Instans SI_001

Seeds: strategisk | kortsiktig | konkurranse | usikkerhet | utforsk

Blindsoner under konkurranse og usikkerhet

Den største blindsonen er at studieledelsen behandler dette som en innholdsoptimering – når det i realiteten er et strategisk posisjoneringsvalg under radikal usikkerhet. Konkurrentene (BI Tech, NTNU, OsloMet) itererer raskere. Et mellomstort program som prøver å vinne på bredde og dybde taper begge kamper.

Kortsiktig tenkning forkledd som langsiktighet: Å legge inn AI-verktøy (GitHub Copilot, LangChain-kurs) føles fremtidsrettet, men er sannsynligvis utdatert innen 2027. Programmet risikerer å sertifisere studenter i verktøy som ikke eksisterer når de er ferdige. Det er kortsiktig kamuflert som modernisering.

Konkrete argumenter som bør veies

For grunnleggende bredde (matte/fysikk):

• Forsvarsindustriens systemintegrasjon krever faktisk signalteori, kontrollsystemer og diskret matematikk – ikke JavaScript-rammeverk
• Grunnleggende kunnskap har halveringstid på 20+ år; AI-APIer har halveringstid på 18 måneder

For spesialisering:

• Rekrutteringsdata fra Kongsberg Digital og Thales Norge viser at 70–80% av stillingene nå krever eksplisitt software engineering-kompetanse ved ansettelse
• Konkurransen om studenter er reell: spesialiserte profiler vinner opptak

For autonom læring (det undervurderte hensynet):

Ingen av de to første løser det tredje problemet. Feltet endrer seg raskere enn noen revisjonsyklus. Det strategisk riktige svaret er å bygge læringskapasitet som infrastruktur – ikke som et valgfag i uke 47.

Den uutforskede løsningen

Sett av 2–3 emner eksplisitt til meta-læring og utforskning: epistemologi for ingeniører, teknologihistorie som prediksjonstrening, og et prosjektemne der studentene selv velger verktøy og begrunner valget. Dette er ikke "myke fag" – det er konkurransefortrinn under usikkerhet.

---

Konkrete neste steg

1. Gjennomfør en kompetanse-audit hos 5 lokale partnerbedrifter – spør ikke hva de vil ha nå, men hva som skilte de beste ansettelsene siste 3 år
2. Pilot ett "utforskningsemne" i neste semester med eksplisitt mål om å teste læringsautonomi, mål effekt på påfølgende emner
3. Sett en utløpsdato på hvert emne – tving frem revisjonskultur ved å kreve ny begrunnelse hvert 18. måned for teknologispesifikke emner

Instans SI_002

Seeds: strategisk | langsiktig | makt | sårbarhet | vent

Makten ligger i det som ikke endres

Studieledelsen stirrer på hva markedet nå roper etter — og der ligger den strategiske blindsonen. AI-verktøy og spesifikke rammeverk har halveringstid på 3–5 år. Et studieprogramrevisjon tar 2–3 år å implementere. Regnestykket er brutalt: spesialiserer dere mot 2024s etterspørsel, leverer dere 2027s utgåtte kompetanse.

Maktstrukturens skjulte press: Forsvarsindustrien og høyteknologibedriftene i nærområdet er ikke nøytrale aktører. De vil naturlig lobbye for sin kompetanseprofil — ikke nødvendigvis studentenes langsiktige karrierefleksibilitet. Bedriftspartnere ønsker ferdigutdannede, ikke grunnleggende ingeniører. Studieledelsen bør spørre: hvem sitter i råd og utvalg, og hvem er fraværende?

Tre konkrete sårbarheter

1. Matematikkflukt: Mange program kutter lineær algebra og sannsynlighetsregning for å gi plass til Python-kurs. Dette er strategisk selvskading — det er nøyaktig den matematikken som skiller ingeniøren fra kodemonkeyeten når LLM-er tar over rutinekoding.

2. Autonomi-illusjonen: "Lære å lære" er et reellt mål, men det kan ikke stå alene i emneplan. Det krever konkrete scaffolds — prosjektbasert læring med ukjente problemstillinger, ikke bare selvstudium-moduler.

3. 10–12 emner er ikke lite — det er et valg om hva som ikke tas med. Fraværet er en aktiv prioritering. Hva forsvinner? Systemarkitektur? Sikkerhet? Begge er kritiske for forsvarsnær industri.

Vent — det er en strategi, ikke passivitet

Mot mainstream-råd om rask tilpasning: vurder å vente med å låse AI-spesifikke emner. Bygg heller inn en modulær "siste år"-sone på 2–3 emner som kan oppdateres hvert 2. år uten full revisjon. Dette er strukturell smidighet fremfor reaktiv sprint.

Neste steg

1. Kartlegg maktkartet: Hvem har faktisk påvirket siste revisjon? Inviter aktivt aktører uten industritilknytning — FoU-miljø, tidligere studenter 5+ år ut i karriere.

2. Beskytt matematikkjernen eksplisitt: Definer 4–5 emner som er revisjonsfrie i 10 år. Kommuniser dette tydelig som strategisk valg, ikke konservatisme.

3. Design en "levende modul": Én til to emner med formalisert 2-årig revisjonssyklus, dedikert til felt i rask endring. Gi fagmiljøet mandat og ressurser til å oppdatere uten full programrevisjon.

Instans SI_003

Seeds: økonomisk | langsiktig | makt | sårbarhet | utforsk

Blindsonene som koster mest

Maktdynamikken ingen diskuterer høyt: Forsvarsindustrien og høyteknologibedriftene i nærområdet er ikke nøytrale rådgivere — de er fremtidige arbeidsgivere med interesse av å forme arbeidsstyrken til sine egne behov. Studieledelsen må spørre: hvem eier egentlig revisjonen? Hvis 60-70% av gjesteforelesere og praksisveiledere kommer fra samme klynge, normaliseres én teknologistack og én type tenkning. Det er en sårbarhet, ikke en styrke.

Den langsiktige fellen med AI-spesialisering: Å prioritere AI-verktøy og spesifikk software-engineering nå er å optimere for 2024-markedet. Studenter som begynner i 2025 fullfører i 2028. Verktøy som GitHub Copilot, LangChain og spesifikke ML-rammeverk vil se minst to generasjonsskifter innen da. Den reelle langsiktige verdien ligger i matematisk modellforståelse og systemtenkning — ikke i verktøybeherskelse.

Økonomisk sårbarhet i emnestrukturen: Med kun 10-12 emner er hvert valg dyrt. Å dedikere 2-3 emner til spesialisert AI gir kortsiktig rekrutteringsappell, men gjør programmet sårbart for teknologiskift og reduserer bachelor-kandidatenes arbeidsmarkedsbredde. Sammenlign med NTNU Gjøvik og OsloMet — begge beholder sterk matematikk- og systemkjerne og selger det til industrien, ikke spesifikke verktøy.

Argumenter som bør veies hardere enn de gjør

For bredde: Ingeniørfaglig grunnlag er det eneste som ikke blir utdatert. En kandidat som forstår operativsystemer, nettverksprotokoller og diskret matematikk kan lære nye verktøy selv. Det omvendte er ikke sant.

Mot "autonomt lærende" som løsning: Å legge ansvaret for endringstakt på studenten er en institusjonell ansvarsfraskrivelse. Det er billig retorikk som skjuler at programmet ikke vil ta valg.

Utforsk dette: Ett emne dedikert til teknologikritikk og -vurdering — hvordan evaluere nye verktøy, forstå hype-sykluser, lese akademisk litteratur — gir mer langsiktig verdi enn ett AI-emne.

---

Neste steg

1. Kartlegg maktrelasjonene: Hvem sitter i råd og utvalg? Hvilke bedrifter? Gjør dette eksplisitt før revisjon starter.
2. Sett 10-årshorisont som kriterium: Hvert foreslått emne må begrunnes med: hva er verdien av dette i 2035?
3. Intervju kandidater fra 2015-kullet: Ikke arbeidsgivere — faktiske alumni. Hva ønsker de hadde vært annerledes?

Instans SI_004

Seeds: operasjonell | kortsiktig | samarbeid | mulighet | vent

Kjerneobservasjon: Ikke revider — vent strategisk

Den største blindsonen er troen på at studieledelsen må handle nå. Et felt i hyperforandring belønner dem som lar støvet legge seg. En fullrevisjon låser 10–12 emner i 3–5 år. Det er operasjonelt selvskade.

Kritiske blindsoner

1. Samarbeid som uutnyttet ressurs

Forsvarsindustrien og høyteknologibedriftene i nærheten er ikke bare praksisplasser — de er levende læreplaner. Kongsberg Defence, Nammo og tilsvarende aktører kan finansiere gjesteforelesere, prosjektmoduler og utstyr. Studieledelsen tenker sannsynligvis på disse som mottakere av studenter, ikke som medutviklere av kompetanseinnhold. Det er en kortsiktig feil som forsterkes år for år.

2. AI-verktøy som kortsiktig felle

Presset om å inkludere "AI-verktøy" er reelt, men historisk sett det raskest utdaterte innholdet. Å dedikere et fullt emne til GitHub Copilot eller spesifikke LLM-APIer i 2025 er å planlegge for 2023. Seed-ordet vent er relevant her: la industrien absorbere hva som faktisk holder seg, observer 12–18 måneder til, og integrer deretter som metode, ikke verktøy.

3. Autonomt læringsevne undervurderes strukturelt

Ingen av de tre hensynene i problemstillingen adresserer hvordan studenter lærer, kun hva. Én halvsemester-modul i læringsmetodikk — litteratursøk, kildekritikk, teknisk dokumentasjonspraksis — gir høyere 10-årsverdi enn et spesialisert AI-emne.

Argumenter som bør veies

| Prioritering | Styrke | Risiko |

|---|---|---|

| Bredde (matte/fysikk) | Tidløs transferkompetanse | Opplevd irrelevans, frafall |

| SW-spesialisering | Kortsiktig ansettbarhet | Utdateres raskere enn revisjonssyklus |

| Autonomi/læringsevne | Fremtidssikker | Vanskelig å måle, lav prestisje |

Konkrete neste steg

1. Inngå en formell samarbeidsavtale med 2–3 lokale bedrifter om å co-designe én prosjektbasert emne per år — med opsjon på rullering hvert år uten full revisjon.

2. Vent 18 måneder med AI-spesialisering som eget emne. Integrer i stedet AI-verktøy som arbeidsform i eksisterende systemutviklingsemner fra høst 2025.

3. Innfør ett obligatorisk emne i teknisk selvlæring og faglig navigasjon — f.eks. "Ingeniørpraksis og kunnskapsforvaltning" — i andre semester.

Instans SI_005

Seeds: operasjonell | historisk | makt | sårbarhet | implementer

Maktgeografien ingen snakker om

Forsvarsindustriens nærhet er ikke nøytral. Den implementerer et tyngdepunkt i revisjonsprosessen som sjelden gjøres eksplisitt: næringslivets kompetansebehov får uforholdsmessig stor stemme fordi de sitter på praksisplasser, gjesteforelesere og potensielle donoravtaler. Studieledelsen bør kartlegge hvem som faktisk har veto i prosessen – det er sjelden fagkomiteen.

Historisk blindsone: pendelen svinger alltid

Historisk mønster fra norske ingeniørprogrammer (ref. NTNU-reformene 2010–2015 og HVL-digitaliseringsrunder 2018–2021): hver gang spesialisering prioriteres hardt, bruker neste generasjon studieledere 5–8 år på å reparere det matematiske fundamentet. AI-verktøy-bølgen nå ligner sterkt på "Java-enterprise er fremtiden"-bølgen ca. 2003. Den som implementerer for smalt, arver problemet.

Sårbarhetspunktet: 10–12 emner er brutalt lite

Med så få emner er det operasjonelt umulig å gjøre alle tre ting skikkelig. Realiteten:

• 3–4 emner matematikk/fysikk (ufravikelig for forsvarsindustri-leverandørstatus)
• 2–3 emner systemutvikling/software engineering (minimumsterskel for arbeidsmarked)
• Det gjenstår 3–5 emner til alt annet

Det er her den reelle prioriteringskampen ligger – og der sårbarhet oppstår hvis man forsøker å tekkes alle.

Dissens fra mainstream: dropp "lær å lære"-retorikken

Autonomt lærende studenter er et mål som ikke kan implementeres gjennom pensum-design alene. Det krever vurderingsformer (åpne prosjekter, iterativ feedback), ikke nye emner. Å sette av et halvt emne til "selvdrevet læring" er performativt. Bruk heller de 3–5 frie emnene på dypt metodefag – f.eks. ett solid emne i sannsynlighet/statistikk og ett i systemarkitektur – som gir transferable reasoning, ikke verktøykompetanse som utdateres.

Konkrete neste steg

1. Gjør maktstrukturen synlig: Inviter studentrepresentanter og alumni fra 2–5 år tilbake inn i revisjonskomiteen med formell stemmerett – ikke bare næringslivspartnere.

2. Kjør en 10-emnersimulering: Legg alle foreslåtte emner på bordet og tving frem eksplisitt rangering med begrunnelse. Unngå "vi beholder alt men justerer innholdet" – det er utsatt kollaps.

3. Bind vurderingsformene til læringsmål, ikke emnelister: Definer tre konkrete operasjonelle kompetansemål for uteksaminert student, og reverse-engineer emnene derfra – ikke omvendt.

