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, og ofte kører flere af dem parallelt på én gang. 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 sende noter, observationer, hypoteser og referencer til hinanden, som beskeder mellem projekterne, med et fælles dashboard som det sted, der holder styr på hvad der er koordineret hvornår. Det gør det muligt at arbejde med mange parallelle spor uden at miste forbindelserne mellem dem.

Konkret bruger jeg Claude Code, et værktøj der har adgang til at læse og skrive filer direkte på min disk. Det gør en overraskende stor forskel i forhold til bare at bruge en model i browseren: modellen kan læse, organisere, analysere og opdatere materiale direkte i projektstrukturen, køre kode og ændre mange filer på én gang. Hver ændring bliver committet til git, det versionsstyringssystem man bruger til software, så hele historikken er bevaret: jeg kan se præcis hvad der blev ændret hvornår, sammenligne versioner, og rulle tilbage hvis noget går galt. På den måde fungerer git som projektets hukommelse.

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

Protokoller, og hvorfor man bliver ved med at minde om dem

Det enkeltstående værktøj der har gjort mest for kvaliteten, ud over at lade modeller tjekke hinanden, er protokoller. En protokol er en fast procedure, en tjekliste, som modellen skal køre for en bestemt opgave. I stedet for at håbe på at den husker at gøre tingene rigtigt, har jeg skrevet ned, hvad der skal ske, og beder den følge det.

Nogle af mine protokoller, i hverdagssprog: et tjek der gennemgår en tekst for typiske AI-fejl og for interne noter der ikke må slippe ud, før noget bliver offentligt; et hostile-review-trin før et paper sendes af sted; et trin der verificerer at hver eneste kildehenvisning faktisk findes; en regel om at versionsstemple filer, så jeg altid kan se hvilken version jeg kigger på; og en smoke-test af et lille eksempel, før jeg sætter et langt og dyrt kørsel i gang.

Her er fidusen, sagt lige ud: du kan godt læne dig op ad modellens hukommelse, men du skal stadig minde den om at bruge protokollerne. Du kan ikke regne med at de bliver fulgt hver gang. Men en protokol der bliver fulgt det meste af tiden, fanger stadig størstedelen af det, en manglende protokol ville have lukket igennem. Så fidusen er enkel: hav protokollerne, lad være med blindt at stole på at de bliver fulgt, og bliv ved med at minde om dem. Det er stadig langt bedre end ikke at have dem.

Skills: specialiserede værktøjer jeg har bygget

Et trin videre end protokollerne er det jeg kalder skills: små, specialiserede værktøjer jeg har bygget, som modellen kan kalde til en bestemt slags opgave. Hver skill pakker en fast metode sammen med noget domæneviden, så jeg ikke skal forklare den forfra hver gang.

Et konkret eksempel er min health-check-skill, der laver et systematisk teknisk eftersyn af et softwareprojekt. Den gennemgår blandt andet arkitektur og anti-mønstre, kodekvalitet og vedligeholdbarhed, sikkerhed, afhængigheder og drift, og, vigtigt, den juridiske og regulatoriske side tilpasset projektets domæne: fx MDR for medicinsk udstyr, EU's AI-forordning for AI-systemer, eller GDPR for persondata. Og så gør den to ting, de fleste eftersyn springer over: en Murphys-lov-stresstest af hvad der faktisk kan gå galt, og en pre-mortem af hvad der stadig ville fejle, selv efter man har rettet alt det åbenlyse.

Jeg har en håndfuld af den slags skills til tilbagevendende opgaver, fra redaktionelle tjek af tekster til friktionsanalyse af brugerflader. De er en måde at gøre min egen erfaring til noget, modellen kan udføre konsekvent, så det ikke afhænger af at jeg husker hvert trin hver gang.

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. Selve forskningen laver jeg med Claude, og så sætter jeg modeller fra andre leverandører, ChatGPT og Gemini, til at kontrollere den. Jeg beder dem aktivt finde fejl, markere hvor de er usikre, og i det jeg kalder en hostile review finde så mange huller i argumentationen som muligt og skyde kilderne ned. 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. Selve metoderne, hvordan man bruger AI godt og ikke bare hvordan jeg gør, er samlet i AI er motoren, du er piloten.