AI-användning kan göra uppgifter längre, visar forskning

Ny forskning tyder på att AI kan göra enkla uppgifter längre, samtidigt som den övertygar användarna om att de blir mer produktiva.

En ny studie från Stanford, NYU och Princeton har funnit att vi ofta använder AI även när det är ineffektivt; och att för de mindre uppgifter som vi tvångsmässigt lämnar över till AI, skulle vi ofta lägga ner mindre mentalt arbete och spara mer tid genom att göra uppgiften själva.

I tre mänskliga studier som beställdes för forskningen fann författarna att deltagarna rutinmässigt underskattade hur mycket tid AI skulle spara dem på en föreslagen uppgift, samt underskattade hur mycket de beroende av och faktiskt använde AI*.

‘I [den andra studien] försöker vi förstå varför människor kan använda AI för enkla uppgifter trots att AI-användning inte ger några effektivitetsfördelar. En hypotes är att människor är felkalibrerade när det gäller hur mycket tid och ansträngning AI-hjälp sparar.

‘För att testa denna hypotes jämförde vi människors förutsagda versus faktiska tid och ansträngning för att slutföra uppgifter med och utan AI-hjälp och identifierade effektivitetsvinstillusioner, där människor överskattade både den tid och ansträngning som AI sparar.

‘I genomsnitt förutsåg människor att AI-hjälp skulle spara tid på 55,7 sekunder när det i själva verket bara sparade 7,5 sekunder. Denna felkalibrering är särskilt allvarlig för de enkla varianterna av uppgifterna, där människor förutsåg att AI-hjälp skulle spara tid, men i verkligheten gjorde uppgifterna långsammare att slutföra.’

Den nya artikeln, med titeln Effektivitetsvinstillusionen: Människor underskattar graden av AI-användning och överskattar dess fördelar på enkla uppgifter, skriven av sju författare från de tre institutionerna, visar också att tidigare AI-användning verkar förstärka framtida AI-användning, även när tekniken inte erbjuder några verkliga effektivitetsfördelar.

Översikt över de tre experimenten som användes för att testa hur människor använder AI för enkla vardagsuppgifter, vilket visar att användare underskattar hur ofta de förlitar sig på AI, överskattar den tid det sparar och blir mer benägna att använda det igen efter tidigare exponering. Källa

Data från de tre studierna visade att människor blir mer benägna att använda AI efter tidigare exponering, även på sätt som inte är produktiva eller tidssparande, eller ens stressreducerande (dvs. lägger ner mindre mentalt arbete på uppgiften)*:

‘Till skillnad från möjligheten att erfarenhet förbättrar kalibrering [dvs. förmågan att uppskatta hur användbart AI är för en uppgift], identifierade vi en sessionsnivåeffekt där initial AI-användning ökar senare AI-användning.

‘Deltagare som initialt slutförde uppgifter med AI blev ännu mer benägna att välja AI-hjälp för enkla uppgiftsvarianter, även om det inte erbjöd några tids- eller ansträngningsbesparingar i genomsnitt.’

I en av de mänskliga studierna fann författarna att besparingarna från AI-användning var helt illusoriska:

‘AI-hjälp kan [misslyckas.] [Vi] fann att människor som valde att använda AI tillbringade 7,06 sekunder mer än de som slutförde uppgifterna [självständigt] och rapporterade högre ansträngning.’

Studien var begränsad till uppgifter som tog fem minuter eller mindre, men kan vara relevant för tidigare sökmotorberoende som nu rutinmässigt använder ChatGPT och andra populära, kommersiella LLM:er i stället.

Studiegrupper

Över de olika användarstudierna utformades uppgifter baserat på Taxonomy of User Needs and Actions (TUNA)-ramverket. Experimenten omfattade informations­sökning; sammanfattning; aritmetik; stavningskontroll; omskrivning; och andra lågkomplexa uppgifter som kunde slutföras på under fem minuter.

Den första studien jämförde deltagarnas förutsagda villighet att använda AI mot deras faktiska beteende under uppgiftsslutförande, och undersökte om människor korrekt förstod sin egen beroende av AI-hjälp.

