Kan udbredt brug af AI i forskning føre til ensrettede hypoteser, kommerciel afhængighed og svækket kritisk tænkning — og hvad siger forskningen om det?
Det politiske spørgsmål
Kunstig intelligens er på vej ind i næsten alle dele af forskningen. Forskere bruger AI til at gennemlæse litteratur, formulere hypoteser, analysere data og skrive artikler. Det sker hurtigt og i stort omfang.
Det rejser et spørgsmål, som ikke handler om teknologiens muligheder, men om dens risici: Hvad sker der med videnskabens uafhængighed, når stadig flere forskere bruger de samme kommercielle AI-modeller som fundament for deres arbejde?
Det er ikke et spørgsmål om, hvorvidt AI er nyttigt. Det er et spørgsmål om, hvad vi mister, hvis vi ikke er opmærksomme på, hvad vi overlader til algoritmerne.
Nature satte i 2026 fokus på netop dette: AI could undermine scientific independence in subtle ways. Ikke gennem åbenlys manipulation, men gradvist — gennem mønstre vi måske slet ikke opdager, fordi de opstår i selve den måde, vi tænker og arbejder på.
Det empiriske spørgsmål bag
Kernen i debatten er ikke, om AI er godt eller skidt for forskning i al almindelighed. Det empiriske spørgsmål er mere præcist:
Fører udbredt brug af AI-modeller til, at forskning ensrettes, at kritisk tænkning svækkes, og at videnskabens uafhængighed af kommercielle interesser undergraves — og i så fald: hvordan og i hvilken grad?
Det er et spørgsmål, vi endnu ikke har fuldt svar på. Men litteraturen vokser, og den peger i retninger, vi bør tage alvorligt.
Hvad ved vi
AI bruges i stigende grad som forskningsværktøj ✓✓
Det er veldokumenteret, at generativ AI (sprogmodeller som ChatGPT og lignende) har fundet vej ind i forskningen i et tempo, der overrasker selv dem, der følger feltet tæt. Aalborg Universitet beskriver kunstig intelligens som et værktøj i "voldsom vækst" inden for samfundsvidenskab og humaniora. Ud over at håndtere store datamængder kan generativ AI skabe hele modelverdener, der bruges til reel forskning — for eksempel inden for byplanlægning.
Aarhus Universitet har oprettet et dedikeret center, Center for Language Generation and AI (CLAI), der samler 22 forskere fra discipliner som lingvistik, kognitionsvidenskab, litteratur, filosofi og uddannelse for at undersøge og udvikle sprogmodeller. Det understreger, at AI ikke længere er et perifert hjælpeværktøj, men er rykket ind i kernen af akademisk arbejde.
Homogenisering er en reel risiko ✓
Når mange forskere bruger den samme model, er der risiko for, at de stiller de samme spørgsmål, overser de samme blinde vinkler og producerer resultater, der ligner hinanden mere, end de ville have gjort med uafhængige metoder. Nature beskriver dette som en af de mest subtile farer: ikke at AI lyver, men at den ensretter.
En sprogmodel er trænet på eksisterende viden. Den afspejler dermed det, der allerede er skrevet og publiceret — med alle de bias (systematiske skævheder), kulturelle blinde vinkler og videnshuller, som dette indebærer. Hvis forskere i stigende grad bruger AI til at generere hypoteser og strukturere analyser, risikerer vi, at forskningen i højere grad reproducerer det kendte end opdager det ukendte.
Kommerciel afhængighed er strukturelt problematisk ✓
De mest anvendte AI-modeller er udviklet af kommercielle virksomheder — primært i USA. Disse virksomheder træffer beslutninger om, hvad modellerne kan, hvad de ikke må, og hvordan de opdateres. Forskere har sjældent indsigt i disse beslutninger, og de har ingen indflydelse på dem.
Det skaber en strukturel afhængighed, der adskiller sig fra traditionelle forskningsværktøjer. Et statistikprogram som R eller SPSS er transparent og open source eller veldokumenteret. En stor sprogmodel er en sort boks, der ejes og kontrolleres af en privat aktør med egne kommercielle interesser.
Nature fremhæver dette som et kerneproblem: videnskabelig uafhængighed forudsætter, at forskere kan gennemskue og validere de værktøjer, de bruger. Med nutidens kommercielle AI-modeller er det kun delvist muligt.
Kritisk tænkning kan svækkes over tid ~
Der er teoretisk og empirisk grundlag for at antage, at overdreven brug af AI-assisterede arbejdsgange kan svække de kognitive muskler, der er nødvendige for kritisk videnskabeligt arbejde. Hvis AI genererer litteraturresumeer, foreslår hypoteser og strukturerer argumenter, hvad øver forskeren sig da egentlig i?