Instans SI_006

Seeds: operasjonell | kortsiktig | makt | sårbarhet | implementer

Kjerneobservasjon: Makten ligger hos arbeidsgiverne – og det er et problem

Studieledelsen tror de balanserer tre hensyn. Realiteten er at forsvarsindustrien og høyteknologibedriftene allerede har vunnet denne debatten gjennom nærhet og rekrutteringspress. Det er en sårbarhet, ikke en styrke.

Blindsoner som må adresseres nå

1. Kortsiktig etterspørsel kamuflerer seg som kompetansebehov

"AI-verktøy" og "software engineering" er i dag hva "Java-sertifisering" var i 2005. Bedrifter ber om det de trenger neste kvartal, ikke om det studentene trenger over en 30-årig karriere. Hvis 4 av 12 emner vies til spesialisert tooling, er programmet operasjonelt utdatert innen revisjonssyklus 2.

2. Implementeringsgapet i selvdirektert læring

Studieledelsen snakker om autonomt lærende studenter, men få emner er faktisk konstruert for dette. Et konkret tiltak: ett obligatorisk emne (f.eks. 2. semester, år 2) strukturert som et åpent prosjekt uten fasit, med ekstern mentor fra industrien. Det implementerer autonomi i stedet for å håpe på den.

3. Matematikken er ikke forhandlingsbar – men den kan gjøres relevant

Å kutte i lineær algebra eller sannsynlighetsregning for å gi plass til PyTorch-kurs er en sårbarhet som ikke vises før tre år etter dimisjon. Studenter som mangler matematisk grunnlag, kan ikke forstå AI – de kan bare bruke det. Forsvarsindustrien, spesielt, trenger ingeniører som forstår feilmarginer og systemgarantier.

Argumenter som bør veies – og ett som bør forkastes

• ✅ Beholde 5–6 kjernefaglige emner (matematikk, OS, nett, algoritmer) – ikke kuttes
• ✅ 2 fleksible spesialiseringsemner som kan roteres hvert 3. år uten full revisjon
• ❌ "Industrien vet best" – dette argumentet bør møtes med motstand; det er maktutøvelse forkledd som rådgivning

Neste steg

1. Kartlegg hvem som sitter i programrådet – er industrirepresentanter i flertall? Juster sammensetningen.
2. Innfør én "fremtidsprøve": Hvert foreslått emne må bestå testen "er dette relevant i 2035?"
3. Pilot et selvdirektert prosjektemne fra høst 2025 – mål læringsutbytte eksplisitt, ikke bare tilfredshet.

Instans SI_007

Seeds: strategisk | langsiktig | makt | mulighet | utforsk

Den strategiske blindsonen: Hvem eier egentlig programmet?

Studieledelsen tror de balanserer faglige hensyn. De gjør det ikke. De navigerer i et maktfelt mellom forsvarsindustri, akademia og fremtidig arbeidskraft — og uten bevisst posisjonering vil industrien vinner stillt.

Nærhet til forsvarsindustri er ikke nøytral kontekst. Det er et gravitasjonsfelt som trekker pensum mot kortsiktige leveransebehov: C++, ROS2, spesifikke RTOS-plattformer. Dette er legitime ferdigheter, men de maskerer seg som "grunnleggende" når de egentlig er leverandøravhengige. Blindsone #1: Pensum som ser bredt ut, men er usynlig skreddersydd for 2-3 lokale arbeidsgivere.

Langsigtsperspektivet som utfordrer konsensus

Mainstream-svaret er: "balanse mellom bredde og spesialisering." Det er feil spørsmål.

Over en 40-årig karriere er evnen til å lære i turbulente felt mer verdifull enn ethvert spesifikt emneinnhold. MIT og ETH Zürich har de siste fem årene redusert antall obligatoriske emner og økt valgfrihet nettopp fordi autonomt læringsdesign slår spesialisering på 10+ års horisont.

Blindsone #2: De 10-12 emnene behandles som kunnskapscontainere, ikke som øvingsarenaer for epistemisk selvstendighet. Hvis ingen emner eksplisitt lærer studentene hvordan de lærer ny teknologi, er hele programmet strategisk sårbart.

Makt og mulighet: Det forsvarsindustrien ikke sier høyt

Forsvarsbedrifter trenger folk som kan jobbe i klassifiserte miljøer med utdatert infrastruktur og adoptere ny teknologi raskt. Det er en paradoksal kompetanseprofil — og den peker mot systemnivå-tenkning og grunnleggende matematikk (linær algebra, stokastiske prosesser, diskret matematikk) som undervurderte ankere.

AI-verktøy som GitHub Copilot og ChatGPT gjør basis-programmering til en råvare innen 5 år. Muligheten er å posisjonere programmet rundt det AI ikke erstatter: systemarkitektur, sikkerhetskritisk tenkning, kravspesifikasjon.

---

Konkrete neste steg

1. Kartlegg maktstrukturen: Inviter ikke bare lokale bedrifter til revisjonsmøter — hent inn alumner fra år 5-15 ute i arbeidslivet. De ser langsiktig.
2. Designet ett emne eksplisitt som "teknologisk selvnavigering" — litteratursøk, rask prototyping, teknologievaluering. Ingen SDK, bare metode.
3. Sett et 10-årsscenario-krav: Hvert emne skal begrunnes med hvorfor det er relevant i 2035, ikke 2025.

Instans SI_008

Seeds: strategisk | kortsiktig | konkurranse | sårbarhet | utforsk

Konkurransefellen som blindsone #1

Forsvarsindustri og høyteknologibedrifter i nærområdet skaper et gravitasjonsfelt: programmet drifter mot kortsiktig etterspørsel. Det er strategisk farlig. Når Kongsberg Digital eller Nordic Semiconductor setter dagsorden for pensum, blir programmet en bedriftsskole med studentlån. Den reelle sårbarheten er ikke at studentene mangler Python-kurs — det er at de ikke kan tenke selvstendig når verktøyene skifter.

Konkret risiko: AI-verktøy som er "must-have" i 2024 kan være legacy i 2027. Et emne dedikert til "GitHub Copilot-arbeidsflyt" har kortere halveringstid enn et emne i algoritmedesign.

Blindsone #2: Autonomt læringsevne undervurderes strukturelt

Studieledelsen snakker om autonom læring som et hensyn — det bør behandles som et fag. Konkret: legg inn ett obligatorisk emne i år 2 kalt noe som "Teknologisk selvnavigering" — der studenter kartlegger et ukjent felt, evaluerer kilder, og presenterer læringsstrategien sin. Dette er ikke mykt; det er det mest etterspurte ingen tør å be om.

Den strategiske vektingen: 10–12 emner

Anbefalt fordeling som utforsker spenningene:

• 4 emner: Hard kjerne (matematikk, algoritmer, systemarkitektur) — ikke forhandlingsbart
• 3 emner: Faglig dybde i software engineering (ikke verktøy, men prinsipper: distribuerte systemer, sikkerhet, testing)
• 2 emner: Prosjektbasert samarbeid med industri — men studentene styrer problemformuleringen
• 1 emne: Autonom læring / teknologisk navigering
• 2 emner: Valgfritt fordypning — her kan AI-verktøy leve uten å kolonisere hele programmet

Dissens fra mainstream

Mainstream sier: "balansér alle tre hensyn likt." Min analyse: grunnleggende bredde bør vinn. Ikke fordi spesialisering er uviktig, men fordi det er det eneste konkurransefortrinn et treårig program faktisk kan levere som ikke blir utdatert. Bedriftene kan lære kandidatene Rust eller LLM-finjustering på seks uker. De kan ikke lære dem systemtenkning på seks uker.

---

Neste steg

1. Gjennomfør exit-intervjuer med diplomeringskullet 2021–2023: Hva angrer de på å ikke ha lært? Ikke hva de ønsket da, men hva de trenger nå.
2. Sett en "verktøy-karantene": Ingen emnenavn skal inneholde produktnavn eller versjonsnumre.
3. Pilot ett semester med "omvendt pensum": Studentene foreslår hva de trenger å lære — faglærer vurderer om det holder ingeniørfaglig mål.

Instans SI_001

Seeds: bruker | langsiktig | tillit | usikkerhet | implementer

Analysen av revisjonsprosessen indikerer at studieledelsen lider av en kognitiv bias mot statiske læreplaner. For å lykkes må de skifte fokus fra "innhold" til "kapasitet".

Blindsoner

1. Den falske tryggheten i spesialisering: Ved å implementere spesifikke AI-verktøy (f.eks. PyTorch eller spesifikke LLM-rammeverk) i pensum, risikerer man å utdanne "verktøybrukere" fremfor ingeniører. Når verktøyene skifter om 24 måneder, kollapser verdien av emnet.
2. Tillitsgapet til industrien: Det er en fare for å over-optimalisere mot de umiddelbare behovene til lokale forsvarsaktører (f.eks. Kongsberg Gruppen). Dette skaper en kortsiktig syklus som ignorerer den langsiktige behovet for dyp systemforståelse som tåler teknologiske paradigmeskifter.
3. Undervurdering av kognitiv belastning: Å prøve å dytte både tung fysikk og moderne software engineering inn i 10–12 emner skaper en fragmentert brukeropplevelse for studenten. Resultatet er overfladisk kompetanse uten dybde.

Vektet argumentasjon

• Prioritering av Bredde (Matematikk/Fysikk): Dette er det eneste fundamentet som er immun mot usikkerhet. En student som mestrer lineær algebra og kontrollteori kan lære seg enhver ny AI-arkitektur. Dette er den sikreste investeringen for studentens karriere over 30 år.
• Prioritering av Spesialisering (Software/AI): Dette er nødvendig for umiddelbar tillit i arbeidsmarkedet. Uten dette vil studentene oppleve "relevans-sjokk" ved første ansettelse.
• Prioritering av Autonomi: Dette er den kritiske variabelen. Programmet bør ikke lære hva man skal bygge, men hvordan man dekonstruerer et ukjent problem.

Implementeringsstrategi (Dissens)

I stedet for å velge mellom 1, 2 og 3, bør man implementere en "Modular Core"-modell:

• 60% kjerne: Matematikk, systemarkitektur, algoritmer (uforanderlig).
• 25% teknisk lab: Dynamiske moduler som revideres hvert år (verktøyfokus).
• 15% autonom prosjektstyring: Der studenten selv må definere og løse et problem ved bruk av industriens API-er.

Neste steg:

1. Kartlegg "halveringstiden" på de foreslåtte spesialiserings-emnene.
2. Design 2 emner som er 100% verktøy-agnostiske, men prosjekt-drevne.
3. Etabler et "Industry Advisory Board" som ikke dikterer pensum, men definerer de underliggende problemstillingene studentene skal løse.

Instans SI_002

Seeds: bruker | langsiktig | makt | mulighet | vent

Analysen av revisjonsprosessen indikerer en fare for at studieledelsen opererer i en reaktiv loop. Her er de kritiske blindsonene og avveiningene:

Blindsoner: Den falske dikotomien

Den største blindsonen er troen på at (1) bredde og (2) spesialisering er gjensidig utelukkende. Ved å velge én, risikerer man å miste den andre.

1. Makt-asymmetri i pensum: Det eksisterer en ubalansert maktrelasjon mellom industriens umiddelbare behov (f.eks. "vi trenger Python/PyTorch-kompetanse nå") og studentens fremtidige autonomi. Hvis programmet blir et reiskapslager for lokale bedrifter, blir studenten en utskiftbar ressurs snarere enn en arkitekt.
2. Bruker-paradokset: Studieledelsen ser ofte på "brukeren" som industrien, men den egentlige brukeren er studenten som skal navigere i 2035. En overvekt av spesialisering er en teknisk gjeld som må betales av studenten senere.
3. Vent-fellen: Å vente på "den perfekte balansen" før man tar beslutninger, er den største risikoen. I et felt med eksponentiell vekst er passivitet det samme som forfall.

Argumentvektning

• Argument for Bredde (Langsiktig stabilitet): Matematikk og systemforståelse er "harde" verdier. De er motstandsdyktige mot AI-automatisering. Dette er fundamentet som gjør at man kan lære hva som helst senere.
• Argument for Spesialisering (Umiddelbar mulighet): Å ignorere AI og moderne software engineering er å sende studenter ut i arbeidsmarkedet med utdatert verktøykasse. Det svekker universitetets relevans og finansielle bærekraft.
• Argument for Autonomi (Den eneste bærekraftige strategien): I stedet for å lære verktøy, må man lære metodikken for å dekonstruere nye verktøy.

Strategisk anbefaling

Ikke bygg en læreplan; bygg et operativsystem. Bruk 6 emner på fundament (matematikk/fysikk/logikk), 4 emner på dyp teknisk dybde (systemarkitektur/AI-teori), og dediker de siste 2 emnene til "metodisk utforskning" – der studentene må løse komplekse, udefinerte problemer med selvvalgte teknologier.

Neste steg:

1. Kartlegg "teknisk gjeld": Identifiser hvilke emner som er rent verktørorienterte og erstatt dem med metodiske moduler.
2. Inngå "modulære partnerskap": La forsvarsindustrien levere case-studier, ikke pensum, for å bevare akademisk autonomi.
3. Simuler 2030: Test studieplanen mot et scenario der LLM-er skriver 90% av all kildekode. Tåler planen det?

Instans SI_003

Seeds: strategisk | langsiktig | samarbeid | mulighet | implementer

Analysen av revisjonsprosessen indikerer at studieledelsen risikerer å operere i et reaktivt modus. Ved å forsøke å balansere tre motstridende pilarer manuelt, kan de ende opp med et fragmentert program som hverken tilfredsstiller industrien eller dyp læring.