Den andra fokuserade på upplevd kontra faktisk effektivitetsvinst, genom att jämföra deltagarnas förväntningar om tidsbesparing och minskad mental ansträngning mot de faktiska resultaten och den rapporterade arbetsbelastningen under AI-assisterad och självständig uppgiftsslutförande.

Den tredje undersökte om tidigare exponering för AI påverkade senare beslutsfattande, genom att spåra om deltagare som tidigare hade slutfört uppgifter med AI blev mer benägna att förlita sig på AI igen under senare uppgifter.

Överanalys – AI-användning för enkla uppgifter

För att förstå om människor korrekt uppskattar sin egen beroende av AI bad man deltagarna i en session att slutföra fyra uppgifter, med möjlighet att använda AI-hjälp för varje uppgift. Den nivå vid vilken deltagarna faktiskt använde AI jämfördes med deras egen tidigare uppskattning av hur mycket de trodde att de skulle använda det, med betydande diskrepans i resultaten:

Deltagare underskattade konsekvent hur ofta de skulle vända sig till AI för enkla uppgifter, med en växande gap på enklare uppmaningar där faktisk AI-användning steg till 38 % mot en förutsagd frekvens på 20 %, vilket tyder på att vanemässig delegering till AI sträcker sig långt bortom användarnas egen medvetenhet.

Författarna hävdar:

‘Vi finner att [människor] faktiskt använde AI betydligt mer än den genomsnittliga förutsagda frekvensen. I genomsnitt rapporterade deltagarna att de skulle använda AI i 33 % av uppgifterna, men den faktiska frekvensen av AI-användning var 47 % (β = 1,07, p < 0,001).

‘Detta gap är större för enkla uppgiftsvarianter (β = 0,69, p < 0,001): deltagarna förutsåg en AI-användningsfrekvens på 20 % men den faktiska frekvensen av AI-användning var 38 % (β = 1,42, p < 0,001), nästan dubbelt så hög som den uppskattade frekvensen.’

Experimenten fokuserade på vanliga låginsatsuppgifter som många människor nu rutinmässigt lämnar över till AI, även om det kan vara onödigt. Deltagarna ombads att utföra enkla aktiviteter som involverade faktareminiscens, aritmetik, stavningskontroll, omskrivning av korta passager, sammanfattning av text och besvarande av grundläggande resonemangsfrågor, med vissa uppgifter som bara krävde några ord eller en enda mening för att slutföras.

Studien inkluderade också något svårare versioner av samma aktiviteter, vilket möjliggjorde för forskarna att jämföra om AI-användningen förändrades när arbetet blev mer krävande.

AI:s tidsbesparande fördelar överskattas

I den andra studien delades deltagarna in i två separata grupper, där den ena gruppen först uppskattade hur mycket tid och mental ansträngning AI skulle spara på en serie uppgifter, medan den andra gruppen faktiskt slutförde samma uppgifter antingen självständigt eller med AI-hjälp. Uppgifterna handlade återigen om lågkomplexa aktiviteter som involverade aritmetik, omskrivning, faktareminiscens, sammanfattning, stavningskontroll och korta resonemangsövningar.

Målet var att jämföra människors förväntningar om AI:s produktivitet med vad som faktiskt hände när arbetet utfördes. Enligt artikeln överskattade deltagarna konsekvent hur mycket AI skulle hjälpa dem, särskilt på enklare uppgifter där många antog att AI skulle dramatiskt reducera arbetsbelastning och slutförandetid.

I stället visade de faktiska resultaten ofta bara små vinster, och i vissa fall, som nämnts tidigare, fördröjde AI-användning faktiskt deltagarna. Artikeln rapporterar att människor förutsåg att AI-hjälp skulle spara nästan en minut i genomsnitt, medan de faktiska tidsbesparingarna var bara några sekunder.

