Generativ AI ændrer, hvordan videnskabelige ideer begynder

For det meste af moderne videnskab har de første faser af en forskningsidé været stort set usynlige.

En forsker lagde mærke til en anomalie, forbinder to begreber, stiller spørgsmål ved en etableret antagelse eller identificerer et hul i litteraturen. Den idé blev private refineret, før den blev testet gennem samtaler med vejledere, kolleger, anmeldere og finansielle organer.

Generativ AI indsætter sig selv i den sekvens.

Forskere kan nu præsentere en ufuldstændig tanke for et stort sprogmodel før de diskuterer det med en anden person. De kan bede systemet om at generere hypoteser, udfordre antagelser, identificere tilstødende fagområder eller omdanne en intuition til en mere sammenhængende forslag.

Dette kan synes at være en anden produktivitetsforbedring. Det er mere betydningsfuldt end det.

Generativ AI skaber et nyt mellemled mellem privat tanke og menneskelig videnskabelig dom. Det lag kan ændre, hvordan ideer dannes, hvem der modtager tidlig intellektuel støtte, hvordan forskere trænes og hvor ekspertise skaber værdi.

En studie fra 2026¹ offentliggjort i Forskningspolitik giver bevis for, at denne transformation allerede er ujævn fordelt. Mindre erfarenede forskere var betydeligt mere tilbøjelige til at inkorporere AI-genererede forslag og betragte de resulterende ideer som nye eller betydningsfulde. Mere erfarenede forskere var mere tilbøjelige til at betragte de samme forslag som åbenlyse, utilstrækkeligt avancerede eller blot endnu et værktøj.

Fundene peger på en bredere skift i videnskabeligt arbejde. Da AI gør idégenerering overflod, kan den knappe evne ikke længere være produktion af muligheder. Det kan være at vide, hvilke muligheder fortjener at overleve.

AI ændrer sekvensen af videnskabeligt tænkning

Studiet af Matthias Trobinger, Anil R. Doshi og Sen Chai undersøgte, hvordan forskere reagerede, når generativ AI foreslog nye forskningsretninger baseret på deres tidligere arbejde.

I en randomiseret eksperiment involverende 310 forskere modtog deltagere enten ingen synlige AI-forslag, ét AI-genereret forslag eller tre AI-genererede forslag. En opfølgende studie med 28 forskere undersøgte, hvordan de brugte AI interaktivt under tidlige ideationsfaser.

Resultaterne viste, at AI påvirkede indholdet af de ideer, forskere producerede. Erfaring modererede dog stærkt den påvirkning.

Mindre erfarenede forskere var mere tilbøjelige til at inkorporere AI-forslag, fortolke dem som nye og opfatte de resulterende ideer som betydningsfulde. Mere erfarenede forskere var mindre påvirkede og troede ofte, at de foreslåede retninger allerede var blevet overvejet, var utilstrækkeligt ambitiøse eller manglede konteksten til at identificere et virkelig værdifuldt forskningsspørgsmål.

Den vigtigste implikation er ikke, at den ene gruppe stolede på AI, og den anden ikke.

Det er, at generativ AI synes at flytte videnskabelig feedback tidligere i processen.

Tidligere havde forskere ofte brug for at afgøre, om en idé var sammenhængende nok til at præsentere for en anden person. AI sænker betydeligt den tærskel. Det giver en forsker mulighed for at externalisere en idé, mens den stadig er ufuldstændig, modsætningsfuld eller dårligt formuleret.

Dette skaber en fundamentalt anderledes arbejdsproces.

Den virkelige disruption er for-supervisory AI

Tidlige karriere-forskere står ofte over for en strukturel ulempe, der har lidt at gøre med intelligens eller indsats. De har mindre professionelle netværk, mindre tillid til at nærme sig etablerede eksperter og mindre akkumuleret erfaring med at omdanne vagt formulerede spørgsmål til forsvarlige projekter.

Generativ AI kompenserer delvist for den ulempe.

Det tilbyder påkrævet preliminær diskussion uden tidsbegrænsninger, socialt pres eller rygskadesrisiko.

Dette skaber, hvad der kan beskrives som et for-supervisory lag.

AI erstatter ikke vejlederen. Det ændrer, hvad der når vejlederen.

Den forskel har store implikationer for forskningsorganisationer. Hvis forskere begynder at indsende mere sammenhængende og udviklede forslag, kan seniorforskere bruge mindre tid på at hjælpe med at formulere grundlæggende spørgsmål og mere tid på at evaluere strategisk betydning, metodisk rigor og ressourceallokering.

I teorien kan dette forbedre effektiviteten af mentorering. Erfarne forskere kan fokusere deres begrænsede opmærksomhed på højerværdi domme snarere end præliminær strukturering.

Det kan dog også skjule svagheder.

