Hvordan jeg arbejder

Hvordan jeg bruger AI i min forskning

En stor del af mit arbejde handler ikke om at få AI til at skrive. Det handler om at blive klogere. Og om at opdage, når jeg eller modellerne tager fejl. Her er hvordan det foregår i praksis, og hvorfor jeg har bygget hele arbejdsformen op omkring kritik frem for bekræftelse.

Hvorfor jeg bruger AI: for at lære

Jeg kommer oprindeligt fra læring, kognition, adfærd og formidling. Det er de områder, jeg har brugt størstedelen af mit arbejdsliv på. Men mange af de spørgsmål, jeg undersøger, krydser grænser mellem fagområder. Derfor bruger jeg AI som en slags privat underviser og sparringspartner.

Når jeg støder på områder, jeg ikke ved ret meget om, beder jeg modellerne om at forklare teorier, forskning, matematik, fysik, biologi eller andre fagområder for mig. Jeg beder dem ikke bare om at forklare stoffet, men også om at perspektivere det til de problemer og spørgsmål, jeg arbejder med.

Det er en af de ting, AI er usædvanligt god til. Mennesker bliver ofte specialister. Har man brugt et helt arbejdsliv på biologi, har man måske ikke samtidig brugt et helt arbejdsliv på fysik, matematik eller maskinlæring. AI kan derimod bevæge sig på tværs af fagområder og hjælpe med at finde analogier, strukturer og mønstre, som ellers kan være svære at få øje på.

Det betyder ikke, at analogierne nødvendigvis er rigtige. Tværtimod. En stor del af processen handler om at teste, udfordre og forsøge at afkræfte dem. Nogle af mine idéer viser sig at være dårlige. Andre bygger på misforståelser. Det gælder især, når jeg bevæger mig ind på områder, hvor jeg har begrænset faglig baggrund. Her er AI ofte lige så værdifuld til at fortælle mig, hvorfor en idé er forkert, som til at hjælpe mig med at udvikle den.

Jeg forsøger generelt at være meget opmærksom på mine egne begrænsninger. Jeg har ingen formel akademisk stilling. Jeg arbejder uafhængigt, uden forskningsgruppe, uden finansiering og uden en institution i ryggen. Det gør det endnu vigtigere at være kritisk over for egne resultater. Derfor har jeg bevidst bygget arbejdsgange, hvor modellerne ikke skal bekræfte mine idéer, men udfordre dem. Jeg beder dem aktivt om at finde fejl, svagheder, alternative forklaringer og oversete antagelser, både når jeg udvikler en hypotese og i de efterfølgende hostile reviews.

Målet er ikke at få ret. Målet er at finde ud af, hvad der er rigtigt. Hvis en idé ikke holder til kritik, skal den forkastes eller revideres. Videnskab handler ikke om at have ret fra starten. Det handler om gradvist at tage fejl på stadig bedre måder.

Hvordan jeg arbejder i praksis

Mit arbejde foregår sjældent ved, at jeg sætter mig ned og skriver et paper fra start til slut. Det er mere en løbende proces, hvor idéer opstår, bliver undersøgt, udfordret, koblet sammen og gradvist udviklet over tid.

Jeg har bygget et værktøj, Zeph.io, som giver mig mulighed for at tale direkte med modellerne. Derfor foregår en stor del af arbejdet som samtaler snarere end som traditionel skrivning. Jeg skriver faktisk relativt få prompts. I stedet taler jeg. Ofte er det ikke færdige tanker eller velstrukturerede spørgsmål, men idéer, observationer, intuitioner eller sammenhænge, som dukker op i øjeblikket. Nogle gange er de uklare. Nogle gange viser de sig at være forkerte. Andre gange bliver de starten på noget interessant.

Jeg forsøger derfor at indfange tanker, mens de opstår. Mange idéer kommer ikke, når jeg sidder foran computeren. De kommer, når jeg går en tur, kører bil, bader eller laver noget helt andet. Når det sker, dikterer jeg ofte tankerne direkte til en model via telefonen. Senere bliver noterne flyttet ind i de relevante projekter og papers. På den måde fungerer AI ikke kun som forskningsassistent, men også som en slags ekstern hukommelse.

Min forskning er organiseret som en samling af selvstændige papers. Hvert paper har sin egen arbejdssession, sine egne noter og sine egne diskussioner. Samtidig hænger de tæt sammen. En idé, der opstår i ét paper, kan vise sig at være relevant for flere andre. Derfor har jeg bygget et system, hvor papers kan udveksle noter, observationer, hypoteser og referencer med hinanden. Jeg tænker på det som et dashboard eller et internt beskedsystem mellem projekterne. Det gør det muligt at arbejde med mange parallelle spor uden at miste forbindelserne mellem dem.

