Meat proxy: når du bare videresender KI-svaret

Ordet kom i august 2026 og traff noe alle kjente igjen. Denne artikkelen forklarer hvor det kommer fra, hva forskningen sier om hva vanen koster, hvor den gjør mest skade, og de fire gangene det faktisk er riktig å lime inn rått. Kildene er fra 2025 og 2026: essayet som ga fenomenet navn, en undersøkelse blant 1 150 amerikanske kontoransatte, et randomisert forsøk med erfarne utviklere, og ferske tall fra SSB og Microsoft om hvordan norske arbeidsplasser faktisk bruker KI.

Den 3. august 2026 la den tyske utvikleren Niklas Gruhn ut et kort innlegg med tittelen «Don't be a meat proxy». Han hadde lagt merke til et mønster: når han stilte et spørsmål eller ga en tilbakemelding, kom det tilbake store blokker med ubehandlet modelltekst. Personen i den andre enden hadde ikke lagt til noe. De var et mellomledd.

Ordet er lånt fra nettverksfaget. En proxy er en tjener som står mellom to maskiner og sender forespørsler videre uten å gjøre noe med dem. En meat proxy gjør nøyaktig den samme jobben, bare med en kropp. Poenget til Gruhn er at mellomleddet er unødvendig: den som spurte, kunne spurt modellen selv, raskere, og med sin egen kontekst.

Gruhns egen regel er kort: prompt gjerne en KI, men ikke bare videresend svaret. Les det, forstå det, sjekk det, og skriv så svaret med dine egne ord. Det er den ekstra runden som viser at du faktisk har gjort de tre første stegene.

Simon Willison lenket til innlegget samme dag og kalte det «an excellent new term». Tråden på Hacker News passerte 1 800 poeng og rundt 740 kommentarer i løpet av få dager, og ordet spredte seg raskt til Slack-kanaler langt utenfor utviklermiljøet. Det sier noe om at fenomenet var kjent lenge før det fikk et navn.

Test selv: se på de fem siste meldingene du har sendt på jobb. Hvor mange av dem kunne mottakeren fått raskere ved å spørre en modell selv?

Vanen er ikke like farlig overalt. Et ulest svar i en uformell tråd koster noen minutter. De fire stedene under koster penger, tillit eller begge deler.

I 2024 avgjorde Civil Resolution Tribunal i British Columbia saken Moffatt mot Air Canada. En chatbot på flyselskapets egne sider hadde gitt en kunde feil informasjon om rabatt ved dødsfall i nær familie. Air Canada anførte at chatboten var «a separate legal entity» som svarte for seg selv. Nemnda kalte anførselen bemerkelsesverdig, avviste den, og dømte selskapet for uaktsom uriktig opplysning.

Beløpet var lite, 812 kanadiske dollar. Prinsippet er ikke lite: det virksomheten publiserer, står virksomheten for, uansett hva som formulerte det. Saken gjaldt en chatbot, men logikken treffer like hardt når det er et menneske som limer inn. Avsenderfeltet er ditt.

Og kunden merker det. Et svar som ikke treffer spørsmålet, som er dobbelt så langt som det trenger å være, og som bruker ord ingen i bransjen sier, leses som likegyldighet. Det er dyrere enn et kort svar med en ærlig «jeg sjekker og kommer tilbake».

Test selv: finn den siste e-posten der du lovet kunden noe konkret. Kan du peke på hvor i systemet det tallet står? Klarer du ikke det, kom det fra en modell.

Dette er eksempelet Gruhn selv bruker. En utvikler mater en oppgavebeskrivelse inn i en modell, får ut kode, sender den til gjennomgang, og sender tilbakemeldingene rett tilbake til modellen uten selv å ha lest en linje. Det fungerer teknisk. Men da er det modellen og kontrolløren som gjør arbeidet, mens forfatteren er en postkasse.

Problemet er at gjennomgang er bygget på en forutsetning: at det finnes en som kan forklare hvorfor. Forsvinner den personen, blir gjennomgangen til gjetting. Kontrolløren må rekonstruere en tankegang som aldri har funnet sted, og bruker mer tid enn om hen hadde gjort jobben selv.

Det samme gjelder utenfor koden. En anbudstekst, en risikovurdering eller et tilbud som ingen kan forsvare muntlig, er ikke en leveranse. Det er et utkast noen har sendt for tidlig.

Test selv: be om en muntlig gjennomgang av noe du har fått til vurdering. Klarer forfatteren å forklare hvorfor avsnitt tre finnes, er teksten lest.

Den juridiske forskeren Damien Charlotin har siden 2023 ført en offentlig database over rettsavgjørelser der en part har brukt KI-oppdiktet innhold, typisk henvisninger til dommer som ikke finnes. 25. september 2026 sto det 2 079 saker i den. For ett år siden var tallet rundt 200.

