KI i rummet: Når autonome agenter styrer rovere og administrerer rumstationer

Rumfart som testlaboratorium for autonome AI-systemer

Det, der længe lød som science fiction, tager nu konkret form: Generative AI-systemer overtager i stigende grad planlægnings- og beslutningsopgaver inden for rumfart – et område, der traditionelt er kendt for sin ekstreme risikoaversion. NASAs Jet Propulsion Laboratory anvendte Anthropics Claude-modeller til at planlægge køreruter for Perseverance-roveren på Mars. IBM og NASA installerede en komprimeret AI-model på Den Internationale Rumstation (ISS) til registrering af oversvømmelser og skyformationer fra jordbanen. Og astronauter testede Large Language Models (LLMs) til besvarelse af vedligeholdelsesspørgsmål direkte i kredsløb.

Disse udviklinger markerer mere end tekniske milepæle inden for luft- og rumfart. De er et symptom på et dybtgående paradigmeskift: Systemer, der hidtil måtte arbejde deterministisk – det vil sige fuldstændigt forudsigeligt – åbner sig i stigende grad for ikke-deterministiske AI-arkitekturer. Det har vidtrækkende konsekvenser, der rækker langt ud over det ydre rum.

Determinisme-dilemmaet: Hvorfor ingeniører frygtede autonomi

I årtier gjaldt der et ufravigeligt princip inden for rumfartsteknologi: Et system skal under identiske inputbetingelser altid levere identiske resultater. Robert Ambrose, tidligere leder af NASAs afdeling for software, robotik og simulering, sætter det på spidsen: Når det samme scenarie nås ad forskellige veje, kan et autonomt system reagere forskelligt – og det hadede ingeniørerne traditionelt.

„Autonomi har ofte ikke et deterministisk resultat. Den måde, man havner i en bestemt situation på, ændrer adfærden. Og det hadede ingeniørerne." – Robert Ambrose, tidligere NASA-afdelingsleder

Men med voksende missionskompleksitet og stigende afstand fra Jorden bliver denne fastholdelse af fuld kontrol til en begrænsende faktor. Et hypotetisk scenarie illustrerer problemet: Under en mission til Jupiters måne Europa kunne en vandgejser pludselig bryde frem fra overfladen så hurtigt, at ingeniører på Jorden ikke ville have tid til at sende styringskommandoer. Signalrejsetiden alene gør realtidsintervention umulig. Uden ægte autonomi ville en sådan mission simpelthen ikke kunne lade sig gøre.

Ambrose beretter selv, hvordan NASA i sidste ende løste dette kompleksitetsproblem med det samme middel, der forårsagede det: ved at automatisere selve testene. „Vi bekæmpede autonomiens udfordringer med autonomi." En tilgang, der i stigende grad bliver relevant for virksomhedsapplikationer.

Fysik som læringsproblem: Hvad rumrobotik lærer os om AI-træning

Startupvirksomheden Icarus Robotics udvikler et robotbaseret arbejdskraftssystem til rummet. Deres fritsvævende system „Joy" skal i første omgang transportere fragttasker mellem ISS-moduler – under menneskelig fjernstyring, med det mål at anvende disse træningsdata til senere fuldt autonome operationer. I den forbindelse støder udviklerne på et grundlæggende problem: Enhver AI-model, der er trænet på Jorden, har tyngdekraften kodet ind i sig som en implicit grundantagelse.

Når en robot på Jorden lærer, at et skubbet objekt falder, overføres denne fysikintuiton til dens neurale vægte. I kredsløb om Jorden, hvor det samme objekt blot fortsætter med at flyve, fejler selv de mest kraftfulde modeller øjeblikkeligt. Dette er ikke et marginalt problem – det er et fundamentalt advarselssignal for alle KI-implementeringer: Træningsdata og driftsmiljø skal systematisk afstemmes med hinanden. Manglende domænedata, som i tilfældet med mikrogravitationsrobotik, tvinger virksomheder til at opbygge egne datasæt i stedet for at falde tilbage på eksisterende grundlagsmodeller.

Risikostyring af autonome systemer: Den egentlige udfordring

Ufuk Topcu, ingeniørprofessor ved University of Texas at Austin og direktør for Center for Autonomy, bidrager med et vigtigt perspektiv: Det er nærmest paradoksalt, at rumfartssystemer – altså præcis de anvendelser, hvor menneskelig intervention er sværest – historisk set har haft mindst autonomi. Den egentlige udfordring består ikke i at lære systemer at handle selvstændigt. Det handler om at gøre risiciene ved denne frihed håndterbare.