Jeg bruger desuden AI-værktøjer med adgang til mit lokale arbejdsmiljø. Det betyder, at modellerne kan hjælpe med at læse, organisere, analysere og opdatere materiale direkte i projektstrukturen. Alle ændringer bliver løbende versionsstyret, så udviklingen kan følges og dokumenteres.

Det er i virkeligheden et personligt forskningsmiljø bygget op omkring AI, ikke bare et chatvindue:

• Stemmediktering som idéfangst, også når jeg er væk fra skrivebordet
• Papers som selvstændige arbejdsrum, hvert med sin egen session
• Krydsreferencer mellem papers via et internt beskedsystem
• AI som sparringspartner, kritiker, litteratursøger, underviser og programmør
• Versionsstyring som hukommelse, så hvert skridt kan følges
• Protokoller og stage-gates som kvalitetssikring

Resultatet er en arbejdsform, der minder mindre om traditionel skrivning og mere om en løbende dialog mellem idéer, noter, eksperimenter og kritik. Målet er ikke at producere mange papers. Målet er at bygge et system, hvor gode idéer har større chance for at overleve, og dårlige idéer hurtigere bliver opdaget. På en måde er arbejdsprocessen lige så meget innovationen som selve teorierne, og det er nok også derfor, jeg kan arbejde på tværs af så mange områder uden at drukne i kompleksiteten.

Er jeg ikke bange for at stole for meget på AI?

Jo. Faktisk er det nok en af de ting, jeg tænker mest over.

Noget af det, jeg frygter mest, er ikke, at mine idéer viser sig at være forkerte. Det er en naturlig del af forskning. Det, jeg frygter, er de banale fejl. Den slags, AI er blevet kendt for: et paper, der ikke eksisterer, en reference, der er opfundet, en misforstået kilde, en simpel fejl, som burde være blevet opdaget. Ikke fordi de nødvendigvis ændrer konklusionen, men fordi de kan få folk til at afvise resten af arbejdet.

Derfor forsøger jeg bevidst at være mere skeptisk over for AI's svar, end jeg ville være over for mange menneskelige forklaringer. Jeg bruger flere modeller til at kontrollere hinanden. Jeg beder dem aktivt om at finde fejl. Jeg beder dem markere områder, hvor de er usikre. Jeg laver hostile reviews. Og jeg bruger eksterne værktøjer til at validere referencer og bibliografier.

Min tilgang er grundlæggende, at ingen model skal have lov til at stå alene. Når flere uafhængige modeller når frem til samme konklusion, stiger min tillid. Når de er uenige, undersøger jeg hvorfor. Det betyder ikke, at fejl forsvinder. Det betyder blot, at sandsynligheden for fejl bliver mindre.

Det vigtige er måske den vending: jeg stoler ikke blindt på modellerne. Jeg har bygget en proces, der forsøger at opdage, når de tager fejl. Paradoksalt nok er det netop derfor, jeg tør bruge AI så meget. Ikke fordi modellerne er perfekte, men fordi de gør det muligt at udføre en form for løbende kvalitetskontrol, som ville være meget vanskelig for en enkelt person at gennemføre alene.

Samtidig er AI blevet et vigtigt læringsværktøj for mig. Jeg arbejder ofte med områder, hvor jeg ikke har en formel faglig baggrund, og her bruger jeg modellerne til at forklare teorier, forskning og begreber på forskellige niveauer af kompleksitet. Nogle gange handler det om at oversætte teknisk litteratur til dansk. Andre gange om at få en kompliceret matematisk eller fysisk forklaring omsat til noget, jeg faktisk kan arbejde videre med. Jeg ser det ikke som en genvej, men som adgang til undervisning. Tidligere ville det have krævet måneder eller år at opbygge nok baggrundsviden til overhovedet at kunne stille de rigtige spørgsmål. I dag kan jeg hurtigere få overblik over et område og derefter bruge tiden på at undersøge, om idéerne holder.

Det betyder ikke, at jeg bliver ekspert i alt. Tværtimod. Jo mere jeg lærer, desto mere opmærksom bliver jeg på, hvor meget jeg ikke ved. Måske er det den vigtigste rolle, AI spiller i min forskning. Ikke at give svar, men at gøre det lettere at opdage mine egne misforståelser.

Den korte oplysning om værktøjer og metode står på Disclosure. Vil du se, hvad arbejdet er endt med, så ligger papers på forsiden.