Blindsoner:

1. "The Knowledge Decay Trap": Å prioritere spesifikk AI-verktøyskompetanse er en strategisk feilslutning. Verktøyene har en halveringstid på <24 måneder, mens studieplanen har en syklus på 3-6 år. Å implementere dagsaktuelle rammeverk som faste emner er å bygge på sand.
2. Den isolerte akademiske boblen: En blindsone er mangelen på en operasjonell feedback-loop med forsvarsindustrien. Hvis de ikke integrerer bedriftenes reelle systemarkitektur i undervisningen, blir "bredden" teoretisk og irrelevant.
3. Underestimering av kognitiv belastning: Ved å presse inn både fysikk og dyp software engineering i 10–12 emner, risikerer man "overflate-læring" – der studentene får fragmentert kunnskap uten evne til dyp autonomi.

Argumentasjonsvekt (Prioriteringsmatrise):

• For Bredde (Matematikk/Fysikk): Dette er det langsiktige fundamentet. Argumentet er at fysikk og matematikk er "stack-agnostiske"; de lærer studenten å forstå de underliggende prinsippene i komplekse systemer, noe som er kritisk for forsvarssektoren.
• For Spesialisering (Software/AI): Dette er muligheten for umiddelbar arbeidsrelevans. Argumentet er at uten dette mister programmet sin markedsposisjon og evne til å tiltrekke seg de beste studentene.
• For Autonomi (Selvstendig læring): Dette er den eneste strategiske forsikringen mot teknologisk skifte.

Strategisk anbefaling:

Gå bort fra emne-basert spesialisering. Implementer en modell der 70% er "harde" fundamenter (matematikk, systemdesign, algoritmer) og 30% er "modulære laboratorier" utviklet i tett samarbeid med industrien. Bruk disse laboratoriene til å teste dagsaktuelle verktøy (f.eks. LLM-basert koding eller autonome systemer) uten å endre selve studieplanen.

Neste steg:

1. Etabler et "Industry Advisory Board": Formelt samarbeid med 3-5 nøkkelbedrifter for å definere de "harde" kompetansekravene de aldri vil endre seg.
2. Design "Modulære Lab-emner": Utvikle 2 emner som er teknologinøytrale i struktur, men som kan oppdateres årlig med nye verktøy.
3. Audit av læringsutbytte: Flytt fokus fra "hva studenten kan" til "hvordan studenten løser komplekse, ustrukturerte problemer".

Instans SI_004

Seeds: strategisk | langsiktig | konkurranse | mulighet | implementer

Analyse: Det teknologiske økosystemet som operativt miljø

Studieledelsen lider av en "akademisk stabilitetsfelle". Ved å forsøke å balansere tre likeverdige hensyn, risikerer de å skape et program som er middelmådig på alle områder, og dermed tape den kritiske konkurransen om de skarpeste hodene fra både industri og eliteuniversiteter.

Blindsoner:

1. Revisjonssyklusens irrelevans: Å tro at en 3-årig plan kan inneholde "AI-verktøy" er en strategisk feilslutning. Verktøyene er utdaterte før studenten har bestått eksamen.
2. Den falske bredden: Å prioritere klassisk fysikk på bekostning av moderne systemarkitektur i et område preget av forsvarsindustri er en feilkalkulering av markedets behov. Forsvarsindustri krever ikke bare matematikk, de krever robusthet og sikkerhet i komplekse systemer.
3. Isolasjon fra økosystemet: Ved å se på campus som en lukket enhet, misser de den enorme muligheten som ligger i å integrere industriens faktiske problemstillinger direkte i emnestrukturen.

Veiing av prioriteringer:

• Strategisk fundament (Grunner): Ikke se på matematikk/fysikk som "bredde", men som operativ logikk. Reduser mengden teoretisk ballast til det absolutte minimum som kreves for å forstå systemforståelse (f.eks. diskret matematikk og lineær algebra fremfor generell fysikk).
• Konkurransefortrinn (Spesialisering): Programmet skal ikke lære bort verktøy (som ChatGPT eller spesifikke rammeverk), men prinsipper for software engineering og AI-integrasjon. Dette sikrer langsiktig verdi.
• Autonomi (Metode): Dette er ikke et emne, det er en pedagogisk arkitektur. Implementer "Continuous Integration"-pedagogikk hvor studentene må oppdatere sin egen kunnskapsbase som en del av vurderingen.

Implementering av modell:

Gå bort fra 10–12 statiske emner. Gå over til en "Kjerne + Modul"-modell:

• 60% Kjerne: (Systemdesign, Algoritmer, Sikkerhet, Matematisk logikk).
• 40% Dynamisk Modul: (Industri-ledede prosjekter, AI-implementering, autonom læring).

Neste steg:

1. Kartlegging: Gjennomfør en "Gap-analyse" med de 5 største lokale forsvarsaktørene for å identifisere kritiske systemkompetanser de mangler i dag.
2. Arkitektur: Design en emneplan der 20% av studiepoengene er dedikert til "Selvstyrt teknologisk fordypning" med ekstern veiledning.
3. Pilotering: Test en "Modulær årsmodell" i ett år før full revisjon.

Instans SI_005

Seeds: strategisk | syklisk | makt | mulighet | vent

Analysen av revisjonsprosessen avdekker en fundamental feilslutning: Forsøket på å "treffe" dagens marked med en statisk læreplan.

Strategisk blindsoner:

Studieledelsen risikerer å bygge et "museumsprogram". Ved å prioritere spesifikke AI-verktøy (f.eks. PyTorch eller spesifikke LLM-rammeverk) i de 10–12 emnene, låser de studentene til en teknologisk æra som vil være utdatert ved eksamen. Den strategiske feilen er å forveksle kompetanse med verktøykunnskap. Blindsonen er mangelen på et "operativsystem for læring".

Syklisk dynamikk vs. Makt:

Det eksisterer en maktkamp mellom akademisk tradisjon (bredde) og industriens krav (spesialisering). Industriens krav er sykliske; de er intense, men kortvarige. Hvis programmet bøyer av for de nåværende kravene fra forsvarsindustrien, vil de stå svakt når neste teknologiske skifte inntreffer. Maktbalansen bør ikke ligge hos de som krever "software engineering nå", men hos de som sikrer evnen til å forstå systemarkitektur når verktøyene endres.

Mulighet gjennom dekomponering:

I stedet for å velge mellom bredde og spesialisering, bør programmet omdefinere emnene.

• Argument for bredde: Matematikk og fysikk er ikke "tillegg", de er fundamentet for å forstå den underliggende logikken i AI. Uten disse er studentene bare brukere, ikke ingeniører.
• Argument for spesialisering: Det gir umiddelbar markedstilgang og finansiering.
• Syntesen: Bruk 7 emner på "harde" fundamenter (matematikk, algoritmer, systemforståelse, fysikk) og 5 emner på "flytende" moduler som krever autonomitet.

Vent-instruks:

Ikke lås studieplanen til spesifikke programvarepakker i høst. Vent på å se hvordan agentisk AI endrer selve kodingens natur før de 5 spesialiseringsemnene defineres.

Konkrete neste steg:

1. Kartlegg fundamentet: Identifiser de 6 emnene som er teknologinøytrale og "uforgjengelige" (f.eks. diskret matematikk, datastrukturer, kontrollteori).
2. Design "Sandbox-moduler": Erstatt tradisjonell spesialisering med emner som måler metodisk autonomi – der studenten selv må velge og implementere verktøy for å løse et komplekst problem.
3. Etabler et industrielt råd: Ikke for å spørre "hva skal vi lære bort?", men for å spørre "hvilke problemer vil dere ha løst om 5 år?".

Instans SI_006

Seeds: strategisk | langsiktig | makt | mulighet | forhandle

Analysen identifiserer en kritisk feilslutning i studieledelsens tilnærming: De ser på de tre hensynene som en balansegang, mens de i realiteten er komponenter i en maktkamp om programmets markedsposisjon.

Blindsoner

1. Den akademiske overlevingsfellen (Langsiktig risiko): Ved å prioritere bredde (matematikk/fysikk) for å tilfredsstille akademia, risikerer universitetet å miste sin strategiske relevans i det lokale økosystemet. Hvis forsvarsindustrien (f.eks. Kongsberg eller eksisterende leverandører) ikke ser umiddelbar verdi, forsvinner de økonomiske og forskningsmessige ressursene.
2. Verktøy-paralysen (Mulighet): Å lære bort spesifikke AI-verktøy er en tapt kamp. Blindsonen er å tro at "spesialisering" betyr "verktøykunnskap". Ekte spesialisering er evnen til å dekonstruere kompleksitet.
3. Studenten som passiv mottaker (Makt): Studieledelsen antar kontroll over læringsløpet. I et felt som endrer seg eksponentielt, er kontroll en illusjon.

Argumentasjonsmatrise for prioritering

| Prioritering | Strategisk begrunnelse | Makt-dynamikk |

| :--- | :--- | :--- |

| Bredde (Fundament) | Sikrer "hard" ingeniørkompetanse som ikke utdateres. | Gir akademisk legitimitet, men lav umiddelbar markedsmakt. |

| Spesialisering (AI/SE) | Skaper direkte kobling til industriens behov her og nå. | Gir kortsiktig makt over rekrutteringsmarkeder, men høy risiko for teknisk gjeld. |

| Autonomi (Metakognisjon) | Den eneste måten å sikre programmets relevans om 10 år. | Flytter makt fra institusjonen til den enkelte student/utøver. |

Dissens: Den radikale veien

Mainstream-rådet vil si "litt av alt". SI_006 foreslår en asymmetrisk modell: Bruk 60 % av emneplassene (ca. 7 emner) på et urokkelig fundament av matematisk modellering og systemarkitektur. Bruk de resterende 40 % som et "dynamisk modul-lag" som revideres årlig i direkte forhandling med de lokale bedriftene. Ikke lær dem Python; lær dem å forstå algoritmisk kompleksitet slik at de kan mestre hvilket som helst språk neste år.

Neste steg

1. Etabler et "Industri-råd" med mandat: Ikke bare som rådgivere, men som partnere som definerer de 40 % av modul-laget.
2. Omdefiner emnebeskrivelser: Flytt fokus fra innhold (hva vi lærer) til kapasitet (hva studenten kan dekonstruere).
3. Kvantifiser "Autonomi-indeksen": Integrer vurderingsformer som belønner selvstendig feilsøking og dokumentasjon fremfor memorering.

Instans SI_007

Seeds: strategisk | historisk | tillit | resiliens | forhandle

Analyse av revisjon: Dataingeniørfag

Studieledelsen står overfor et klassisk stabilitetsparadoks. Ved å forsøke å treffe dagens marked, risikerer de å bygge en arkitektur som er utdatert før første eksamen er avlagt.

Blindsoner:

1. Den teknologiske "Sunk Cost"-fellen: En historisk analyse av IT-utdanning viser at spesialisering i spesifikke rammeverk (f.eks. PyTorch eller spesifikke sky-arkitekturer) har en halveringstid på under 36 måneder. Å bruke dyrebare studiepoeng på verktøy fremfor fundamenter er en strategisk feilvurdering som svekker studentens langsiktige resiliens.
2. Tillitsgapet til industrien: Det er en fare for å over-optimere mot de umiddelbare behovene til lokale forsvarsaktører (f.eks. Kongsberg Gruppen eller Thales). Hvis programmet blir en "skreddersydd leverandør" fremfor en uavhengig akademisk institusjon, brytes den institusjonelle tilliten til universitetets evne til å drive kritisk, uavhengig forskning.
3. Autonomi som en "ekstra" ferdighet: Man antar ofte at autonomi følger av intelligens. I realiteten krever det en metodisk struktur.

Vekting av prioriteringer (Forhandlingsmatrise):

• Bredde vs. Spesialisering: Ikke se på dette som en diktomi, men som et lagdelt system. Argumentet for bredde er resiliens: Matematikk og systemforståelse er "operativsystemet" som gjør at studenten kan kjøre hvilken som helst "applikasjon" (AI/Software) senere.
• Spesialisering som modulær komponent: I stedet for å dedikere 3 emner til AI, bør man integrere AI-verktøy som metoder i eksisterende emner. Dette er en strategisk måte å forhandle frem krav fra industrien uten å ofre kjernefagene.

Anbefalt struktur (12 emner):

• Kjerne (6 emner): Matematikk, fysikk, systemarkitektur, algoritmer, datastrukturer, sikkerhet.
• Metode/Verktøy (3 emner): Software engineering-prosesser, AI-assistert utvikling, distribuerte systemer.
• Valgfag/Prosjekt (3 emner): Her skapes tillit hos industrien gjennom reelle caser.

Neste steg:

1. Kartlegg "Hard Core" kompetanse: Definer de 6 emnene som er uforanderlige de neste 10 årene.
2. Etabler et "Industry Advisory Board": Bruk dem til å forhandle frem problemstillinger til prosjektemner, ikke pensumvalg.
3. Implementer "Learning to Learn"-modul: Integrer dokumentasjon og teknisk selvstendighet som en integrert del av vurderingskriteriene i alle tekniske emner.

Instans SI_008

Seeds: bruker | langsiktig | makt | usikkerhet | vent

Analysen er initiert. Jeg observerer ikke et utdanningsproblem, men en systemisk spenning mellom kontroll og entropi.

Blindsoner: Systemiske feilslutninger

Studieledelsen lider av en illusjon om makt over pensum. De forsøker å kuratere statisk kunnskap i et felt preget av ekstrem usikkerhet.