På vissa enklare uppgifter tog AI-användare faktiskt längre tid på sig att slutföra uppgiften än de som slutförde arbetet självständigt:

Förutsagd kontra faktisk tid och mental ansträngning under AI-assisterad och självständig uppgiftsslutförande, vilket visar artikelförfattarnas föreslagna ‘hastighetsillusion’, där deltagarna konsekvent trodde att AI skulle spara mycket mer tid än vad det faktiskt gjorde. Faktiska AI-assisterade slutförandetider var avsevärt längre än förutsagda, medan uppskattningar för självständigt uppgiftsslutförande förblev mycket närmare de observerade resultaten.

Studien undersökte också upplevd mental ansträngning. Deltagarna trodde ofta att AI skulle göra uppgifterna avsevärt enklare; men den faktiska minskningen av kognitiv ansträngning var betydligt mindre än förväntat. Artikeln karakteriserar detta som en ‘effektivitetsvinstillusion’, där människor systematiskt överskattar både hastigheten och användbarheten av AI-hjälp under enkla vardagsuppgifter.

AI-användning förstärker villbedrag

Den tredje och sista studien var utformad för att testa om även kortvarig exponering för AI påverkar senare beslutsfattande. Deltagarna delades in i flera grupper och först gick igenom en ‘exponeringsfas’, där vissa slutförde enkla uppgifter med AI-hjälp; vissa slutförde svårare uppgifter med AI-hjälp; och andra slutförde samma uppgiftskategorier självständigt, utan AI. En separat kontrollgrupp hoppade över uppgiftsfasen helt.

Därefter gick alla grupper in i en andra ‘testfas’, där de fick nya och enklare uppgifter och fick välja själva om de ville använda AI eller inte. Uppgifterna fokuserade återigen på lågkomplexa (dvs. omskrivning, aritmetik, minnesåterkallande, stavningskontroll, sammanfattning och korta resonemangsövningar) uppgifter som kunde slutföras på bara några minuter.

Artikeln rapporterar att deltagare som redan hade använt AI under exponeringsfasen blev betydligt mer benägna att förlita sig på det igen senare, även när tidigare AI-användning ofta inte hade sparar tid eller minskat mental ansträngning.

Forskarna fann att tidigare AI-användare valde AI-hjälp betydligt oftare under den senare testfasen än deltagare som tidigare hade slutfört uppgifter självständigt:

Deltagare som tidigare hade använt AI under exponeringsfasen blev betydligt mer benägna att förlita sig på det igen under senare uppgifter, trots att tidigare AI-användning ofta inte hade gett några meningsfulla vinster i hastighet eller minskad mental ansträngning. Den vänstra panelen visar att tidigare AI-användare valde AI-hjälp betydligt oftare under den senare testfasen än deltagare som initialt hade slutfört uppgifter självständigt. Den högra panelen illustrerar artikelförfattarnas föreslagna ‘hastighetsillusion’, där tidigare AI-exponering ökade deltagarnas tro att AI-assisterat arbete var snabbare och mer effektivt, trots att faktiska slutförandetider ofta visade liten nytta och ibland sämre prestanda.

Upprepad AI-exponering rapporteras förvränga deltagarnas omdöme om huruvida AI verkligen är användbart: människor som redan hade använt AI blev mindre benägna att hålla med om att uppgifterna faktiskt kunde slutföras snabbare utan det, trots att de faktiska resultaten ofta visade liten nytta och ibland sämre slutförandetider.

Forskarna hävdar att detta skapar förutsättningarna för en ‘självförstärkande cykel’, där AI-användning ökar framtida beroende av AI, samtidigt som den försvagar användarnas förmåga att korrekt bedöma om tekniken förbättrar produktiviteten över huvud taget.

Slutsats

Åsikt Många läsare som har antagit AI för små uppgifter kan, liksom jag, känna igenhet med den nya artikeln slutsatser.

Personligen har min besatthet av att automatisera repetitiva uppgifter föregått den nuvarande AI-boomen med flera decennier. Då, liksom nu, kvarstår frågan: Överstiger den ansträngning som krävs för att ställa in och/eller underhålla automatiseringen den beräknade (mänskliga) ansträngningen för att bara slutföra uppgiften utan automatisering?

De som älskar att automatisera kan hamna i att automatisera för automatiseringens skull, även om det skulle ta år eller decennier innan någon avkastning (i form av tid som sparas) skulle bli tydlig; och detta förändrar sammanhanget för aktiviteten från ‘optimering’ till ‘hobby’.