Dette er advokater og prosessfullmektige, altså folk som har profesjonsansvar for hvert eneste punkt de skriver. Er det så lett å la være å sjekke der, er det ikke vanskelig å gjette hvordan det står til i en vanlig fagrapport der ingen dommer leser korrektur.

Språkmodeller finner ikke på med vilje. De fyller hullet med det som ser ut som riktig svar, og en oppdiktet kilde ser akkurat ut som en ekte. Det er derfor kildesjekk er den ene delen av arbeidet du ikke kan delegere til den som fant på kilden.

Test selv: klikk på tre tilfeldige kildehenvisninger i det siste dokumentet du fikk tilsendt. Går alle tre til en side som finnes, og står det som teksten påstår?

I BetterUp- og Stanford-undersøkelsen gikk mesteparten av det uleste innholdet mellom likestilte kollegaer, 40 prosent. 19 prosent gikk oppover til en leder, og 16 prosent nedover fra ledere til teamene deres. Det siste er verst, for da blir det ulest innholdet til beslutningsgrunnlag.

Et møtereferat er det tydeligste eksempelet. Et referat generert fra en opptaksfil, sendt ut uten at noen leste det, blir sannheten om møtet i det øyeblikket ingen protesterer. Har modellen hørt feil på ett navn eller én frist, er den feilen nå organisasjonens hukommelse.

Det gjelder også oppgavesystemet. En oppgavebeskrivelse skrevet av en modell og aldri lest av bestilleren gir en leveranse ingen ville hatt, og en diskusjon om hvem som misforsto.

Test selv: åpne det siste møtereferatet du fikk. Står det noe der som ingen faktisk sa i møtet?

Kritikken er lett å dra for langt. Det finnes tilfeller der akkurat den ubehandlede teksten er det riktige å sende, og der en omskriving bare ville ødelagt informasjon.

1. Når innholdet må være ordrett. En feilmelding, en kommando, en diff, en paragraf eller en API-signatur skal ikke formuleres om. Da er kopien hele poenget.
2. Når mottakeren ba om modellens svar. «Hva sier modellen om dette?» er et konkret spørsmål med et konkret svar, og en omskriving ville vært et dårligere svar.
3. Når du merker det og sier hva du har sjekket. «Dette er fra en modell. Jeg har verifisert punkt 1 og 3, punkt 2 vet jeg ikke om stemmer» er ærlig arbeid som sparer mottakeren for tid.
4. I automatiske overleveringer mellom systemer, der et menneske i midten bare ville mistet informasjon.

Skillet går altså ikke på om KI var involvert. Det går på om noen har tatt ansvar for innholdet før det ble sendt, og om mottakeren vet hva hen har fått.

Du kan ikke kontrollere hva folk limer inn. Du kan gjøre det enkelt å levere riktig, og enkelt å si fra når noe ikke er lest.

1. Spør om ett konkret svar, ikke om en utredning. «Hvilken av de to skal vi velge, og hvorfor?» gir kortere og bedre svar enn «kan du se på dette?».
2. Si hva du skal bruke svaret til. Skal det rett ut til en kunde, er terskelen en annen enn om du bare skal orientere deg.
3. Be om usikkerheten eksplisitt. «Hva er du usikker på her?» er det spørsmålet en meat proxy ikke kan svare på uten å lese.
4. Sett en lengdegrense. Et krav om maks ti linjer tvinger fram et valg om hva som er viktigst, og et valg kan bare et menneske ta.
5. Godta «jeg vet ikke». Får folk lov til å svare kort og ærlig, slutter de å fylle tomrommet med generert tekst.

Dette krever ingen ny programvare og ingen policy på tolv sider. Det krever at noen sier det høyt.

1. Vedta én setning: du eier det du sender. Heng den i kanalen der folk faktisk skriver.
2. Merk utkast som utkast. «KI-utkast, ikke lest» er en helt legitim melding. Det er den umerkede varianten som er problemet.
3. Skriv de tre første linjene selv i alt som går ut av huset.
4. Ta med hva du ikke har sjekket. Det er den billigste tillitsbyggingen som finnes.
5. Bestem hvilke kanaler som har leseplikt. Kunde-e-post, tilbud, anbud og fagvurderinger er det åpenbare stedet å begynne.
6. Mål én ting i en måned: hvor lang tid mottakerne bruker på å kvalitetssikre det de får. Det tallet endrer diskusjonen fra synsing til budsjett.
7. Lær opp folk i å gi modellen kontekst, ikke i å kopiere raskere. Det er der tiden faktisk spares.
8. Gjør det trygt å si «dette er ikke lest». Straffer du ærlighet, får du polert tekst i stedet.