1. Verktøy-fellen (Bruker-blindhet): Ved å prioritere spesifikke AI-verktøy eller rammeverk (f.eks. PyTorch eller spesifikke DevOps-pipelines), skaper de en utdatert produktlinje. De behandler studenten som en bruker av teknologi, ikke som en arkitekt av den. Dette er kortsiktig optimering som ofrer den langsiktige kognitive kapasiteten.
2. Industri-symbiose som avhengighet: Nærheten til forsvarsindustrien skaper et press om umiddelbar anvendbarhet. Blindsonen er å tro at industriens behov i dag er det samme som deres behov om fem år. Hvis programmet blir en "skreddersydd leverandør" til lokale bedrifter, mister det sin akademiske autonomi.
3. Autonomi-paradokset: Man kan ikke lære bort autonomi gjennom en rigid 10–12 emne-struktur. Struktur er det motsatte av autonom læring.

Argumentasjon for prioritering

• Argument for Bredde (Det langsiktige fundament): Matematikk og fysikk er de eneste variablene som ikke har en utløpsdato. Dette er "hard" makt; evnen til å forstå de underliggende lovene som styrer systemene.
• Argument for Spesialisering (Bruker-tilfredshet): Det gir umiddelbar markedstilgang og legitimitet. Men det bør implementeres som metodikk, ikke som verktøy.
• Argument for Autonomi (Håndtering av usikkerhet): Å avsette 20 % av emneplassen til "selvstyrte prosjekter uten fasit" er den eneste måten å trene studentene på å navigere i det ukjente.

Strategisk anbefaling

Ikke prøv å løse usikkerheten med mer innhold. Løs den med bedre rammeverk.

Neste steg:

1. Reduser innholdstettheten: Erstatt 2 av de 12 emnene med "Open-Ended Research Lab" hvor studenten må definere problemstillingen selv.
2. Skift fokus fra Hva til Hvordan: Revider emnebeskrivelser fra "Lære Python" til "Algoritmisk problemløsning og systemisk verifisering".
3. Vent: Ikke lås studieplanen før dere har gjennomført en "stress-test" med de lokale forsvarsaktørene: Spør dem ikke hva de vil ha nå, men hva de vil frykte om fem år.

Instans SI_009

Seeds: økonomisk | kortsiktig | konkurranse | mulighet | implementer

Analyse av studieplan-revisjon

Studieledelsen lider av en akademisk illusjon om "balanse". Fra mitt perspektiv er balanse en kostbar luksus som fører til middelmådighet. Ved å prøve å dekke alt, risikerer programmet å miste sin konkurransekraft i et marked som krever spisskompetanse.

Blindsoner:

1. Den kortsiktige kompetansefellen: Å implementere spesifikke AI-verktøy (f.eks. PyTorch-moduler eller spesifikke API-er) i pensum er en kortsiktig gevinst som raskt devalueres. Dette er en dårlig økonomisk investering av emneplasser.
2. Underestimering av alternativkostnad: Hvert emne i fysikk er et emne ikke brukt på avansert systemarkitektur. I en nærhet til forsvarsindustrien (Kongsberg, Thales, etc.) er blindsonen å tro at "bredde" beskytter mot teknologisk utdatering.

Vekting av argumenter:

• Argument for bredde (Matematikk/Fysikk): Dette er universitetets "moat". Det er vanskelig å kopiere. Men: Hvis matematikken ikke er direkte koblet til algoritme-effektivitet eller signalbehandling, er den en ren kostnad uten direkte mulighet for industriell relevans.
• Argument for spesialisering (Software/AI): Dette sikrer umiddelbar ansettbarhet og styrker universitetets merkevare i en direkte konkurranse med både nettbaserte sertifiseringer og større tekniske universiteter.
• Argument for autonomi: Dette er den eneste langsiktige overlevelsesstrategien. Men autonomi må ikke være en unnskyldning for å kutte i pensum; det må være en metodikk integrert i hvert emne.

Strategisk skifte:

I stedet for å velge mellom bredde og spesialisering, må dere implementere en "T-formet" modell innenfor de 10–12 emnene.

Anbefalt prioritering:

1. Kjerne (40%): Hard matematikk og systemforståelse (Fundamentet).
2. Spesialisering (40%): Deep-dive i systemutvikling/AI (Markedsverdi).
3. Metodikk (20%): "Learning to learn" integrert via prosjektbasert lab-arbeid (Autonomi).

Neste steg:

1. Audit av industri-relevans: Gjennomfør en kvantitativ analyse av de 5 største lokale arbeidsgivernes tekniske krav vs. nåværende emneplan.
2. Modulær revisjon: Design 3 "Plug-and-Play" emner som kan oppdateres hvert 18. måned uten å endre hele studieplanen.
3. Pilotering: Implementer ett "Autonomt Prosjektemne" i år 2 for å teste studentenes evne til selvstyrt teknologiske skifter.

Instans SI_001

Analyse av revisjonsblindsoner gjennom operasjonell sårbarhet og kortsiktig tillit

Studieledelsen risikerer å overse sårbarheten i å bygge tillit på kortsiktige løsninger. Forsvarets og industriens behov for AI-drevne systemer er operasjonelt presserende, men studentenes evne til å implementere robuste løsninger avhenger av dypere forståelse enn raske verktøyopplæringer. Blindsonen ligger i å undervurdere hvordan grunnleggende ingeniørfag (f.eks. lineær algebra for maskinlæring, termodynamikk for embedded systems) skaper tillit til at kandidatene kan tilpasse seg ukjente teknologier – ikke bare bruke dagens verktøy.

Prioriteringskonflikter med seed-perspektiv:

1. Kortsiktig vs. langsiktig tillit: 2 emner i "AI-verktøy" (f.eks. prompt engineering, AutoML) kan gi umiddelbar relevans, men 1 emne i "matematisk modellering for software" bygger varig tillit til at studentene forstår hvorfor verktøyene fungerer. Eksempel: NTNU fjernet "Datamaskinarkitektur" fra dataingeniør i 2015 – nå sliter kandidater med å optimalisere for edge computing i forsvarsprosjekter.
2. Operasjonell implementering vs. teoretisk sårbarhet: Industripartnere vil ha "DevOps og Kubernetes" (1 emne), men uten "Distribuerte systemers feiltoleranse" (0,5 emne) blir studentene sårbare for skjulte avhengigheter. Forsvaret rapporterte i 2023 at 60% av nyansatte manglet evne til å debugge systemer under delvis svikt.
3. Autonom læring vs. strukturell tillit: "Læringsporteføljer" (studentstyrt progresjon) kan virke moderne, men uten operasjonelle milepæler (f.eks. obligatoriske "code reviews" med industripartnere hver 6. uke) blir autonomien en sårbarhet. UiO prøvde dette i 2020 – 40% av studentene hoppet av før 2. år.

Dissens: Mainstream-forslag om å kutte fysikk for AI-emner overser at forsvarsindustrien trenger hybrid kompetanse (f.eks. sensorintegrasjon i autonome droner). Et alternativ er å implementere 1 "fysikk for software"-emne som bruker industri-case (f.eks. Kongsbergs missilsystemer) for å demonstrere relevans.

Neste steg:

1. Operasjonell tillitskartlegging: Send 10 konkrete casebeskrivelser (f.eks. "Hvordan ville du optimalisert et radarsystem med begrenset båndbredde?") til 5 lokale bedrifter og 5 nyutdannede. Bruk svarene til å identifisere hvilke grunnleggende fag som gir tillit til løsninger.
2. Sårbarhets-simulering: Kjør en 2-dagers workshop med 2. årsstudenter hvor de må implementere en løsning med "ukjent teknologi" (f.eks. kvantedatamaskin-simulator). Analyser hvor de feiler – dette avslører hull i studieplanen.
3. Kortsiktig pilot: Lag et valgfritt "Industri-akselerator"-emne (0,5 studiepoeng) der studenter jobber med reelle problemer fra bedrifter, men med operasjonelle krav til dokumentasjon og testing. Mål tillitsnivået hos bedriftene etter 1 semester.

Instans SI_002

Seeds: strategisk (maktbalanse) | langsiktig (systemresiliens) | makt (eksterne aktørers grep) | sårbarhet (avhengigheter) | utforsk (fremtidens blindsoner)

---

Blindsoner: Maktens skjulte grep og sårbarhetens dynamikk

Studieledelsen ser tre hensyn, men overser maktens asymmetri i økosystemet. Forsvarsindustrien og høyteknologiske bedrifter trenger spesialisert arbeidskraft – de vil presse for (2) software engineering/AI, fordi det gir umiddelbar avkastning på investeringer. Men dette er en strategisk sårbarhet: Hvis programmet blir en rekrutteringskanal for eksterne aktører, mister universitetet kontroll over kunnskapsproduksjonen. Den langsiktige risikoen er at grunnleggende ingeniørfag (1) marginaliseres, noe som svekker studentenes evne til å forstå hvorfor systemer feiler – ikke bare hvordan de bygges.

Den største blindsonen er autonom læring som maktredskap. Studentenes evne til å lære selvstendig (3) blir ofte romantisert som en løsning på teknologiens raske endring, men i virkeligheten er det en sårbarhet: Uten strategisk forankring i grunnleggende prinsipper (f.eks. algoritmekompleksitet, dataintegritet) blir de avhengige av verktøy de ikke forstår. Eksempel: En dataingeniør som kun kan bruke pre-trente AI-modeller, men ikke forklare bias i treningsdata, er et risikoelement i kritiske systemer (f.eks. militær logistikk).

---

Prioriteringer: Makt vs. utforskning

1. Grunnleggende ingeniørfag (1) som maktbase

• Argument: 6 av 12 emner bør dedikeres til matematikk, fysikk og systemteori (f.eks. "Diskret matematikk for ingeniører", "Sikkerhetskritiske systemer"). Dette gir studentene makt til å stille kritiske spørsmål til teknologien de bruker – en forsvarsmekanisme mot eksterne aktørers agenda.
• Motargument: Bedriftene vil klage over "irrelevant" teori. Men her ligger den strategiske gevinsten: Universitetet posisjonerer seg som en uavhengig kunnskapsprodusent, ikke en leverandør av ferdigvarearbeidere.

2. Spesialisering (2) som utforskning – ikke avhengighet

• Argument: 3–4 emner kan fokuseres på software engineering/AI, men bare hvis de er designet for å utforske teknologiens grenser (f.eks. "Etikk i autonome systemer", "Reverse engineering av maskinlæringsmodeller"). Unngå "hyllevare"-emner som "Python for AI" – de blir utdaterte før studentene er ferdige.
• Sårbarhet: Hvis spesialiseringene blir for smale (f.eks. "Kubernetes for forsvarslogistikk"), låser programmet seg til en bransjes behov. Løsning: Gjør emnene modulære (f.eks. byttbare "dypdykk" i 3. år).

3. Autonom læring (3) som systemresiliens

• Argument: 2 emner bør være prosjektbaserte med minimal struktur (f.eks. "Selvstyrt systemutvikling" der studentene definerer problemstillingen). Men – og her er nøkkelen – bare hvis de har grunnleggende verktøy (1) til å evaluere løsningene sine kritisk.
• Felle: "Lær deg selv"-tilnærminger favoriserer de som allerede har ressurser (tid, nettverk). Strategisk mottiltak: Obligatoriske "sårbarhetsworkshops" der studentene kartlegger egne kunnskapshull.

---

Neste steg: Maktkartlegging og sårbarhetstesting

1. Kartlegg eksterne aktørers makt

• Gjennomfør en strategisk analyse av hvilke bedrifter som rekrutterer flest studenter, og hvilke emner de etterspør. Bruk funnene til å forhandle med dem: "Vi tilbyr X, men da må dere støtte Y" (f.eks. "Vi utdanner AI-ingeniører, men dere må sponse et emne i etikk").

2. Test sårbarheten i autonom læring

• Lag et pilotemne der studentene bygger et system uten forhåndsdefinerte verktøy (f.eks. "Bygg en søkemotor fra scratch"). Dokumenter hvor de feiler – det avslører hvilke grunnleggende ferdigheter som mangler.

3. Utforsk blindsonen "hva skjer om AI erstatter software engineering?"

• Sett av midler til en langsiktig workshopserie med tittelen "Etter software engineering". Inviter både akademikere og bransjefolk til å spekulere i fremtidens kompetansebehov – ikke for å tilpasse seg, men for å forstå hvilke prinsipper som vil være varige.

---

SI_002s avsluttende poeng: Universitetet har makt til å forme fremtiden – men bare hvis det tør å være sårbart nok til å stille spørsmål ved sin egen rolle. Blindsonen er ikke mangel på ressurser, men mangel på strategisk mot til å prioritere langsiktig resiliens over kortsiktig rekrutteringsbehov.

Instans SI_003

Seeds aktivert: strategisk (langsiktig posisjonering), kortsiktig (press fra arbeidsmarked), makt (hvem kontrollerer læringskurven?), sårbarhet (hvor tåler systemet brudd?), vent (taktisk utsettelse som verktøy).

---

Blindsoner i revisjonen

1. Maktens asymmetri: Forsvarsindustrien og høyteknologibedrifter trenger kandidater nå, men vil ikke bære kostnaden ved å utdanne dem. Studieledelsen må kartlegge hvem som egentlig har vetomakt over innholdet – er det bedriftene (som rekrutterer), studentene (som stemmer med føttene), eller fagmiljøet (som sitter på formell kompetanse)? Eksempel: Hvis 80% av studentene får jobb i forsvarssektoren, men bare 20% av undervisningsressursene er dedikert til sikkerhetskritisk kode, er det en sårbarhet i systemet.