Et poleret AI-assisteret forslag kan skabe illusionen af intellektuel modenhed uden de underliggende tankeprocesser, der normalt udvikles gennem processen med at konstruere det. Vejledere kan modtage bedre præsenterede ideer, mens de får mindre indsigt i, hvor godt forskeren forstår dem.

Resultatet kan være en opstående gap mellem forslagskvalitet og forskerens evne.

Ekspertise kan ændre sig fra generation til afvisning

Generativ AI sænker dramatisk omkostningerne ved at producere muligheder.

Den overflod ændrer funktionen af ekspertise.

Når mulige retninger var dyre at generere, var produktionen af en stærk idé i sig selv en definerende evne. Når muligheder kan genereres næsten uden begrænsninger, bliver den mere værdifulde evne afvisning.

Erfarne forskere i studiet afviste ofte AI-forslag ikke, fordi de var inkonsistente, men fordi de ikke var tilstrækkeligt vigtige. Idéerne var nogle gange logiske udvidelser af tidligere arbejde, men fik alligevel ikke overskredet grænsen for at være værd at forfølge.

Dette afspejler en form for ekspertise, som nuværende AI-systemer har svært at reproducere.

Erfarne forskere kender ofte:

• Hvilke spørgsmål, der allerede er blevet udforsket uofficielt, men aldrig offentliggjort.
• Hvilke teoretisk tiltrækkende projekter er operationelt umulige.
• Hvilke metoder vil fejle under virkelige begrænsninger.
• Hvilke resultater ville være teknisk gyldige, men videnskabeligt uvigtige.
• Hvilke forskningsområder synes åbne, kun fordi det relevante arbejde er i gang, men ikke endnu offentliggjort.
• Hvilke spørgsmål er uvist, om de vil overleve peer-review eller tiltrække finansiering.

Meget af denne viden er implicit. Den findes i professionelle netværk, fejlede eksperimenter, konferencediskussioner, opgivne ansøgninger, anmelderkommentarer og års eksponering af feltet.

Even en LLM med bred adgang til offentliggjort forskning kan generere en plausibel retning, mens den mangler den implicit og upublicerede viden, der forklarer, hvorfor det aldrig blev forfulgt.

Dette antyder, at fremtidens rolle for seniorforskere kan blive mere og mere lignende en porteføljeejer. Deres værdi vil ligge ikke kun i at producere ideer, men i at allokerer opmærksomhed og ressourcer blandt en udvidende forsyning af AI-genererede muligheder.

AI kan flade adgang, mens det udvider vurderingsgap

Generativ AI beskrives ofte som en demokratiserende teknologi, fordi den giver flere mennesker adgang til evner, der tidligere var forbundet med specialister.

Det er delvist sandt i videnskab.

Forskere uden elite-netværk eller højt tilgængelige vejledere kan nu få adgang til øjeblikkelig brainstorming, forklaring, syntese og kritik. Dette kan hjælpe forskere på mindre institutioner, i underfinansierede regioner eller udenfor dominerende akademiske netværk med at formulere stærkere projekter.

Men ligeværdig adgang til AI producerer ikke ligeværdige resultater, hvilket skaber en potentiel paradoks: AI kan mindske gapet i idéproduktion, mens det udvider betydningen af vurderingsevne.

Forskere, der er mest påvirkede af AI-genererede forslag, kan også være de mindst udstyret til at identificere deres begrænsninger. Imens kan de, der er bedst placeret til at evaluere forslagene, opfatte mindre umiddelbar værdi i at bruge dem.

Resultatet kan være en ny form for ulighed i videnskabeligt arbejde: ikke uligeværdig adgang til ideer, men uligeværdig evne til at filtrere dem.

Det videnskabelige monoculture-problem

Der er en anden risiko, der strækker sig ud over enkeltforskere.

Store sprogmodeller genererer output ved at lære mønstre fra eksisterende litteratur. Hvis mange forskere bruger lignende modeller til at generere forskningsspørgsmål, kan de modtage overlappende forslag – og skabe en form for videnskabelig konvergens, der udvider antallet af ideer, mens den reducerer intellektuel diversitet.

Individuelt kan hvert forslag synes nyt.

Kollektivt kan systemet koncentrere opmærksomhed omkring de samme metoder, variable og teoretiske rammer.

Studiet demonstrerer ikke direkte denne systemniveau-udgang. Men fundene gør muligheden mere troværdig. Mindre erfarenede forskere var mere tilbøjelige til at inkorporere AI-forslag, og tidlige karriere-forskere repræsenterer en betydelig andel af fremtidig videnskabelig produktion.

Hvis AI bliver en mellemmand under de formative faser af deres karriere, kan modellerne påvirke ikke kun enkeltprojekter, men også grænserne for, hvad fremtidige forskere betragter som værd at studere.

Forsknings-AI skal være designet som en modstander

De fleste generative AI-produkter er optimeret til at være hjælpsomme. De besvarer spørgsmål, udvider ideer og producerer polerede output.

Videnskabelig ideation kan kræve en anden designfilosofi.