Dette er endnu ikke veldokumenteret i kontrollerede studier af tilstrækkelig størrelse, men bekymringen deles af flere forskere og er rejst direkte i Nature-artiklen. Det er en parallel til debatten om, hvad GPS gør ved vores evne til at orientere os — og hvad lommeregneren har gjort ved hovedregning. Teknologien hjælper, men den kan også erstatte og dermed atrofiere (svække ved manglende brug) de færdigheder, den afløser.
Hvad ved vi ikke
Vi ved endnu ikke, i hvilken grad AI faktisk fører til målbar ensretning af videnskabelig produktion. Det kræver longitudinale studier (studier over tid), der sammenligner forskningsoutput fra perioder med og uden udbredt AI-brug — og sådanne studier er endnu ikke gennemført i tilstrækkeligt omfang.
Vi ved heller ikke, hvilke discipliner der er mest sårbare. Risikoen er sandsynligvis ikke ens fordelt. Kvantitative felter med klare verifikationsmetoder er måske mere robuste end kvalitative felter, hvor AI's evne til at producere plausibelt klingende, men ukontrollerbart indhold er størst.
Vi ved ikke, om markedet vil korrigere sig selv — om der vil opstå åbne, transparent dokumenterede alternativer til de kommercielle modeller, som forskere kan bruge med større tillid til uafhængighed. Aarhus Universitets CLAI-center er et eksempel på, at europæiske institutioner forsøger at udvikle alternativer, men det er endnu uklart, om sådanne initiativer vil nå den skala, der gør dem til reelle alternativer for det brede forskningsmiljø.
Vi ved heller ikke, hvordan peer review (fagfællebedømmelse) tilpasser sig. Hvis reviewere bruger AI til at vurdere manuskripter, der er skrevet med AI, opstår der et system, hvor de samme blinde vinkler kan gå ubemærket igennem i begge ender af processen.
Hvad eksperter er uenige om
Er risikoen fundamental eller håndterbar? ⚖
Nogle forskere mener, at risikoen for homogenisering og kommerciel afhængighed er en eksistentiel trussel mod videnskabens integritet. Videnskab er per definition afhængig af mangfoldighed af tilgange, og ensretning er dens værste fjende.
Andre mener, at risikoen er reel, men håndterbar — og at den ikke adskiller sig principielt fra tidligere teknologiers indførelse i forskning. Databaser, statistiksoftware og internetsøgning har alle ændret forskerens arbejdsgange og skabt nye afhængigheder, uden at videnskabens grundlæggende pluralisme er kollapset.
Bør regulering komme fra institutioner, staten eller markedet? ⚖
Der er uenighed om, hvem der skal sikre videnskabelig uafhængighed i en AI-præget verden. Nogle argumenterer for, at universiteter og forskningsråd selv skal sætte standarder og kræve transparens om AI-brug i publicerede studier. Andre mener, at det kræver national eller EU-niveau regulering af, hvilke AI-systemer må bruges i offentligt finansieret forskning. En tredje position er, at markedet og den videnskabelige kultur selv vil regulere det — dårlig forskning vil blive afsløret gennem replikation og fagfællebedømmelse.
Er åbne modeller løsningen? ~
Mange i forskningsmiljøet peger på åbne, transparent dokumenterede sprogmodeller som det naturlige svar på afhængighed af kommercielle aktører. Men åbne modeller er ikke nødvendigvis neutrale — de kan have andre bias, og de kræver teknisk infrastruktur og ekspertise, som ikke alle forskningsmiljøer har adgang til. Desuden er "åben" ikke det samme som "gennemskuelig": selv open source-modeller kan være svære at auditere (revidere og kontrollere) for de fleste forskere.
Konklusion
AI er ikke en neutral forstærker af videnskabelig kapacitet. Det er et værktøj med indbyggede antagelser, kommercielle ejere og systemiske effekter, som vi endnu ikke fuldt ud forstår.
Det veletablerede: AI bruges i voldsom vækst i forskning på tværs af discipliner, og afhængighed af kommercielle modeller er strukturelt anderledes end tidligere teknologisk afhængighed.
Det understøttede: Der er reelle mekanismer, der kan føre til homogenisering af hypoteser og svækkelse af kritisk tænkning, selv om det endnu ikke er kvantificeret i stor skala.
Det omtvistede: Hvor alvorlig risikoen er, og hvem der bedst kan imødegå den.
Det, vi bør gøre uanset usikkerheden: Kræve transparens om AI-brug i publiceret forskning. Investere i uafhængige, åbne alternativer til kommercielle modeller. Og ikke mindst bevare den videnskabelige kultur, hvor det at sætte spørgsmålstegn ved sine egne metoder er en dyd — også når metoderne er nye og imponerende.
Videnskabelig uafhængighed er ikke en teknisk egenskab ved et system. Det er en praksis, vi enten opretholder eller lader smuldre.