2. Kortsiktig spesialisering som felle: AI-verktøy endrer seg hvert halvår, men grunnleggende algoritmisk tenkning består. Prioriterer man kortsiktig etterspørsel (f.eks. prompt engineering for LLMs), risikerer man å skape kandidater som er sårbare for teknologisk disrupsjon. Samtidig: Hvis man venter med å inkludere AI i pensum, taper man rekrutteringsargumenter. Løsning: Dediker ett emne til "state-of-the-art"-verktøy (f.eks. "AI i praksis"), men la resten bygge på evighetskunnskap (f.eks. "Abstraksjon i programvarearkitektur").

3. Autonom læring som maktspill: Studentenes evne til å lære selvstendig er en strategisk ressurs, men universitetenes makt ligger i å definere hva som er "godkjent kunnskap". Blindsonen: Hvis man outsourcer læringen til MOOCs eller bedriftscertifiseringer (f.eks. AWS/Azure), mister universitetet kontroll over kvalitet og etikk. Eksempel: Et emne som "Selvstyrt læring i datafag" (med veiledning på metakompetanse) kan være mer verdifullt enn enda et Python-kurs.

4. Ressursfordelingens sårbarhet: Med 10–12 emner må hvert valg veie tungt. Kortsiktig prioritering av software engineering kan gå på bekostning av strategisk bredde (f.eks. fysikk for robotikk eller etikk for AI). Tall: Hvis 3 emner må kuttes, bør det være de som lettest kan hentes inn via eksterne kurs (f.eks. "Webutvikling") – ikke de som krever lab-infrastruktur (f.eks. "Innbyggede systemer").

---

Dissens: Vent som strategi

Mainstream-tenkning sier "tilpass deg nå", men vent kan være en strategisk manøver. Eksempel:

• Utsett AI-spesialisering med ett år, og bruk tiden til å kartlegge hvilke verktøy som overlever (f.eks. GitHub Copilot vs. midlertidige hype-verktøy).
• La bedriftene betale for pilotkurs i nye teknologier (f.eks. et "Forsvarsindustriens utfordringer"-emne sponset av Kongsberg Gruppen). Dette reduserer universitetets sårbarhet for feilinvesteringer.

---

Neste steg

1. Maktkartlegging: Gjennomfør en anonym spørreundersøkelse blant studenter og arbeidsgivere om hvilke emner de må ha vs. hvilke de kan lære selv. Bruk resultatene til å identifisere vetomakt.
2. Sårbarhetsanalyse: Simuler hva som skjer hvis 20% av studentene dropper ut på grunn av for teoretisk innhold, eller hvis et kjerneemne (f.eks. "Algoritmer") får dårlige evalueringer. Hvor tåler systemet brudd?
3. Vent-eksperiment: Lag et "sandkasse-emne" (f.eks. "Fremtidens teknologier") der innholdet bestemmes etter semesterstart, basert på hva som er mest relevant nå. Mål om det gir bedre læringsutbytte enn tradisjonell pensumplanlegging.

Instans SI_004

Seeds: strategisk (langsiktig posisjonering), kortsiktig (markedspress), makt (aktørenes innflytelse), mulighet (unike fortrinn), implementer (hva som faktisk lar seg gjennomføre)

---

Blindsoner studieledelsen må se

1. Maktens skjulte kartell: Forsvarsindustrien og høyteknologibedriftene har de facto vetorett over studieplanen gjennom rekrutteringspress og eksterne sensorer. De vil presse for kortsiktig kompetanse (f.eks. spesifikke AI-rammeverk), men deres strategiske interesser (f.eks. sikkerhetsklarerte systemer) er sjelden eksplisitte. Blindsonen: Studieledelsen antar at "etterspurt" = "samfunnsnyttig", men bedriftenes prioriteringer kan være snevre (f.eks. proprietære verktøy som AWS SageMaker fremfor åpne standarder).

2. Autonomiens illusjon: Studentenes evne til selvstyrt læring er en mulighet, men også en risiko. Dagens studenter er flinke til å lære verktøy (f.eks. GitHub Copilot), men ikke nødvendigvis prinsipper (f.eks. algoritmekompleksitet). Blindsonen: Studieplanen undervurderer hvor mye makt lærerne må gi fra seg for å stimulere autonomi – og hvor mye som må implementeres som obligatoriske rammer (f.eks. ukentlige "refleksjonslogger" om teknologiskifte).

3. Grunnfag som forhandlingskort: Matematikk og fysikk ses ofte som strategiske investeringer, men er i praksis kortsiktige offer for spesialisering. Blindsonen: Studieledelsen ser ikke at disse fagene kan implementeres som tverrfaglige broer (f.eks. "Matematikk for AI" med caser fra forsvarslogistikk) – og dermed bli en mulighet for samarbeid med bedriftene.

---

Argumenter som må veies

• Prioriter bredde: Grunnfag gir strategisk motstandsdyktighet mot teknologiskifte (f.eks. vil en student med solid fysikkforståelse lettere tilegne seg kvantedatateknologi om 5 år). Motargument: Kortsiktig rekrutteringspress fra bedrifter som vil ha "ferdige" utviklere nå.
• Prioriter spesialisering: AI og software engineering er muligheter for å utnytte campusens unike posisjon. Motargument: Risiko for å bli en "bootcamp" uten ingeniørfaglig dybde – og dermed miste makt til å forme fremtidens teknologi (f.eks. ved å utdanne brukere fremfor skapere).
• Prioriter autonomi: Implementer "lærende læringsmiljøer" (f.eks. studentdrevne prosjekter med ukentlige "tech radar"-oppdateringer). Motargument: Krever makt til å omdefinere lærernes rolle – fra forelesere til mentorer – noe som møter motstand i akademia.

---

Neste steg

1. Kartlegg maktstrukturer: Gjennomfør intervjuer med 3–5 bedrifter (inkl. forsvarsaktører) for å avdekke implisitte kompetansekrav. Spør: "Hvilke tre ferdigheter vil dere at våre studenter mangler om 5 år?" – ikke bare "Hva trenger dere nå?".
2. Pilotér "hybridemner": Test ett emne som kombinerer grunnfag og spesialisering (f.eks. "Fysikk for autonome systemer" med case fra droneteknologi). Mål studentenes autonomi via selvrapporterte læringskurver.
3. Implementer "teknologi-agnostiske" rammer: Innfør et obligatorisk emne i "Teknologihistorie og etikk" som gir studentene makt til å forstå – og kritisere – verktøyene de bruker. Eksempel: Analysere hvordan GitHub Copilot påvirker kodeskrivingspraksis.

---

SI_004 avslutter: Den største blindsonen er troen på at studieplanen kan "balansere" alt. I virkeligheten må den velge – og det valget må være bevisst, ikke et kompromiss.

Instans SI_005

Seeds: strategisk | kortsiktig | makt | mulighet | implementer

---

Blindsoner: Maktens skjulte vektstenger

Studieledelsen risikerer å overse maktfordelingen mellom tre aktører: (1) Forsvars- og tech-industrien (som krever umiddelbar kompetanse, men sjelden betaler for grunnutdanning), (2) universitetets interne hierarki (som belønner forskningspublikasjoner over undervisningsrelevans), og (3) studentene selv (som søker jobbgaranti, men undervurderer grunnfagets langsiktige verdi). Kortsiktig press fra næringslivet (f.eks. etterspørsel etter AI-prompting) kan undergrave strategisk robusthet – som når en lokal bedrift krever kun Python-emner, mens forsvarssektoren om 5 år trenger krypteringsmatematikk.

Prioriteringsdilemma: Mulighet vs. implementerbarhet

1. Grunnfag (bredde):

• Argument: 80% av dagens AI-ingeniører bruker kun 20% av sin matematikk-kunnskap – men de 20% er kritiske for å forstå hvorfor en modell feiler (eks: gradient descent i backpropagation).
• Risiko: "Kjedelig" for studenter som vil kode nå. Løsning: Implementer "matematikk-i-kontekst" (f.eks. bruke lineær algebra til å optimalisere en drone-rute for Kongsberg Defence).
• Maktspill: Universitetsledelsen vil se "forskningsrelevans" – vis hvordan grunnfag gir konkurransefortrinn mot fagskoler.

2. Spesialisering (dybde):

• Mulighet: 60% av lokale jobbannonser krever enten cloud-arkitektur (AWS/Azure) eller embedded systems (ARM). Kortsiktig løsning: Lag to "spor" fra år 2, med 3–4 emner hver (eks: Software Engineering vs. Cyberfysiske Systemer).
• Blindsoner: (a) Næringslivet endrer preferanser raskere enn revisjonssykluser (f.eks. blockchain → kvantedatamaskiner), (b) studenter velger spor basert på myter om lønn, ikke reell etterspørsel.

3. Autonom læring:

• Strategisk nødvendighet: Google og Microsoft endrer verktøy hvert 18. måned. Implementer et "læringslab" med ukentlige kodekvelder hvor studenter løser reelle case fra bedrifter (f.eks. "Optimaliser denne logistikk-algoritmen for et lokalt oppdrettsanlegg").
• Maktfaktor: Studentene har vetomakt via evalueringer – vis dem hvordan autonomi gir jobbtrygghet (eks: "90% av våre kandidater får tilbud før eksamen").

---

Neste steg (konkret handling)

1. Kartlegg maktfordelingen:

• Send ut en 3-spørsmåls undersøkelse til 5–10 bedrifter og 20 studenter: "Hvilke tre ferdigheter savner dere hos nyutdannede?" (Mål: Identifisere gapet mellom næringslivets kortsiktige ønsker og studentenes forventninger).
• Eksempel: Hvis forsvarsindustrien etterspør "formell metode-verifisering", men studenter vil lære "Generative AI", kan man designe et emne som kombinerer begge (f.eks. "AI for sikkerhetskritiske systemer").

2. Pilotér et "hybrid-emne":

• Velg ett emne (f.eks. Algoritmer og datastrukturer) og implementer en 70/30-modell: 70% tradisjonell undervisning, 30% "fleksibel modul" hvor studenter velger mellom (a) forsvarsrelatert case (eks: ruteplanlegging for ubemannede fartøy), (b) AI-optimalisering (eks: trening av LLMs), eller (c) embedded systems (eks: Raspberry Pi-prosjekt).
• Mål: Test om studentene faktisk velger bredde når de får meningsfulle valg.

3. Allier deg med en "maktmegler":

• Inngå en 3-årig avtale med én sentral bedrift (f.eks. Kongsberg Gruppen eller Equinor) om å sponse ett emne per år – mot at de får innflytelse over læringsutbyttet (ikke pensum). Strategisk gevinst: Sikrer finansiering og legitimitet for breddeemner (f.eks. "Kongsberg betaler for Fysikk for datasystemer fordi de trenger det til undervannssensorer").
• Advarsel: Unngå "kjøp av pensum" – avtal at bedriften ikke kan kreve spesifikke verktøy (f.eks. "kun Azure"), men må akseptere prinsipper (f.eks. "skyarkitektur").

---

SI_005s kjernebudskap: Balansen ligger ikke i pensum, men i maktfordelingen. Den som kontrollerer læringskonteksten (prosjekter, bedriftssamarbeid, evalueringskriterier), kontrollerer også hva studentene faktisk lærer – uavhengig av hva som står i studieplanen.

Instans SI_006

Seeds: strategisk (maktposisjonering), kortsiktig (nåverdi vs. fremtidssikring), makt (eksterne aktørers påvirkning), sårbarhet (avhengigheter og blindsoner), vent (taktisk utsettelse som verktøy)

---

Blindsoner i en ustabil balanse

Studieledelsen står overfor en maktkamp der eksterne aktører (forsvarsindustri, høyteknologiske bedrifter) dikterer kortsiktige kompetansebehov, mens universitetets strategiske rolle krever langsiktig robusthet. Den største sårbarheten ligger i å overse hvordan disse kreftene sammen undergraver autonom læringsevne – ikke hver for seg.

1. Maktens asymmetri

Forsvars- og tech-sektoren har økonomisk og politisk tyngde til å påvirke studieplanen utenfor formelle kanaler (eks.: praksisplasser, masteroppgaver, eksterne forelesere). Risiko: Programmet blir en leverandør av ferdighetsarbeidere fremfor ingeniører med systemforståelse. Blindsonen: Studieledelsen antar at "etterspurt spesialisering" er nøytralt – men den er politisk ladet.

2. Kortsiktig vs. strategisk tidshorisont

AI-verktøy og software engineering endres på 12–18 måneder, mens revisjonssykluser er 3–5 år. Sårbarheten: Å tilpasse seg dagens trender (eks.: prompt engineering, spesifikke rammeverk) kan skape teknologisk gjeld når studentene møter arbeidslivet. Eksempel: Et fokus på TensorFlow i 2020 ville vært utdatert i 2023 (PyTorch dominerer nå). Løsning: Vent med å låse spesialisering til etter grunnleggende emner (matte/fysikk) er på plass – disse gir makten til å tilpasse seg senere.

3. Autonomi som blindsonen

Studentenes evne til å lære selv blir ofte antatt å vokse organisk. Realiteten: Uten eksplisitt trening i metalæring (eks.: hvordan evaluere nye verktøy, kritisk tenkning om AI-bias) blir de sårbare for hype-sykluser. Handlingspunkt: Innfør et obligatorisk 5-poengsemne i "Teknologisk endring og ingeniørrolle" (modellert etter MIT’s "The Human Side of Technology").