Icarus Robotics' medstifter Jamie Palmer beskriver den planlagte udrulning præcist: „What the rollout will probably look like is something that starts much closer to partial autonomy – with human oversight at all times." Denne filosofi – Human-in-the-Loop som mellemtrin, ikke som slutmål – er også guldstandarden for virksomhedsanvendelser i den aktuelle fase af KI-udviklingen.

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, observerer denne dynamik også i forretningsmæssige automatiseringsprojekter: „Vi oplever i virksomheder præcis den samme kurve, som rumfarten gennemgår lige nu. I begyndelsen er der altid et ønske om fuldstændig kontrol og forudsigelighed. Men fra et bestemt kompleksitetsniveau er det mere effektivt at give systemer et defineret beslutningsrum og koncentrere den menneskelige supervision om undtagelser – i stedet for at styre hvert enkelt trin."

Hvad virksomheder kan lære af rumfarts-KI

Rumfartsindustriens eksperimenter er ikke et abstrakt nicheprojekt. De kondenserer og accelererer indsigter, der direkte kan overføres til virksomhedsautomatisering. Følgende nøgleprincipper krystalliserer sig frem:

• Autonomi er ikke en binær kontakt: Overgangen fra fuld menneskelig kontrol til ægte maskinautonomi forløber over mellemtrin. Partial Autonomy med definerede eskaleringsstier er ofte det pragmatisk mest fornuftige udgangspunkt.
• Domænespecifikke træningsdata er afgørende: Generiske grundmodeller – uanset hvor kraftfulde – fejler i specialiserede miljøer uden domænespecifikt Fine-Tuning eller Retrieval-Augmented Generation (RAG). Det gælder for mikrogravitation såvel som for branchespecifikke forretningsprocesser.
• Test skalerer ikke lineært: Jo mere autonomt et system er, desto eksponentielt mere kompleks bliver testdækningen. NASA løste dette problem gennem automatiserede tests – en tilgang, der også i virksomhedens KI bliver stadig mere uundværlig.
• Latens tvinger autonomi frem: Overalt hvor reaktionstider er kortere end menneskelige beslutningscyklusser – hvad enten det er i rummet eller i realtids-forretningsprocesser – er KI-autonomi ikke en mulighed, men en nødvendighed.
• Administrer ikke-determinisme, eliminer det ikke: Frygten for ikke-deterministiske systemer er forståelig, men ofte overdrevet. Med robuste Guardrails, definerede acceptkriterier og løbende overvågning kan ikke-determinisme gøres håndterbar.

Tillidsopbygning som kritisk succesfaktor

Både inden for rumfart og i virksomhedsapplikationer gælder det: Den største hindring for KI-autonomi er ikke teknologien i sig selv, men den institutionelle tillid til dens pålidelighed. NASA-ingeniører måtte indsamle årelang erfaring med Orion og Robonaut 2, før mere autonome tilgange blev diskuteret seriøst. Adoptionsprocessen i virksomheder forløber på lignende vis: Første pilotprojekter med klart afgrænset scope og målbare resultater opbygger den tillid, der er nødvendig for bredere udrulninger.

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, understreger i denne sammenhæng betydningen af transparens: „KI-agenter, der dokumenterer deres beslutningsstier på en gennemsigtig måde, skaber præcis den tillid, som organisationer har brug for til gradvist at afgive mere ansvar. Forklarbarhed er i den forbindelse ikke et nice-to-have, men en grundlæggende forudsætning for bæredygtig automatisering."

Udsyn: Kompleksitet som driver, ikke som bremseklods

Rumfartsindustrien står over for et interessant paradoks: Netop fordi missioner bliver mere komplekse, fjernere og talrigere, har de råd til fuld menneskelig kontrol i stadig mindre grad. Autonome KI-systemer er her ikke risikoen – de er svaret på risikoen ved underkompleksiteten i hidtidige tilgange.

For virksomheder gælder den samme logik. Forretningsprocesser bliver mere komplekse, datamængder vokser, beslutningscyklusser forkortes. Organisationer, der i dag begynder at udstyre deres KI-agenter gradvist med større beslutningskompetence – ledsaget af robuste overvågnings- og eskaleringsstrukturer – vil i morgen have en strukturel fordel over for dem, der stadig insisterer på fuld manuel kontrol.

Rumfarten viser: Det øjeblik, hvor systemer skal træffe autonome beslutninger, kommer tidligere end forventet. Spørgsmålet er ikke om, men hvor godt man er forberedt på det.