ChatGPT

Når man arbeider med KI i videoproduksjon, er det lett å tenke at kvaliteten først og fremst avhenger av hvor god modellen er. I praksis er det ofte like viktig hvordan arbeidsprosessen legges opp. Gode resultater oppstår sjelden i første forsøk. KI-generert video er vanligvis et resultat av en iterativ prosess der brukeren prøver ut beskrivelser, vurderer responsen, justerer retning og bygger videre på delresultater.

Det første steget er å avklare hensikten med videoen. Skal den forklare et faglig innhold, visualisere et scenario, skape stemning, støtte muntlig presentasjon eller fungere som kreativt elevprodukt? Uten en tydelig intensjon blir det lett at videoen blir teknologisk interessant, men pedagogisk svak. I undervisning er dette særlig viktig fordi flotte visuelle uttrykk kan gi en opplevelse av kvalitet uten at innholdet nødvendigvis er korrekt eller relevant.

Deretter kommer arbeidet med input. I generativ video kan input være tekst, bilder, eksisterende video, lyd eller kombinasjoner av disse. Kvaliteten på inputen påvirker i stor grad kvaliteten på resultatet. En vag ledetekst gir ofte generiske eller tilfeldige klipp, mens en presis beskrivelse av motiv, stil, kameraføring, lys, tempo og perspektiv kan gi mer målrettede resultater. Samtidig må man være oppmerksom på at presisjon ikke alltid gir kontroll. Modellene tolker beskrivelser statistisk, ikke menneskelig, og det gjør at selv gode instrukser kan gi uventede eller misvisende utfall.

Det er også viktig å forstå den praktiske arbeidsmetodikken i denne typen produksjon. Man kan vanligvis ikke forvente å skrive én god ledetekst og få en ferdig video av ønsket lengde og kvalitet. I stedet arbeider man ofte ved å generere mange korte videosnutter som senere settes sammen til en lengre helhet. Mange av klippene blir forkastet fordi de ikke passer til formålet, ikke holder god nok kvalitet, eller inneholder feil og uønskede elementer. I tillegg kan selve genereringen ta tid, noe som gjør prosessen mer tidkrevende enn den kan se ut ved første øyekast. Å lage video med KI innebærer derfor også å lære en arbeidsform preget av utprøving, vurdering, utvelgelse og redigering.

Et viktig kjennetegn ved kompetent bruk av KI i video er derfor evnen til å evaluere. Brukeren må kunne se etter feil i logikk, fakta, bevegelse, ansiktsuttrykk, tidsforløp og sammenheng mellom klipp. Dette gjelder både i profesjonell produksjon og i skolen. Når elever lager video med KI, bør læreren ikke bare vurdere det ferdige produktet, men også prosessen: hvilke valg som ble tatt, hvordan resultatene ble forbedret, og hvilke begrunnelser eleven kan gi for egne revisjoner.

Utfordringer og etiske spørsmål

Bruken av KI i videogenerering reiser en rekke etiske spørsmål som er blitt langt tydeligere de siste to årene. Opphavsrett er et av de mest omdiskuterte områdene. Mange generative modeller er utviklet gjennom trening på store datamengder som kan inneholde opphavsrettslig beskyttet materiale. Selv når sluttproduktet ikke er en direkte kopi, oppstår det spørsmål om hvilke verk som har bidratt til modellenes visuelle språk, og hvilke rettigheter skapere bør ha til å reservere seg, samtykke eller få kompensasjon.

Et annet sentralt spørsmål gjelder identitet og samtykke. KI kan brukes til å generere eller manipulere ansikter, stemmer og kroppslige uttrykk på måter som gjør det stadig vanskeligere å skille autentisk og kunstig materiale. Dette øker risikoen for desinformasjon, krenkelser og misbruk. I undervisning er dette spesielt alvorlig dersom elever eller lærere fremstilles i videoer de aldri har deltatt i, eller dersom syntetiske stemmer brukes uten tydelig merking og samtykke.

Bias er også en viktig utfordring. KI-modeller gjenspeiler mønstre i dataene de er trent på, og kan derfor reprodusere stereotype framstillinger av kjønn, etnisitet, språk, funksjonsevne og sosial bakgrunn. I videoproduksjon kan dette gi seg utslag i hvilke mennesker som fremstilles som troverdige, vakre, kompetente eller farlige. For lærere er det avgjørende å kunne identifisere slike mønstre, både for å unngå å forsterke dem i eget materiale og for å hjelpe elever til å analysere dem kritisk.

I tillegg kommer spørsmålet om åpenhet. Når en video er KI-generert eller tungt KI-bearbeidet, bør dette som hovedregel opplyses. Både i samfunnslivet og i skolen blir det stadig viktigere å utvikle normer for merking, dokumentasjon og ansvarlig bruk. Teknologisk sett har det vært økende oppmerksomhet rundt vannmerking, metadata og standarder for innholdsautentisitet, men slike løsninger er ikke fullgode i seg selv. De kan støtte tillit, men kan ikke erstatte menneskelig vurdering og institusjonelle regler.

Fra teknologisk fascinasjon til faglig dømmekraft

Generativ video er et område preget av stor fascinasjon. Det er lett å la seg imponere av hvor raskt teknologi nå kan skape bevegelige bilder som ligner film, animasjon eller dokumentasjon. For utdanning er det likevel ikke nok å være imponert. Det avgjørende er å utvikle faglig dømmekraft. Dette innebærer å forstå både mulighetene og begrensningene i verktøyene, og å kunne skille mellom teknisk kvalitet og pedagogisk kvalitet.

En lærer eller student som arbeider godt med KI-generert video, må derfor kunne gjøre tre ting samtidig. Vedkommende må kunne bruke teknologien praktisk, vurdere innholdet kritisk og reflektere etisk over konsekvensene av bruken. Først når disse tre nivåene henger sammen, blir KI et reelt profesjonsverktøy og ikke bare en effektiv effektmaskin.