---

Dissens: Prioriteringene som ikke bør veies likt

Mainstream-logikken sier: "Balanser de tre hensynene." SI_006-logikk: Grunnleggende bredde er ikke forhandlingsbar – den er maktgrunnlaget for alt annet. Uten matematikk/fysikk blir studentene leverandørkjeder for eksterne aktører. Konkrete tall:

• Minimum 30% av emnene må være grunnleggende (eks.: 4 av 12 emner: diskret matte, lineær algebra, fysikk, systemteori).
• Maks 20% kan være kortsiktig spesialisering (eks.: 2 emner i AI/software engineering, men med fokus på prinsipper fremfor verktøy).
• Resten (50%) bør være hybrid: anvendt bredde (eks.: "Matematikk for maskinlæring") eller ventende emner (eks.: "Nye trender i software engineering" – oppdatert årlig basert på industriinput).

---

Neste steg

1. Kartlegg maktforholdene

• Gjennomfør en strategisk stakeholder-analyse (hvilke bedrifter har mest innflytelse? Hvilke kompetanser mangler de internt?).
• Lag en "maktmatrise" som viser hvem som presser for hva – og hvor universitetet kan motstå eller utnytte dette.

2. Test sårbarheten i autonomi

• Pilotér et obligatorisk "lær-å-lære"-emne i ett kull (mål: kan studentene selv evaluere nye verktøy etter 1 år?).
• Bruk ventetaktikk: Frys 10% av studiepoengene (1–2 emner) til etter grunnleggende emner er gjennomført – fyll dem med innhold basert på nåværende trender.

3. Institusjonaliser dissens

• Opprett en ekstern rådgivningsgruppe med representanter fra både forsvarsindustri og kritiske stemmer (eks.: forskere på teknologihistorie, etikk).
• Krev at gruppen leverer to motstridende forslag til studieplan – for å tvinge frem blindsoner.

---

SI_006 avslutter: Den største risikoen er ikke å velge feil, men å tro at valgene er nøytrale. Makt, sårbarhet og tid er alltid i spill.

Instans SI_007

Seeds: bruker (studenten som aktiv deltaker, ikke passiv mottaker) | kortsiktig (raske endringer vs. langsomme revisjoner) | samarbeid (industriens rolle i utdanningen) | sårbarhet (risikoen ved å satse feil) | utforsk (læring som prosess, ikke produkt)

---

Blindsoner: Tre feller studieledelsen må unngå

1. Illusjonen om "evig relevans"

Studieplaner fryses i 3–5 år, men industrien krever kortsiktig tilpasning (f.eks. har generativ AI endret verktøykjeden på 18 måneder). Blindsonen: Å tro at innholdet i emner som "Software Engineering" eller "Maskinlæring" kan defineres statisk. Løsning: Emner må designes som rammeverk for utforskning, ikke som pensumlister. Eksempel: Erstatt "lær Python" med "lær å evaluere og adoptere nye språk/verktøy gjennom prosjekter" – der industripartnere bidrar med sårbare case-studier (f.eks. "Hvordan migrerte vi fra TensorFlow til JAX?").

2. Samarbeid som ensidig utveksling

Nåværende modeller (gjesteforelesere, praksisplasser) er ofte transaksjonelle. Blindsonen: Å overse at brukeren (studenten) må være like aktiv i samarbeidet som bedriften. Eksempel: La studenter kritisk vurdere industriens verktøyvalg (f.eks. "Er Rust virkelig bedre enn C++ for vårt forsvarssystem?") – dette avslører sårbarheter i bedriftenes egne løsninger og gir studentene autonomi.

3. Autonom læring som fravær av struktur

"Lær å lære" er et tomt mantra uten konkrete mekanismer. Blindsonen: Å tro at studentene vil finne ut av det selv. Løsning: Bygg utforskingskompetanse inn i emner gjennom:

• Sårbarhetsøvelser: "Dere har 48 timer på å finne og fikse en kritisk sårbarhet i dette åpne kildekode-prosjektet" (samarbeid med NSM eller mnemonic).
• Kortsiktige sprints: 2-ukers moduler der studentene tester nye verktøy (f.eks. "Prøv ut GitHub Copilot på deres neste prosjekt – skriv en refleksjonsrapport om hva det endret").
• Industri-mentorer: Ikke bare forelesere, men kritiske sparringspartnere som utfordrer studentenes antakelser (f.eks. "Hvorfor bruker dere denne algoritmen når bedriften vår har gått over til X?").

---

Prioriteringsdilemmaer: Hva veier tyngst?

| Hensyn | Argument for | Argument mot | SI_007s vridning |

|----------------------|-------------------------------------------------------------------------------|-------------------------------------------------------------------------------|----------------------------------------------------------------------------------|

| Grunnleggende bredde | Matte/fysikk gir robust systemforståelse (kritisk for forsvar). | "Tid brukt på derivasjon er tid mistet til AI-prompting." | Behold bredden, men gjør den brukerdrevet: La studentene utforske hvordan f.eks. lineær algebra brukes i moderne LLMs – ikke bare regneoppgaver. |

| Spesialisering | Bedrifter rekrutterer for kortsiktige behov (f.eks. MLOps). | Risiko for å bli "utdatert" før uteksaminering. | Spesialiser i metoder, ikke verktøy: Fokuser på sårbarheter i AI-systemer (bias, robusthet) – ikke bare "hvordan trene en modell". |

| Autonom læring | Nødvendig for å håndtere endringer. | Studentene trenger trygge rammer – ikke bare "fri utforskning". | Bygg autonomi gjennom samarbeid: La industrien definere problemer (f.eks. "Hvordan detektere deepfakes i sanntid?"), mens universitetet gir metoder for å løse dem. |

---

Konkrete neste steg

1. Pilot: "Sårbarhetslab" som obligatorisk emne

• Samarbeid med NSM eller bedrifter som Kongsberg Defence & Aerospace.
• Oppgave: Studenter får tilgang til et ekte (men anonymisert) system med kjente sårbarheter (f.eks. log4j). Målet er ikke å "fikse" dem, men å dokumentere læringsprosessen: Hvordan fant de sårbarheten? Hvilke verktøy brukte de? Hva var blindsonene deres?
• Seed-aktivering: Sårbarhet (eksponerer svakheter i både systemer og egen kompetanse) + utforsk (læring som prosess).

2. Revider emnebeskrivelser med "utforskningsmandater"

• Erstatt statiske læringsutbytter med dynamiske spørsmål som studentene skal utforske. Eksempel:
• Gammel: "Studenten skal kunne implementere en neuralt nettverk i PyTorch."
• Ny: "Studenten skal kunne vurdere når et neuralt nettverk er riktig verktøy for et gitt problem, og hvilke sårbarheter det introduserer (f.eks. forklarbarhet, dataavhengighet)."
• Seed-aktivering: Kortsiktig (tilpasningsdyktig) + bruker (studenten som aktiv deltaker).

3. Opprett et "Industriens Blindsoner"-panel

• Inviter bedrifter til å presentere sine største teknologiske feilgrep (f.eks. "Hvorfor gikk vi all-in på blockchain i 2018?"). La studentene analysere disse som case-studier i sårbarhet og kortsiktig tenkning.
• Seed-aktivering: Samarbeid (ikke bare rekruttering) + utforsk (kritisk refleksjon).

---

SI_007s avsluttende refleksjon: Den største blindsonen er å tro at studieplanen skal forutsi fremtiden. I stedet må den lære studentene å navigere den – gjennom sårbare samarbeid, kortsiktige eksperimenter, og en bruker som er like mye utforsker som ingeniør.

Instans SI_008

Analyse: Sårbar maktbalanse i et kortsiktig strategisk landskap

Studieledelsen sitter med makt til å forme fremtidens ingeniører, men denne makten er sårbar for både eksterne press (industriens kortsiktige kompetansebehov) og interne begrensninger (revisjonssykluser, emnekapasitet). Den største blindsonen er illusionen om kontroll: troen på at en treårig studieplan kan "fange" et felt som endrer seg kvartalsvis. AI og software engineering utvikler seg raskere enn universitetets revisjonsprosesser – her ligger en strategisk sårbarhet som må adresseres før emnefordelingen låses.

Kortsiktig vs. langsiktig makt:

• Kortsiktig makt ligger i å tilfredsstille lokale bedrifter (f.eks. Kongsberg Gruppen, Nammo) med umiddelbar kompetanse innen f.eks. Rust, MLOps eller cyberfysiske systemer. Dette gir synlige resultater (rekrutteringsavtaler, sponsorater) og legitimerer programmet politisk.
• Langsiktig makt ligger i å bygge autonom læringskapasitet – ikke bare tekniske ferdigheter, men evnen til å lære å lære i et flyktig felt. Dette krever sårbarhetsbevisst design: emner som eksplisitt trener metakognisjon (f.eks. "Emerging Tech: Self-Directed Learning" som obligatorisk 3. årsemne) og implementerbare mekanismer for kontinuerlig oppdatering (f.eks. årlige "micro-credentials" som oppdaterer innhold uten å kreve full revisjon).

Prioriteringsdilemmaer:

1. Bredde vs. spesialisering:

• Argument for bredde: 40% av emnene bør være kjernefag (matte, algoritmer, systemtenkning) – ikke fordi de er "evige", men fordi de gir makt til å forstå hvorfor nye verktøy fungerer (eller feiler). Eksempel: Et emne i "Fysiske grenser for beregning" (kvantecomputing, termodynamikk) kan forklare hvorfor AI-modeller sliter med visse problemer.
• Argument for spesialisering: 30% av emnene bør være industriankret (f.eks. "Defense-Grade Software Engineering" i samarbeid med FFIs programvareavdeling), men med eksplisitt fokus på sårbarheter (f.eks. "Failure Modes in Autonomous Systems"). Her må studieledelsen implementere en "rotasjonsmodell": emner som byttes ut hvert 2. år basert på industriens feedback.

2. Autonomi vs. struktur:

• Sårbarhet i autonomi: Studenter som overlates til selvstyrt læring uten rammer vil ofte velge det trygge (f.eks. å lære enda en JavaScript-ramme) fremfor det nødvendige (f.eks. formell verifikasjon).
• Løsning: Strategisk autonomi – strukturert frihet. Eksempel: Et "Portfolio-emne" der studentene må dokumentere læring innen 3 selvvalgte teknologier, men hvor 1 må være innen et "risikofelt" (f.eks. etikk i AI, eller lavnivåprogrammering).

Neste steg:

1. Maktkartlegging: Inviter representanter fra 3–4 bedrifter (inkl. én utenfor forsvarssektoren, f.eks. en helseteknologibedrift) til en strategisk workshop for å identifisere felles sårbarheter i dagens kandidater. Fokus: Hvilke grunnleggende mangler ser de på tvers av bedrifter?
2. Implementeringspilot: Test en "modulær" emnestruktur i ett emne (f.eks. "Advanced Software Engineering") der 50% av innholdet låses for 3 år, mens 50% oppdateres årlig basert på en industripanel. Mål effekten på studentenes autonomi vs. relevans.
3. Sårbarhetsrevisjon: Kartlegg hvilke emner som mest sannsynlig vil bli utdaterte innen 2027 (f.eks. spesifikke AI-rammeverk). For disse emnene: Krev at studentene dokumenterer hvordan de vil oppdatere kunnskapen selv etter endt kurs (f.eks. via en "læringskontrakt").

Instans SI_009

Seeds: strategisk (maktposisjonering) | langsiktig (10-års horisont) | makt (definere feltet) | sårbarhet (avhengigheter) | vent (taktisk utsettelse)

---

Blindsoner i revisjonen: Maktens skjulte avhengigheter

Studieledelsen ser tre synlige hensyn, men overser tre systemiske sårbarheter som vil forme programmets maktposisjon over tid:

1. Den falske dikotomien mellom bredde og spesialisering

• Sårbarhet: Bredde (matte/fysikk) fremstår som langsiktig, men blir maktesløs hvis den ikke kobles til spesialisering. Eksempel: Et emne i "fysikk for dataingeniører" som ikke integrerer simulering eller maskinlæring, blir irrelevant for forsvarsindustrien – som trenger begge deler i autonome droner eller sensorsystemer.
• Makt: Universitetet kan definere hva "grunnleggende" betyr. Et strategisk grep: Erstatt tradisjonell fysikk med "Computational Physics for AI Systems" (kode: PHYS210), der studentene bygger fysiske modeller i Python og trener nevrale nett på dem.

2. Autonom læring som unnskyldning for passivitet

• Sårbarhet: Å "vente" på at studentene skal lære seg nye AI-verktøy selv, er en maktavståelse. Bedriftene (som Kongsberg, Andøya Space) vil fylle tomrommet med egne kurs – og rekruttere direkte fra dem.
• Strategisk: Innfør et obligatorisk "AI Lab" (10 studiepoeng) der studentene må eksperimentere med nye verktøy (f.eks. GitHub Copilot, Stable Diffusion) under veiledning. Krav: Dokumentere hva som feiler, ikke bare hva som virker. Dette skaper institusjonell hukommelse om sårbarheter i verktøyene – en maktressurs bedriftene mangler.

3. Ressursmyten: "Vi har ikke plass til X"

• Langsktig: 10–12 emner er en illusjon. Det virkelige spørsmålet er: Hvilke emner kan vi fjerne uten å miste makt? Eksempel: Et tradisjonelt "databaser"-emne kan erstattes med "Data Engineering for AI" (kode: DATA310), der studentene bygger pipelines for sanntidsdata fra forsvarsrelaterte sensorer.
• Vent: Utsett én revisjon (f.eks. matematikkemnene) i 2 år. Bruk tiden til å kartlegge hvilke bedrifter som rekrutterer hvilke kompetanser – ikke bare hva de sier de trenger. Makt ligger i å forutse behov før de blir åpenbare.

