Gennemgang af ‘Hvordan mennesker bruger ChatGPT’

Jeg er Ilya Romanov og arbejder på et AI-produkt i hemmelighed. I min forrige artikel, talte jeg om en (ikke rigtig?) revolutionerende MIT-rapport om AI og revenue bundlinjer. En anden buzzende rapport kom ud—“Hvordan mennesker bruger ChatGPT”. Dens dristige åbning “Samlet set finder vi, at ChatGPT giver økonomisk værdi gennem beslutningsstøtte, som er særligt vigtig i videnintensive job” fik mig til at undre mig over, om—at last—der er en beviset rekord for, at AI tilføjer tangibelt til en arbejdsproces og bundlinjer. Lad os dykke dybt nu!

Rapporten og teamet

‘Hvordan mennesker bruger ChatGPT’ blev forberedt af OpenAI-forskere og Harvard-økonom David Deming. Deres kombinerede ekspertise i AI-ingeniørarbejde, privatlivsbeskyttende dataanalyse og økonomisk politik gjorde det muligt at skabe denne omfattende store empiriske studie af ChatGPT.

Studiet bygger på en imponerende pulje af 1,5 millioner samtaler med ChatGPT. Teamet brugte privatlivsbeskyttende kanalen til at anonymisere brugere, mens de stadig forstod intentionen bag beskederne. Essentielt set blev hver ChatGPT-samtale trukket gennem en automatiseret filter, der fjernede alle navne eller personlige detaljer, før forskerne nogensinde så det. Disse rensede, maskin-genererede mærker (som emne eller intention) blev analyseret. Til at linke grundlæggende demografiske baggrunde, såsom uddannelse eller beskæftigelse, arbejdede teamet i en sikker renværelse, hvor de kun kunne trække aggregatdata på grupper af mindst 100 brugere, så ingen enkelt person eller besked kunne nogensinde være enkelt eller genkendelig.

Resultater

Den dristige udtalelse i ‘Abstract’ er en af de vigtigste indsighter om, hvordan AI leverer værdi i den moderne økonomi. I modsætning til de utallige ‘automatiser-det-hele’-løsninger, der er dukket op for nylig, anvendes ChatGPT primært som et beslutningsstøtteværktøj snarere end et rent task-automatiseringsplatform. Rapporten introducerer to typer af opgaver, som ChatGPT bliver givet af brugere: ‘At spørge’ og ‘At gøre’. Den første henviser til job som at søge efter information, rådgive eller guide til bedre beslutninger (‘Hvad er forskellen på korrelation og årsagssammenhæng?’). Den sidste er faktisk at udføre specifikke opgaver som at udarbejde e-mails, skrive rapporter og endda skabe kode (‘Skriv en e-mail til min leder og sig, at jeg ikke kunne nå Salg, selvom jeg ringede flere gange.’).

Interessant nok skelner rapporten mellem arbejds- og ikke-arbejdssamtaler. Alle ikke-arbejdssamtaler udgør så meget som 70% i 2025, hvilket viser en skarp stigning fra 2024’s 53%. Personlige interaktioner koncentrerer sig primært om hverdagsopgaver (‘hvordan-man’-råd og undervisning) og skrivehjælp (redigering eller oversættelse). Denne stigning og konteksten for brugen positionerer ChatGPT som en daglig ledsager—den nye Google af slagsen—til udforskning, kreativt arbejde og beslutningstagning uden for arbejdspladsen.

Rapporten afslører, at 49% af alle beskeder er ‘At spørge’ i forhold til kun 40% af ‘At gøre’-forspørgsler. Trickset er, at ‘At spørge’-beskeder vokser hurtigere og modtager højere tilfredshedsratings fra ChatGPT-brugere. I juli 2024 var ‘At spørge’ og ‘At gøre’ næsten lige, og udgjorde 46% af alle ChatGPT-beskeder. I juni 2025 var ‘At spørge’ steget til 51,6%, hvilket svarer til en absolut stigning på 5,6 procentpoint, som oversætter sig til en relativ 12% stigning, mens ‘At gøre’ faldt til 34,6%, hvilket svarer til en relativ -25% fald.

Hvad betyder denne afvigelse? Den økonomiske fordel, som rapporten argumenterer for, er i hurtigere og bedre underrettet beslutningstagning i videnintensive job, som forstærker produktiviteten. I videnintensive job, hvor forretningsresultaterne direkte påvirkes af kvaliteten og hastigheden af beslutningerne, kan adgangen til bedre bearbejdet information, alternative perspektiver og fremragende analytisk støtte betydeligt forbedre arbejdspræstationen.

Baggrunden for konklusionen er resultaterne. På den ene side er brugere med akademiske grader omkring 2 procentpoint mere tilbøjelige til at bruge ChatGPT til ‘At spørge’ og 1,6 procentpoint mindre tilbøjelige til at sende ‘At gøre’-beskeder i forhold til mindre uddannede brugere. I samme ånd er brugere i højt betalte videnskabelige og tekniske beskæftigelser mere tilbøjelige til at bruge AI til ‘At spørge’—47% af arbejdsrelaterede beskeder er ‘At spørge’ i computerrelaterede job.

Rapporten viser, at de usete beslutningsfærdigheder, der langt overgår det menneskelige hjernes evner, kan afspejles i penge—ikke i form af revenue OpenAI har gjort (en vældig $13 milliarder i årlig tilbagevendende revenue, pr. tidlige august i år), men i forbrugeroverskud. Forbrugeroverskud er simpelthen forskellen mellem det maksimale beløb, en person ville være villig til at betale for en tjeneste, og det faktiske beløb, de betaler. For eksempel er jeg villig til at betale $100 for en månedlig ChatGPT-abonnement, men jeg betaler $20, så forbrugeroverskuddet er $80.

