kan måles, bør måles. Informasjon må samles inn fordi den har en faglig eller pedagogisk funksjon, ikke fordi teknologien gjør det mulig.

Den gode KI-organisasjonen er ikke den som samler mest data, men den som lærer mest av den informasjonen den faktisk trenger.

Dosenten som faglig arkitekt

En slik organisering vil også endre fagrollene. Når KI kan produsere tekst, oppgaver og andre standardiserte læringsressurser raskt, blir det mindre meningsfullt å forstå den akademiske ekspertens verdi primært som evnen til å produsere mer tekst enn andre.

Den faglige ekspertens rolle kan i større grad bli å være arkitekt for kunnskapsarbeidet. Det innebærer å definere hvilke problemer som er viktige, hvilke begreper som må stå i sammenheng, hvilke kilder som er relevante, hvilke eksempler som representerer praksisfeltet, hvilke feil studenter typisk gjør, og hvilke faglige vurderinger som ikke kan overlates til en generativ modell.

Det kan også gjøre den akademiske profesjonen mer, ikke mindre, krevende. Når et KI-system kan produsere ti plausible forklaringer på et problem på noen sekunder, blir spørsmålet ikke hvordan man skriver den ellevte forklaringen. Spørsmålet blir hvilken forklaring studentene faktisk trenger, hvilke forutsetninger den krever, og hvordan man vet om den virker.

Studenten er deltaker

Den samme logikken kan brukes på studentrollen. Studenten bør ikke bare være mottaker av et ferdig undervisningsprodukt. Studenten kan inngå i utviklingssløyfen.

Et kurs kan for eksempel bygges som en serie kunnskapsprosjekter der studentene anvender teori på autentiske problemer, dokumenterer hva de gjør, får KI-støttet respons, diskuterer resultatene med faglærer og reviderer arbeidet. I profesjonsutdanninger kan dette kobles direkte til praksisfeltet. Distanseundervisning, campus og praksis blir da ikke tre separate arenaer, men deler av én sammenhengende læringsprosess.

Universitetets forhold til omverdenen kan dermed endres. I stedet for å produsere kunnskap internt og senere forsøke å «overføre» den til praksis, kan utdanningen organiseres som et kontinuerlig samspill mellom universitet, studenter og profesjonelle miljøer. KI kan bidra til å holde sammen dette samspillet, men kan ikke erstatte relasjonene og den kontekstuelle kunnskapen som gjør det meningsfullt.

Ledelse etter KI Shuffle

Dette innebærer også en ny oppgave for instituttledelsen. Ledelsen bør ikke først og fremst spørre hvor mange KI-verktøy de ansatte bruker. Det er et svakt mål. Det interessante spørsmålet er hvilke begrensninger i utdanningen eller forskningen som faktisk har flyttet seg.

Har tiden brukt på administrasjon gått ned? Har studentene fått raskere og bedre tilbakemeldinger? Har fagmiljøet utviklet bedre læringsressurser? Har kontakten med praksisfeltet blitt tettere? Har kvaliteten på vurderingen økt? Har faglærerne fått mer tid til faglig arbeid?

Dette peker mot en annen form for styring. Ledelsen skal ikke kontrollere alle arbeidsprosesser. Den skal etablere rammer der fagmiljøene kan bygge, prøve og lære. Noen områder krever streng styring: personvern, informasjonssikkerhet, eksamen, forskningsetikk og akademisk integritet. Andre områder bør ha stor eksperimentell frihet.

Et institutt som behandler enhver KI-anvendelse som et høyrisikoprosjekt, vil kunne få god kontroll, men dårlig læring. Et institutt som ikke har noen kontroll, vil kunne få rask læring, men også uakseptable feil. Oppgaven er derfor å skille mellom hva som krever governance og hva som krever eksperimentering.

Det egentlige målet: et annet universitet

En KI-strategi som bare fører til at faglæreren kan skrive e-poster litt raskere, er ikke en universitetsreform. Det er effektivisering. Den kan være nyttig, men den endrer ikke institusjonen.

Den mer interessante muligheten er å bruke KI til å undersøke universitetets grunnleggende arbeidsdeling. Hvorfor produserer vi undervisning på samme måte som før? Hvorfor er det så stor avstand mellom faglig utviklingsarbeid og ordinær undervisning? Hvorfor må kunnskap bevege seg gjennom så mange administrative ledd? Hvorfor er praksis ofte organisert som et tillegg til utdanningen? Hvorfor samler vi så mye informasjon som ingen bruker?

En emnefaggruppe eller et institutt som våger å stille disse spørsmålene, kan gradvis gå fra å være en administrativ enhet som leverer emner, til å bli et lærende kunnskapsstudio. Der utvikles undervisning som prototyper. Der brukes KI til å utforske og bearbeide kunnskap. Der prøves ideer ut sammen med studenter og praksisfelt. Der blir erfaringer fra undervisningen en ressurs for neste utviklingssyklus. Og der brukes menneskelig kompetanse på de delene av arbeidet som faktisk krever faglig dømmekraft.

Det er kanskje dette som bør være ambisjonen for en KI-drevet omlegging av universitetet: ikke et universitet med kunstig intelligens lagt oppå den gamle organisasjonen, men et universitet som er organisert rundt kontinuerlig læring, rask prototyping og faglig ansvar.

Da blir det sentrale spørsmålet heller ikke hvor mye KI universitetet har tatt i bruk. Det blir om universitetet har klart å kvitte seg med arbeid som aldri burde vært nødvendig, og om den frigjorte kapasiteten er blitt brukt til noe bedre: å utvikle kunnskap, utdanne mennesker og løse problemer som faktisk betyr noe.