AI löser det olösbara – och skapar nya problem

Det är en sak att kritisera algoritmer i ett utskottsförhör. Det är en annan att skriva in alternativet i lag.

Australien gör nu det senare: nya regler kräver att sociala plattformar, inklusive Instagram, TikTok och YouTube, erbjuder kronologiska flöden som ett valbart standardalternativ. Användaren ska alltså aktivt kunna välja bort algoritmstyrningen, inte bara hoppas på att inställningen gömts tre nivåer ned i en undermeny.

Det låter enkelt men är det inte. Plattformarnas algoritmer är inte en bekvämlighetsfeature, de är intäktsmodellen. Mer tid i appen, fler annonsvisningar. Kronologiska flöden tenderar att minska sessionslängden, vilket är exakt varför Meta tog bort dem som standard från början och sedan gradvis gömde undan möjligheten att återaktivera dem.

Australien har det senaste året positionerat sig som en ovanligt aktiv lagstiftare mot stora plattformar. Förbudet mot sociala medier för under 16 år antogs i slutet av 2024, och det här är nästa drag i samma serie. Taktiken är konsekvent: rör inte annonsmodellen direkt, men reglera de beteendedesignval som driver den.

För den som följer EU:s Digital Services Act är logiken bekant. DSA kräver redan att plattformar erbjuder ett alternativ utan profilering för rekommendationssystem. Australien tar en liknande riktning men med ett mer konkret krav: det kronologiska flödet ska vara ett reellt standardval, inte ett kryssruta i ett tillgänglighetsavsnitt.

Om lagen får genomslag i sin nuvarande form sätter det press på plattformarnas produktteam att faktiskt bygga och underhålla kronologiska vyer som fungerar, inte som symboliskt alternativ men som en riktig upplevelse. Det är mer jobb än det låter, särskilt för plattformar där infrastrukturen byggts helt runt personalisering från grunden.

Hur plattformarna svarar rent juridiskt och tekniskt, det är den faktiskt intressanta frågan nu.

Tre miljarder bokstäver. Varje möjlig enstaka förändring i var och en av dem. Det är vad Google DeepMind nu påstår sig ha kartlagt prediktivt med AlphaGenome Atlas, en databas som lanserades den här veckan och som forskare kan använda fritt för att slå upp vad en specifik genetisk variant troligtvis gör i kroppen.

Det är värt att stanna upp vid vad det faktiskt innebär. I dag är ett av de dyraste och tidskrävande stegen i genetisk forskning att ta en variant, sätta upp ett experiment och vänta på resultaten. AlphaGenome Atlas ersätter inte det steget, men det ger forskare ett sätt att prioritera vilka varianter som ens är värda att experimentera med. Rätt använt komprimerar det ledtiden mellan "vi hittade en intressant mutation" och "vi vet om den är värd att undersöka vidare".

Modellen bakom Atlas är AlphaGenome, som DeepMind presenterade tidigare i år. Den tränar på hur DNA-sekvenser faktiskt reglerar genuttryck, snarare än att bara matcha mönster i existerande variantdatabaser. Det gör att den i teorin kan säga något meningsfullt om varianter som aldrig tidigare observerats kliniskt, vilket är precis där kunskapsluckorna är störst.

Skalan är ändå det som sticker ut. Att bygga en fullständig prediktiv karta, snarare än ett verktyg man kör en variant i taget, signalerar att DeepMind siktar på att bli infrastruktur för genomikforskning. Samma rörelse som AlphaFold gjorde för proteinstruktur: från enskilt analysverktyg till referensdatabas som hela fältet bygger vidare på.

Om det håller i praktiken avgörs av hur väl modellens prediktioner matchar verkliga experimentdata när fler forskargrupper börjar testa den. AlphaFold fick en del kritik för att vara mer användbar för välstuderade proteiner än för biologins mörkare hörn. Samma fråga är relevant här: hur bra är Atlas på varianter i regioner vi faktiskt vet minst om?

Databasen är öppen för forskare att använda.