I større skala, som forskningen af Collis og Brynjolfsson (2025) fandt, er forbrugeroverskuddet på mindst $97 milliarder i USA alene. Og det ser ud til, at mennesker vil skulle betales $98 i gennemsnit for at stoppe med at bruge generativ AI i en måned. Værdien af ChatGPT for brugere i både arbejds- og ikke-arbejdskontekster er enorm, og det er sikkert at sige, at i en virksomheds kontekst er der en endnu større finansielle gevinst.

Hvorfor spørge?

Da jeg forskede i teamet bag denne rapport og (overraskelse-overraskelse!) inviterede Perplexity til at tænke med mig om denne rapport, kunne jeg ikke lade være med at undre mig over, hvorfor mennesker SPØRGER i stedet for GØR med ChatGPT.

For at sætte det i mere videnskabelige vendinger vil jeg gerne henvise til en forskning, der er nævnt i rapporten. Ide og Talamas (2025) præsenterede to roller, som AI spiller på arbejdspladsen: Medarbejder, der leverer resultater, dvs. gør arbejde, og Co-pilot, der forbedrer problemløsning uden nogen endelige output. Data fra ‘Hvordan mennesker bruger ChatGPT’ støtter co-pilot-paradigmet: igen, mennesker spørger snarere end gør med ChatGPT (49% vs 40%) og spørgende er på vej op og ‘At træffe beslutninger og løse problemer’ er blandt de øverste arbejdsaktiviteter i hver enkelt beskæftigelsesgruppe, der er blevet undersøgt. I et nøddeskal giver ChatGPT råd snarere end arbejde i de fleste tilfælde.

Så, AI er en co-pilot (vidste Microsoft noget, da de navngav deres AI-værktøj… hvis du fanger mit drift) i de fleste tilfælde. Men hvorfor? Rul ned på LinkedIn, og du ser ‘Automatiser dette’ og ‘Automatiser det’.

Jeg har også tænkt over det, da jeg læste rapporten og hundredvis af begejstrede LinkedIn-indlæg fra AI-entusiaster, der fandt DET script, der endelig fik AI til at fungere. Min antagelse er, at denne overvægt af spørgende over gørende med ChatGPT måske blot er en refleksion af modellens nuværende (eller tidligere) begrænsninger snarere end en grundlæggende offentlig præference for AI som co-pilot. Sandsynligvis vil brugere være mere og mere tilbøjelige til at anvende AI som en rigtig medarbejder snarere end en rådgiver, når der er en rigtig kraftfuld agens AI-løsning.

For at uddybe disse to punkter. Fordi AI mangler kontekst, kan det ikke lades fri, når det kommer til indholdsskabelse. Det kræver overvågning, og prompten kan være nødt til at blive revideret for en anden, bedre udfald. IBM forklarede idéen i videnskabelige vendinger. Mennesker akkumulerer rig situational forståelse takket være non-stop perception, hukommelse og virkelighedsoplevelse, hvorimod AI-assistenter fungerer udelukkende ved at forudsige det næste token (~ord) baseret på en fast ‘kontekstvindue’ af nyeste input. AI har kortvarig hukommelse, og tidligere information forsvinder, når hukommelseskapaciteten er fyldt op.

Store sprogmodeller kæmper med multi-trins komplekse opgaver. Præstation og sammenhæng forringes, når opgaver kombineres, Prompt Drive forklarer. Der er en tilgang til at overvinde begrænsningen—den såkaldte divide-and-conquer-tilgang. Dog anerkender den, at ingen enkelt prompt kan fange alle nuancer, så AI forbliver en fremragende co-pilot, mens det er en begrænset medarbejder.

Nu har jeg tænkt inden for ChatGPT’s rækkevidde. Gengiver denne forhold (49% vs 40%) sig med andre AI-værktøjer?

• 60% af beskederne sendt til Perplexity AI er forskningsdrevne anmodninger snarere end ren indholdsgenerering, ifølge App Labx.
• DeepSeek R1 scorer højt som en avanceret medarbejder til logiske opgaver og co-pilot til kæde-af-tanken-assistance, ifølge dens interne rapport.
• GitHub Co-pilot (hinten er i navnet, ikke?) er designet til editorforslag til kode, fejlfinding og læringshjælp. Det er sikkert at antage, at dets rolle er at hjælpe snarere end at gøre.
• Microsoft Copilot viser en omtrent ligelig fordeling mellem Spørgende og Gørende, der spejler brugsmønstre for ChatGPT.

Så—hvad efterlader resultaterne os med? Som jeg ser det, er AI en kraftfuld booster for videnintensivt arbejde, der accelererer beslutningstagning og oversætter sig til direkte tidsbesparelser og indirekte revenue-gevinster. At modsætte sig AI til fordel for ‘menneskelig berøring’ eller ‘unikt indhold’ betyder at tabe på længere sigt. Mennesker bruger ChatGPT og andre AI-assistenter til at fremme beslutningstagning, ikke til at erstatte en menneskelig beslutningstager helt og holdent.

Vil mønsteret ændre sig? Vil mennesker se den massive hjernefordærvelse på grund af den øgede arbejdsdelegation til AI? Vent til mit næste artikel om, hvordan AI påvirker det menneskelige hjernes og kognitive evner.