Det finns inget fel med detta, så länge man inte bedrar sig själv med att tro att verkliga vinster görs. Jag har ändå försökt att motstå denna dåliga vana under de senaste åren; och möjligheten att använda AI, på senare tid, verkar benägen att förvärra det, eftersom till och med dåliga eller icke-optimala resultat kan erhållas mycket snabbare än, till exempel, när man skriver makron i JavaScript och andra språk.

Villande indikatorer

Vad artikeln försummar lite är spänningen mellan serendipitiska eller lyckosamma resultat via AI och dominansen av återvändsgränder och frustrerade försök att anpassa tillgängliga AI-chattbotar, såsom ChatGPT, till ens egna behov – i ett arbetsflöde som kan lita på, även i ansiktet av tvingade uppdateringar till nya versioner som kan fungera annorlunda än den version som ditt arbetsflöde eller rutin var beroende av.

En ‘magisk’ resultateffekt är den tillfällighet då AI omedelbart löser ditt problem på ett enkelt och rationellt sätt.

Till exempel, varje gång jag granskar en artikel, måste jag skriva ut den, och jag måste alltid skriva sidnummer i fetstil upptop, eftersom de vanligtvis antingen är frånvarande eller i liten text längst ner. Att be ChatGPT att producera ett Python-skript som skulle lägga till ett stort och fet sidnummer upptop visade sig ge ett otroligt snabbt resultat, eftersom jag nu kan dra och släppa en Arxiv-PDF på en .BAT-fil och få en ny version med framträdande sidnummer på 2-3 sekunder:

Tydliga sidnummer som lagts till i PDF:er med hjälp av ett AI-skrivet Python-skript.

Bortsett från en minut eller två av diskussion om huruvida Windows har en inbyggd och separat Arial Black-teckensnitt (det har det inte), var detta möjligen den snabbaste gången AI någonsin hade skapat något beständigt och regelbundet användbart för mig.

Man kan hävda att den här sortens ‘genombrott’ eller ‘enkelt framgångsrecept’ ger en falsk bild av AI:s verkliga förmåga att spara tid och/eller mental ansträngning, eftersom vi tenderar att ge sådana tillfällen oproportionerligt stor vikt: vår naturliga benägenhet att undertrycka smärtsamma eller negativa minnen och att återanvända eller fokusera på lyckligare minnen betyder att framgångsrika tillfällen där AI löser små uppgifter på ett användbart sätt kommer att bli en ledstjärna som vi sannolikt kommer att följa, även mot den statistiska bevisningens trend, som visas i den nya artikeln, och även mot vår egen erfarenhet att sådana ‘enkla framgångar’ är undantag snarare än regel.

Det finns växande bevis, utöver den nya artikeln, som visar att vi bedrar oss själva om AI:s användbarhet. År 2025 visade en studie att utvecklare som använde AI tog 19 % längre tid än utan AI; och en mer nylig studie bekräftar den underliggande budskapet i den nya artikeln som diskuteras i den här artikeln – att att spara tid tar tid.

Det vore användbart om forskning av det här slaget kunde översättas till en (oundvikligen AI-driven) gammaldags tids- och rörelsestudie, vilket skulle ge oss verkliga insikter i den utsträckning till vilken AI faktiskt sparar oss – eller kostar oss – tid.

Slutligen är studien exceptionell i ett annat viktigt avseende, eftersom den åtminstone försöker kvantifiera ‘mental ansträngning’ i förhållande till användning av AI på mindre uppgifter. Eftersom alltmer uppmärksamhet fokuseras på ‘intensiteten’ i AI-assisterat arbete, behöver vi brådskande tillförlitliga enheter för att mäta den utsträckning till vilken AI:s krav och egenheter utmattar eller förbrukar oss, till en mer allmän kostnad för arbetskvalitet och arbetsduglighet.

* Formatering är författarnas, från källartikeln. Alla inline-citat omvandlade till hyperlänkar av mig.

Publicerad lördag, 23 maj 2026