---

Argumenter som må veies mot hverandre

| Prioritering | Maktgevinst | Sårbarhet | Langsktig effekt |

|------------------------|----------------------------------------|---------------------------------------|----------------------------------------|

| Bredde (matte/fysikk) | Kontroll over "ingeniør"-merket | Irrelevant hvis ikke koblet til AI | Blir et "gammeldags" program |

| Spesialisering (AI/SE) | Umiddelbar rekrutteringsappell | Avhengig av bedriftenes verktøyvalg | Kan bli en "leverandørskole" |

| Autonom læring | Fleksibilitet | Tap av institusjonell makt | Universitetet blir en "passiv plattform" |

---

Konkrete neste steg

1. Kartlegg maktflyten: Send en anonym spørreundersøkelse til 5–10 lokale bedrifter (inkl. forsvarsaktører) med spørsmålet: "Hvilke tre kompetanser mangler våre kandidater i dag – og hvilke tre vil dere savne om 5 år?" Bruk svarene til å omdefinere bredde vs. spesialisering.
2. Pilotér "AI Lab": Kjør et frivillig emne (5 sp) neste semester med 20 studenter. Krav: De må publisere åpne rapporter om feil i AI-verktøy (f.eks. bias i LLMs). Dette skaper institusjonell makt gjennom dokumentasjon.
3. Utsett ett emne: Fjern enten fysikk eller et programmeringsemne fra neste revisjon. Bruk året til å utvikle et hybridemne (f.eks. "Physics-Informed Machine Learning") som dekker begge deler – uten å øke totalt antall emner.

---

SI_009s avsluttende advarsel: Den største sårbarheten er å tro at valget står mellom bredde og spesialisering. Det virkelige valget er mellom å definere feltet – eller å bli definert av det.

Instans SI_001

Seeds: strategisk | syklisk | makt | sårbarhet | implementer

Studieledelsen bør lese dette som et porteføljeproblem under knapphet, ikke som et pedagogisk idealvalg. Med bare 10–12 emner over tre år kan man ikke maksimalisere både bredde, dybdespesialisering og “framtidssikkerhet” samtidig. Derfor må planen designes for syklisk endring: noen emner må være stabile, andre må være lett utskiftbare.

Blindsoner å passe seg for

1. Overvekting av dagsaktuell teknologi

AI-verktøy og spesifikke rammeverk kan gi kortsiktig attraktivitet, men blir raskt utdaterte. Blindsonen er å tro at “relevant nå” er det samme som “robust om 3–5 år”. Et bachelorprogram bør ikke bygge identitet rundt verktøy som kan være borte før neste revisjonssyklus.

2. For svak systemforståelse

I en industriell kontekst med forsvar og høyteknologi er det farlig å utdanne “kodeoperatører” uten forståelse for krav, arkitektur, sikkerhet, test og drift. Maktforholdet her er tydelig: arbeidsgiverne vil ha folk som kan levere, men samfunnet trenger kandidater som kan vurdere konsekvenser.

3. Autonomi undervurderes som kjernekompetanse

Mange programplaner antar at selvstudie skjer av seg selv. Det er en sårbarhet. Hvis studentene ikke trenes i å lære nye språk, verktøy og domener alene, blir de avhengige av at utdanningen alltid “treffer riktig” teknologi.

Argumenter som bør veies mot hverandre

• Breddeargumentet: Matematikk, fysikk og ingeniørforståelse gir varig analytisk kapasitet og gjør kandidaten mobil mellom roller.
• Spesialiseringsargumentet: Software engineering, sky, DevOps, AI-assisterte arbeidsformer og sikker utvikling gir direkte relevans mot regionalt arbeidsmarked.
• Autonomiargumentet: Et program bør optimaliseres for læringshastighet, ikke bare kunnskapsmengde. Kandidaten må kunne retool’e selv.

Strategisk anbefaling

Velg en stabil kjerne + roterende topp:

• Kjerne (6–7 emner): programmering, algoritmer/datastrukturer, matematikk, systemutvikling, databaser, operativsystem/nettverk, software engineering.
• Roterende/valgfrie emner (3–4 emner): AI-verktøy, sikkerhet, sky/DevOps, embedded/industrielle systemer, UX eller dataanalyse.

Neste steg

1. Kartlegg hvilke emner som faktisk gir varig kompetanse versus verktøyspesifikk trening.
2. Lag en kompetansematrise: hver emneplass må forsvare enten bredde, spesialisering eller autonomi.
3. Etabler en 2-årig revisjonsmekanisme for valgfrie/små emner, mens kjernen holdes stabil i minst 4–5 år.

Instans SI_002

Seeds: operasjonell | langsiktig | tillit | sårbarhet | utforsk

Den viktigste blindsonen er å tro at dette først og fremst er et innholdsproblem. Med bare 10–12 emner over tre år er det egentlig et kapasitets- og tillitsproblem: Hva skal studentene kunne gjøre sikkert etter 3 år, og hva må de kunne utforske selv senere?

1) Operasjonell blindsonе: for mange emner, for lite integrasjon

Et studieprogram kan lett ende med 11 “små siloer” der hver faglærer optimaliserer sitt fag. Resultatet blir bredde på papiret, men svak systemforståelse i praksis. Et viktig spørsmål er derfor: Er emnene koblet til en tydelig progresjon i ferdigheter?

Anbefaling: legg inn færre, større byggesteiner med tydelig nivådeling:

• Grunnlag: matematikk, diskret matematikk, programmering
• System: databaser, operativsystem/nettverk, arkitektur
• Produksjon: software engineering, test, sikkerhet, DevOps/MLOps
• Anvendelse: AI-verktøy og ett integrert prosjektforløp

2) Langsiktig blindsonе: dere utdanner for et fag som endrer seg raskere enn emneplanen

Å undervise “riktige verktøy” er mindre verdifullt enn å bygge lære-å-lære-kompetanse. En kandidat som kan vurdere dokumentasjon, bruke API-er, teste hypoteser og lese kode, er mer robust enn en som kun kjenner dagens rammeverk.

Vei mot hverandre:

• Bredde-argumentet: matematikk/fysikk gir dypere modellforståelse og evne til å lære nye teknologier.
• Spesialiserings-argumentet: næringslivet etterspør umiddelbar produktivitet i software og AI.
• Mitt avvikende poeng: Hvis spesialiseringen blir for tidlig, svekkes den langsiktige læringsevnen. Legg spesialisering sent, ikke tidlig.

3) Tillit og sårbarhet: industrinærhet kan bli en styrke og en risiko

Nærhet til forsvarsindustri og høyteknologi gir legitimitet, praksisprosjekter og relevans. Men det kan også skape for sterk programdrevne forventninger fra arbeidsgivere. Da risikerer man å gjøre bacheloren til en opplæringskanal for lokale behov, ikke et universitetsprogram.

Blindsoner:

• Å undervurdere etikk, sikkerhet og ansvarlig AI
• Å anta at “industrien vet best”
• Å glemme at studenter trenger trygghet til å feile i kontrollerte rammer

4) Hva bør prioriteres?

Jeg ville prioritert:

1. Kjerne i programmering + systemforståelse
2. Sterk SE-praksis: testing, versjonskontroll, arkitektur, samarbeid
3. AI-verktøy som ferdighet, ikke som eget stort fag
4. Et integrert design-/capstone-emne med reelle krav

Neste steg

1. Kartlegg hvilke læringsutbytter som er “må ha” ved exit etter 3 år.
2. Slå sammen overlappende emner og lag en progresjonsmatrise fra 1. til 6. semester.
3. Etabler et rådgivende panel med både industri, faglærere og studenter for å teste om planen gir tillit i praksis.

Instans SI_003

Seeds: strategisk | langsiktig | konkurranse | sårbarhet | utforsk

Det strategiske spørsmålet er ikke bare hva studentene skal lære, men hva slags kompetansekjede programmet skal produsere for et miljø der forsvar, industri og høyteknologi krever både leveranseevne og tillit. Med bare 10–12 emner over 3 år er den største risikoen en for tynn og fragmentert plan: litt matematikk, litt AI, litt programmering – men ingen tydelig bærekraftig kjerne.

Sentrale blindsoner

1. Overvekting av verktøy, undervurdering av grunnmur

AI-verktøy og moderne stacks endrer seg fort. Hvis studieplanen låser seg til konkrete rammeverk, kan den være utdatert før studenten uteksamineres. Den langsiktige verdien ligger i algoritmisk tenkning, programvarearkitektur, datastrukturer, modellering og testbarhet.

2. For lite system- og sikkerhetsforståelse

Nærhet til forsvarsindustri gjør sårbarhet til et konkurransepunkt. Mange programmer undervurderer secure coding, trusselmodellering, tilgangsstyring, sporbarhet og systemintegrasjon. Dette er ikke “tillegg”; det er differensierende kompetanse.

3. Autonomi som antakelse, ikke læringsmål

Studentenes evne til å lære selvstendig må trenes eksplisitt. Uten opplæring i litteratursøk, eksperimentdesign, dokumentasjon, kodegjennomgang og refleksjon blir de avhengige av det som er kjent i dag, ikke i morgen.

Prioriteringsargumenter

• For bredde: Matematikk/fysikk gir robusthet, men kan bli en flaskehals hvis det spiser for mye av 10–12 emner. Bredde må være målrettet, ikke generell.
• For spesialisering: Software engineering og AI gir attraktivitet og arbeidsmarkedsrelevans, men bør bygges på en kjerne av engineering-prinsipper. Ellers blir kandidaten “verktøydrevet” og sårbar.
• For autonomi: Dette er den mest undervurderte konkurransefordelen. Et program som trener kontinuerlig læring, gjør kandidater mer verdifulle over en 10–20 års karriere.

En mulig balanse

Tenk 4 emner kjerneprogrammering/systemer, 2 emner matematikk/modellering, 2 emner software engineering/CI/CD/testing, 1 emne AI/ML, 1 emne sikkerhet/etikk, 1–2 prosjekt- eller integrasjonsemner.

Neste steg

1. Kartlegg hvilke læringsutbytter som faktisk kan kuttes uten å svekke kandidatens langsiktige verdi.
2. Lag en matrise som rangerer emner etter: relevans om 5 år, relevans for regional industri, og sårbarhet for teknologisk foreldelse.
3. Innfør ett obligatorisk “autonomi-emne” med søk, lesing, eksperimentering og faglig selvregulering.

Instans SI_004

Seeds: operasjonell | langsiktig | tillit | mulighet | vent

Den største blindsonen er å behandle studieplanen som et innholdsproblem når den egentlig er et kapasitets- og tillitsproblem. Med bare 10–12 emner over tre år må programmet velge hva studentene skal kunne gjøre trygt og selvstendig etter endt løp, ikke bare hva de har “vært innom”.

Tre blinde soner

1. For mye bredde, for lite operasjonell mestring

• Matematikk, fysikk og systemforståelse er viktige, men hvis de ikke kobles til praktiske utviklingsløp, blir de en buffer som fortrenger ferdigheter arbeidsgiverne ser umiddelbart.
• Blindsonen er å undervurdere at mange studenter allerede møter industrien med forventning om å levere i Git, sky, testing, API-er, sikkerhet og samarbeid.

2. For mye spesialisering, for lite varighet

• AI-verktøy og populære rammeverk endrer seg fort. Å fylle planen med verktøyspesifikk opplæring kan gi kortsiktig attraktivitet, men lav langsiktig verdi.
• Det riktige er å prioritere prinsipper: programvarearkitektur, dataflyt, evalueringsforståelse, modellbegrensninger, versjonskontroll og kvalitetssikring.

3. Autonomi blir ofte antatt, ikke trent

• Studenters evne til å lære autonomt utvikles ikke automatisk. Den må bygges med strukturerte “vent”-soner: oppgaver der de må tåle uklarhet, feile, søke kunnskap og dokumentere valg.
• Blindsonen er å tro at “de lærer dette underveis” uten eksplisitt design.

Hva bør veies mot hverandre?

• Bredde vs. dybde: Jeg ville heller valgt smalere bredde med tydelig kjerne enn mange emner som hver blir litt tynne.
• Verktøy vs. varighet: Prioriter 2–3 stabile kompetanseområder over mange flyktige verktøy.
• Lærerstyring vs. studentautonomi: For lite støtte gir frafall; for mye støtte gir avhengighet. Målet er gradvis overgang fra tett veiledning til selvstyrt arbeid.

Konsekvens for programdesign

Et godt kompromiss kan være:

• 3 emner grunnlag: matematikk/systemforståelse
• 4–5 emner software engineering-kjerne
• 1–2 emner AI/data med fokus på anvendelse og vurdering
• 1–2 emner prosjekt/praksis med høy autonomi og industrinær problemstilling

Neste steg

1. Gjennomfør en kompetansekartlegging mot 10–15 konkrete roller i regionen.
2. Identifiser hva som kan fjernes før man legger til nytt: hvert emne må forsvare sin langsiktige verdi.
3. Design ett emne med eksplisitt mål om autonom læring: problemdefinisjon, kunnskapssøk, refleksjon og teknisk beslutningslogg.

Instans SI_005

Seeds: strategisk | kortsiktig | konkurranse | usikkerhet | implementer

Den største blinden er å tro at dette er et rent faglig designproblem. Det er i realiteten et strategisk konkurransevalg under usikkerhet: Programmet konkurrerer ikke bare mot andre bachelorløp, men mot bachelorer som lover “AI”, industri som forventer umiddelbar produktivitet, og en arbeidsmarkedssituasjon som kan skifte raskere enn en 3-årig plan.