Den mest værdifulde forskningsassistent kan ikke være systemet, der genererer det mest overbevisende forslag. Det kan være systemet, der mest effektivt forsøger at ødelægge det.

Et forskningsfokuseret AI skal operere i flere tilstande:

Hypotesegenerator

Systemet skal foreslå konkurrerende forklaringer snarere end en enkelt foretrukken retning. Det skal variere antagelser, teoretiske rammer og metodiske tilgange.

Adversarial reviewer

Det skal identificere, hvorfor et forslag kan være trivialt, uigennemførligt, allerede udforsket, statistisk underbemændt, etisk problematisk, eller uvist, om det vil producere meningsfuld bevis.

Nyhedskontrol

Det skal hente aktuelle artikler, preprints, patenter, kliniske forsøg, ansøgninger og konferenceindlæg for at bestemme, om idéen er virkelig uudforsket.

Begrænsningssimulator

Det skal teste forslaget mod praktiske begrænsninger såsom adgang til prøver, udstyrskrav, omkostninger, tidsrammer, regulatoriske godkendelser og data tilgængelighed.

Provenance-tracker

Det skal dokumentere, hvilke elementer stammer fra forskeren, hentet litteratur, eksterne samarbejdspartnere eller model-genererede forslag.

Divergence-engine

Det skal bevidst søge uden for den dominerende litteratur og præsentere analogier fra fjerne discipliner snarere end at forstærke den mest sandsynlige vej.

Dette ville ompositionere AI fra en automatiseret idéfabrik til et intellektuelt stress-testsystem.

Universiteterne må muligvis omstrukturere, hvordan forskere trænes

Opståelsen af AI-assisteret ideation skaber et træningsproblem.

Den videnskabelige uddannelse har traditionelt antaget, at forskere udvikler domme gennem gentagen eksponering for usikkerhed. De lærer ved at generere svage ideer, misforstå litteratur, modtage kritik, revidere antagelser og opdage, hvorfor tilsyneladende lovende retninger fejler.

AI kan fjerne noget af den friktion.

Fjernelse af unødvendig friktion er nyttigt. Fjernelse af udviklingsfriktion kan ikke være det.

Hvis juniorforskere afhænger af AI til at strukturere hver tidlig idé, kan de producere stærkere kortsigtige output, mens de akkumulerer mindre uafhængig problemformuleringsoplevelse.

Universiteterne bør derfor undgå at ramme AI-politikken som en binær valg mellem tilladelse og forbud. Det vigtigste spørgsmål er, hvordan AI-brug skal integreres i udviklingen af ekspertise.

Mulige krav kan omfatte:

• Forskere skal kritiserer et AI-genereret forslag, før de antager det.
• AI-assisterede ideer skal sammenlignes med uafhængigt genererede alternativer.
• Studerende skal dokumentere, hvorfor bestemte AI-forslag blev afvist.
• Vejeledere skal evaluere tankeprocessen, ikke kun det endelige forslag.
• Forskningsmetodekurser skal inkludere kalibreringsøvelser med plausibel, men fejlbehæftet AI-output.

Målet ville ikke være at bevare en kunstig AI-fri model af forskning. Det ville være at sikre, at AI accelererer udviklingen af forskere snarere end at erstatte den.

Konklusion

Generativ AI hjælper ikke kun videnskabsmænd med at generere flere ideer. Det ændrer, når ideer bliver sociale, hvem der modtager tidlig intellektuel støtte og hvor ekspertise skaber værdi.

For forskere tidligt i deres karriere kan AI fungere som en altid tilgængelig præliminær samarbejdspartner. Det kan reducere den sociale omkostning ved at præsentere ufuldstændige tanker og hjælpe med at omdanne intuitioner til forslag, der er klar til menneskelig diskussion.

For erfarenede forskere kan værdien ligge et andet sted. Deres fordel ligger stadig mere i at genkende, hvilke plausibler ideer er uvigtige, hvilke elegante projekter er uigennemførlige og hvilke åbne huller ikke er huller overhovedet.

Dette peger mod en ny arbejdsdeling i videnskab.

AI vil gøre forskningsmuligheder overflod. Menneskelig ekspertise vil bestemme, hvilke muligheder fortjener tid, finansiering og opmærksomhed.

De organisationer, der nyder mest, vil ikke være dem, der udruller AI for at generere det største antal ideer. De vil være dem, der bygger de stærkeste systemer til kritik, udvælgelse, proveniens og intellektuel diversitet.

Fremtiden for AI-assisteret videnskab vil afhænge mindre af, om maskiner kan foreslå forskningsspørgsmål, og mere af, om mennesker kan bevare evnen til at afvise de forkerte.

Referencer:

^{1. M. Trobinger, A. R. Doshi, og S. Chai, Hvordan erfaring modererer impacten af AI-forslag på forskeres opfattelse af deres ideer, Forskningspolitik 55 (2026) 105575, https://doi.org/10.1016/j.respol.2026.105575}