Kan du fortfarande lita på ett handslag som en maskin har skakat åt dig?
När maskiner sköter kontakten – kan du fortfarande lita på ett handslag?
Två parallella omvälvningar
Det händer sällan att en och samma teknikvåg slår mot så olika domäner samtidigt. Men just nu ser vi det: språkmodeller ritar om spelreglerna för professionellt nätverkande, medan automatiserad säkerhetstestning går från önskvärd tillvalsfunktion till absolut nödvändighet i moderna mjukvaruteam. På ytan verkar det vara orelaterade trender – men i grunden handlar båda om tillit. Vem, eller vad, kan vi lita på?
Nätverkande som förstår mening, inte bara ord
Enligt AI News har utvecklingen inom automatisk språkbehandling gjort det möjligt för nätverkstjänster att gå långt bortom enkel nyckelordsmatchning. Plattformar som LinkedIn har länge matchat användare på jobbtitlar och kompetenslistor – ett trubbigt instrument som missar det som faktiskt gör en kontakt värdefull: gemensamma utmaningar, överlappande mål, liknande arbetssätt.
Den nya generationens system använder semantisk matchning, vilket innebär att de förstår innebörden i en profil eller ett meddelande, inte bara de enskilda orden. En systemutvecklare som nyligen jobbat med skalbarhetsproblem i distribuerade system kan matchas med en arkitekt som brottats med exakt samma sak – trots att de använder helt olika terminologi.
Verktyg kan dessutom anpassa kommunikationens ton efter bransch, hierarki och kultur, och automatisera uppföljningar och första kontaktförfrågningar. Det frigör tid. Men det väcker också en omedelbar fråga: om ett system skriver mina meddelanden och väljer mina kontakter, är det då jag som nätverkar?
Den obehagliga gråzonen kring äkthet
Det är här det börjar klia. Automatisering av repetitiva kommunikationsuppgifter har ett tydligt värde – ingen saknar arbetet med att skriva femton varianter av samma introduktionsmeddelande. Men när systemen också filtrerar bort "oönskade" meddelanden genom att tolka språkliga signaler på avvisning, rör vi oss in i ett territorium där maskinen tar beslut om mänskliga relationer.
Partiskhet i träningsdata riskerar att förstärka redan befintliga strukturella ojämlikheter – att vissa röster eller bakgrunder konsekvent sorteras bort som "irrelevanta". Det är inte ett hypotetiskt framtidsproblem, det är en välkänd mekanism hos stora språkmodeller.
Äkthet i professionella sammanhang är inte dekorativt – det är funktionellt. En kontakt som uppstod för att en algoritm tyckte den verkade lämplig är en fundamentalt annorlunda relation än en som uppstod ur ett genuint utbyte.
Koden levereras snabbare än den hinner granskas
Parallellt med detta utspelar sig en lika viktig omvälvning i hur mjukvara byggs och skyddas. AI News rapporterar att automatiserad säkerhetstestning nu gått från lyx till nödvändighet – och bakgrunden är dyster: Verizons rapport om dataintrång 2025 visar att utnyttjande av säkerhetsbrister stod bakom 20 procent av alla intrång, en ökning med hela 34 procent jämfört med föregående år.
Moderna mjukvaruteam levererar kod i ett tempo som manuell granskning inte klarar av att hålla jämna steg med. Statisk analys granskar källkoden innan den körs och hittar osäkra mönster nära källan – inte tre veckor och sex godkännanderundor senare. Dynamisk testning kompletterar bilden genom att granska en körande applikation utifrån och fånga brister som kodgranskning kan missa, som trasiga behörighetskontroller eller osäkra omdirigeringar.
OWASPs riktlinjer för säker utveckling rekommenderar numera att säkerhetstester integreras direkt i utvecklingskedjan, inte bollas till en separat säkerhetsgrupp i slutet av processen. Det är en kulturförändring lika mycket som en teknisk en.
Tillit som gemensam nämnare
Det som förenar de här två trenderna är just frågan om tillit – fast yttrad på olika sätt. I nätverkssammanhang: kan vi lita på att en relation är äkta när en maskin har hjälpt till att forma den? I säkerhetssammanhang: kan vi lita på att kod är trygg när en maskin har granskat den?
Svaret på båda frågorna är detsamma: det beror på hur vi utformar systemen och vilka frågor vi ställer till dem. Automatisering ersätter inte omdöme – den förstärker det, i den riktning vi pekar den. Det ställer höga krav på oss som bygger och väljer verktygen.
Vår analys
De här två trenderna rör sig i samma riktning: AI tar över arbetsuppgifter som tidigare krävde mänsklig närvaro och bedömning, och gör det snabbare och mer skalbart. Det är genuint värdefullt. Men båda fallen synliggör också ett mönster som vi bör hålla ögonen på – när automatiseringen osynliggörs riskerar ansvaret att göra det också.
När en plattform väljer mina kontakter utan att jag ser logiken, och en säkerhetsskanner godkänner min kod utan att jag förstår varför, har vi delegerat bort något viktigt: det kritiska ifrågasättandet. Framgångsrik AI-integration i både nätverkande och säkerhetsarbete kräver att verktygen är förklarliga – inte bara effektiva.
Jag är övertygad om att vi kommer att hitta rätt balans, men det kräver att vi aktivt väljer den. Äkthet och säkerhet är inga bieffekter av automatisering – de måste byggas in med avsikt från början.