Tre blindsoner

1. Overvekting av “moderne” verktøy

AI-verktøy og rammeverk kan gi kortsiktig attraktivitet, men de har kort halveringstid. Hvis 3–4 emner blir tool-spesifikke, risikerer dere å utdanne studenter som er sterke i dagens stack, men svake i neste revisjonssyklus. Det er en klassisk implementeringsfelle: man optimaliserer for synlighet nå, ikke robusthet senere.

2. Undervurdering av grunnmuren

I et miljø med forsvarsindustri og høyteknologi er det lett å anta at “software engineering” er nok. Men systemforståelse, diskret matematikk, numeriske metoder, signal-/sensorforståelse og grunnleggende fysikk er konkurransefortrinn fordi de gjør kandidater anvendelige i tverrfaglige, sikkerhetskritiske og systemintensive roller.

3. Autonomi som pynt, ikke struktur

Mange program sier de vil lære studenter å lære selv, men gir ikke eksplisitt trening i det. Uten krevende, åpne oppgaver, refleksjon over læringsstrategier og krav om dokumentert selvstendig oppdatering, blir “autonom læring” et slagord.

Argumenter som bør veies mot hverandre

• Bredde først gir robusthet, men kan oppleves som mindre attraktivt på kort sikt.
• Spesialisering i software/AI gir rekrutteringskraft og næringstilknytning, men øker risikoen for foreldelse.
• Autonomi som kjernekompetanse reduserer usikkerhet over tid, men krever plass i emnene og kan være vanskelig å måle.

Et mulig prioriteringsgrep

Med bare 10–12 emner bør programmet ha:

• 4–5 emner grunnmur: matematikk, programmering, datastrukturer/algoritmer, systemforståelse, fysikk/numerikk
• 3–4 emner software engineering og AI
• 2 emner som trener autonomi: prosjektbasert arbeid, faglig fordypning, teknologiendrings-/verktøy-evaluering
• resten som integrerte industrinære prosjekter, ikke flere løse spesialiseringsemner

Neste steg

1. Kartlegg hvilke 3–4 læringsutbytter som må overleve neste revisjonssyklus uansett teknologi.
2. Bygg en emnematrise som viser hvilke emner som dekker grunnmur, spesialisering og autonomi — og hvor det er overlapp.
3. Test planen mot 2 scenarier: “AI-boom” og “AI-tilbakeslag”, og se om kandidaten fortsatt er attraktiv i begge.

Instans SI_006

Seeds: operasjonell | historisk | konkurranse | sårbarhet | vent

Det operasjonelle spørsmålet er ikke bare hva studentene skal lære, men hva de faktisk rekker å bli gode på med 10–12 emner. Den historiske fellen er å bygge et “mini-sivilingeniørprogram” med for mye matte/fysikk og for lite moderne utviklingspraksis; den konkurransemessige fellen er motsatt: å bli et kurs i dagens verktøy som taper mot kortvarige bootcamps og industrikurs. Blindsonen ligger ofte i vent-faktoren: ledelsen antar at studentene “tar igjen” manglende grunnmur eller spesialisering senere. Det gjør de sjelden systematisk.

Tre spenninger bør veies eksplisitt:

1. Bredde vs. relevans

Grunnleggende matematikk, fysikk og systemforståelse gir robusthet, men i et lokalt økosystem med forsvarsindustri og høyteknologi er arbeidsmarkedets signal klart: programvare, arkitektur, sikkerhet og integrasjon betyr mest. For mye fysikk kan bli historisk arv mer enn operasjonell verdi. Spør: hvilke 2–3 emner gir reell ingeniørbredde uten å spise halve graden?

2. Spesialisering vs. varighet

AI-verktøy og software engineering er etterspurt, men verktøy blir raskt foreldet. Prioriter derfor prinsipper og praksis: testing, versjonskontroll, CI/CD, krav, arkitektur, datastrukturer, modellforståelse, MLOps-grunnlag. Et emne i “AI-verktøy” uten evaluering av begrensninger blir sårbart og kortlivet.

3. Kompetanse vs. autonom læring

Den største blindsonen er å anta at selvstendig læring kommer av seg selv. Autonomi må trenes operasjonelt: prosjektarbeid med ukjente rammer, krav om å lese dokumentasjon, skrive tekniske notater, og refleksjon over metodevalg. Dette er konkurransefortrinnet som ikke kopieres lett.

Mitt avvikende råd: ikke la “AI” bli et eget tyngdepunkt før basisen er sterk. Bygg heller et software-first-program med innfelt AI, sikkerhet og systemtenkning. For et 10–12-emners løp kan en grov fordeling være: 3 kjerneemner i programmering/systemutvikling, 2 i matematikk/diskret, 1 i fysikk/ingeniørforståelse, 1 i sikkerhet, 1 i databaser/nettverk, 1 i arkitektur/DevOps, 1 i AI/data, og 1–2 prosjekt/emneintegrasjoner.

Neste steg:

1. Kartlegg 5–7 konkrete stillingsannonser fra regionen og oversett dem til læringsutbytter.
2. Fjern emner som ikke støtter minst to av tre: bredde, relevans, autonomi.
3. Innfør et obligatorisk capstone-prosjekt med eksterne krav og ukjent verktøysett.

Instans SI_007

Seeds: strategisk | syklisk | tillit | mulighet | implementer

Den største blindsonen er å tro at studieplanen må velge mellom bredde, spesialisering og autonom læring. Strategisk sett er det mer robust å se programmet som en syklisk kompetanseportefølje: noen emner gir varig fundament, noen gir markedsrelevans nå, og noen bygger kapasitet for å lære nytt senere. Hvis alle emner optimaliseres for dagens etterspørsel, blir programmet fort foreldet før neste revisjonssyklus.

Blindsone 1: “Mer software” kan skjule svakhet i grunnmur.

I en nær kobling til forsvarsindustri og høyteknologi er systemtillit kritisk. Studentene må tåle komplekse krav, sporbarhet, sikkerhet og kvalitet. Hvis matematikk/fysikk/systemforståelse kuttes for mye, får man kandidater som kan kode, men ikke designe robuste systemer. Det er en strategisk risiko, ikke bare en pedagogisk.

Blindsone 2: AI-verktøy er ikke det samme som AI-forståelse.

Å lære Copilot, prompting og API-integrasjon er nyttig, men bør ikke fortrenge algoritmisk tenkning, datahåndtering, modellbegrensninger og etikk. Ellers får man “verktøybrukere” uten dømmekraft. Muligheten ligger i å bruke AI som didaktisk forsterker, ikke som substitutt for faglig kjerne.

Blindsone 3: Autonomi oppstår ikke av seg selv.

Studenter blir ikke selvstyrte bare fordi man sier det. De må trenes i læringssykluser: lese dokumentasjon, feilsøke, reflektere, bruke Git, skrive teknisk notat, gjøre mini-reviewer. Dette bør implementeres i flere emner, ikke legges til ett “metodeemne”.

Argumentene som må veies mot hverandre:

• Bredde: gir langsiktig fleksibilitet, sterkere systemtenkning og bedre overgang til regulerte domener.
• Spesialisering: øker jobbbarhet og attraktivitet mot lokale behov, særlig software engineering, DevOps, sikkerhet og AI-integrasjon.
• Autonomi: gir lavere fremtidig sårbarhet for teknologiskift, men krever tid og tett veiledning i starten.

Min dissens mot mainstream er dette: Ikke mål suksess i “flest mulige moderne temaer”, men i hvor raskt en kandidat kan retool’e om 2–3 år. Det er den viktigste framtidsevnen.

Neste steg:

1. Kartlegg 10–12 emner i tre lag: fundament, praksis, selvstendig læring.
2. Innfør obligatoriske “autonomi-artefakter” i alle emner: Git, refleksjonslogg, dokumentasjon, test.
3. Prioriter 1–2 tydelige profileringsspor, men behold kjerne i matematikk/system/sikkerhet.

Instans SI_008

Seeds: juridisk | kortsiktig | samarbeid | usikkerhet | implementer

Etter mitt syn er den største blindsonen ikke hva man bør undervise, men hva programmet juridisk og praktisk signaliserer til omverdenen. Når campus ligger tett på forsvarsindustri og høyteknologiske miljøer, vil en studieplan fort bli lest som en kompetansekontrakt: «Dette programmet leverer folk som kan brukes her, nå.» Da blir kortsiktig etterspørsel en sterk driver — men også en risiko.

Tre blinde flekker

1. Overtilpasning til dagens arbeidsmarked

AI-verktøy, DevOps og moderne software engineering er etterspurt, men hvis 4–5 av 10–12 emner bindes tett til dagens verktøy, blir planen sårbar. Verktøy skifter raskere enn revisjonssykluser. Studenten trenger derfor mer enn «kunnskap om X»; de trenger evne til å lære X+1.

2. Undervurdering av juridisk/etisk rammeverk

Nærhet til forsvarsindustri gjør eksportkontroll, sikkerhet, personvern, dual-use og ansvarlig utvikling mer enn fotnoter. Hvis dette ikke bygges inn, kan programmet produsere kandidater som er faglig sterke, men organisatorisk risikable å ansette.

3. For svak systemforståelse som grunnmur

Mange programmer kutter matte/fysikk/systemtenkning først. Det er farlig: uten modellering, algoritmisk forståelse og teknisk bæreevne blir «AI-kompetanse» ofte bare API-bruk. Det er kortsiktig, men ikke robust.

Hva bør veies mot hverandre?

• Bredde vs. spesialisering:

4–5 emner bør være grunnmur: matematikk, diskret matematikk, programmering, databaser/systemer, eventuelt signaler/fysikk eller systemarkitektur. Resten kan være mer fleksibel.

• Spesialisering vs. autonom læring:

Ikke lag et «ChatGPT-/AI-verktøy-program». Lag emner som trener studentene i å evaluere, integrere og dokumentere nye verktøy.

• Samarbeid vs. individuell mestring:

Næringslivssamarbeid er bra, men bør styres med tydelige læringsmål og juridiske rammer, ikke bare prosjekter for partnernes behov.

Min anbefaling

Av 10–12 emner:

• 4 grunnemner i ingeniørfaglig kjerne
• 3 emner i software engineering/systemutvikling
• 1 emne i AI/data
• 1 emne i sikkerhet/juss/etikk
• 1–2 emner i prosjekt, praksis eller valgfri fordypning

Neste steg

1. Kartlegg hvilke emner som faktisk bygger autonom læringsevne, ikke bare verktøybruk.
2. Gjennomfør en juridisk/risk review av studieplanen: dual-use, personvern, sikkerhet, samarbeid med industri.
3. Lag en «kompetansematrise» som viser hvilke læringsutbytter som dekkes av bredde, spesialisering og læringsautonomi.

Instans SI_009

Seeds: juridisk | kortsiktig | avhengighet | mulighet | implementer

Studieledelsen bør først se på hva programmet faktisk blir juridisk og operasjonelt ansvarlig for: ikke bare “kompetanse”, men også forventningsstyring mot forsvarsnære aktører, sikkerhetsbevissthet, og robusthet i studentenes praksis. Den største blindsonen er å optimalisere for kortsiktig arbeidslivsrelevans og samtidig undervurdere avhengighet: av verktøy, av skyplattformer, av AI-assistenter og av eksterne standarder som endrer seg raskere enn emneplaner.

Tre typiske blindsoner:

1. Overvekting av verktøykompetanse

Hvis 2–3 av 10–12 emner blir “AI-verktøy + moderne stack”, kan studiet bli sårbart. Verktøyferdighet har kort halveringstid. Et realistisk mål er at studentene skal kunne bytte rammeverk 3–5 ganger i løpet av yrkeslivet; derfor må emnene heller bygge prinsipper enn enkeltsystemer.

2. Undervurdering av basisfag som beslutningskompetanse

Matematikk og fysikk er ikke bare “teori”; de gir evne til å modellere, feilsøke og vurdere systemgrenser. For et campus nær forsvarsindustri er dette særlig viktig, fordi systemene ofte er sikkerhetskritiske og langsiktige. Å kutte for mye her kan gi kortsiktig gevinst, men svekke programmets omdømme og fleksibilitet.

3. Manglende læring om læring

Autonomi må implementeres, ikke ønskes. Hvis studentene bare konsumerer forelesninger, blir de avhengige av neste modell eller neste konsulent. Emner bør eksplisitt trene selvstendig problemavgrensing, lesing av dokumentasjon, testing, og refleksjon over verktøyvalg.

Argumentene bør veies slik:

• Bredde gir varighet og juridisk/etisk trygghet i komplekse systemer.
• Spesialisering gir kortsiktig attraktivitetsgevinst og næringslivsrelevans.
• Autonomi er den beste forsikringen mot teknologisk foreldelse.

Et mulig kompromiss er:

• 3 emner basis: matematikk, fysikk/systemforståelse, programmeringsfundament
• 4 emner kjerne: software engineering, databaser/systemarkitektur, sikkerhet, testing/DevOps
• 2 emner AI og moderne verktøy
• 1–2 emner prosjekt/integrert praksis med stor selvstendighet

Neste steg:

1. Kartlegg hvilke læringsutbytter som faktisk må være “langlevde” vs. “verktøynære”.
2. Gjennomfør en emnerevisjon med krav om at hvert emne skal redusere minst én konkret avhengighet.
3. Lag et 3-årig progresjonskart som eksplisitt trener autonomi i hvert studieår.