Fordeler og ulemper ved KI-assistert akademisk forskning: Fra jakten på effektivitet til stringent sannhetssøken

1. juli 2025

Kunstig intelligens (KI) forandrer landskapet for akademisk forskning i et forbløffende tempo. Fra idéutvikling til dataproduksjon, fra skriving til publisering i tidsskrifter, trenger KI inn i hvert ledd av det akademiske økosystemet (Van Quaquebeke et al., 2025). I denne artikkelen, publisert i *The Leadership Quarterly*, påpeker Van Quaquebeke, Tonidandel og Banks at vi allerede befinner oss i en tid der KI deltar dypt i kunnskapsproduksjonen. Det egentlige spørsmålet er ikke lenger «Bør vi bruke KI?», men snarere «Hvordan kan vi bruke den prinsipielt og reflektert?»

En inspirasjonspartner eller en drivkraft for homogenisering? Hvordan KI omformer forskningsdesign

Generativ KI er i ferd med å bli en inkubator for akademisk inspirasjon. Forskere bruker store språkmodeller (LLM-er) til idémyldring, til å formulere forskningsspørsmål og til og med til å finne oversette tverrfaglige temaer (Bianchini et al., 2022). Empiriske studier viser til og med at forskningsidéer generert av KI overgår idéene til 100 NLP-eksperter når det gjelder nyhetsverdi (Si et al., 2024). Dessuten er det ikke bare nybegynnere som drar nytte av dette; erfarne forskere kan også bryte med fastlåste tankemønstre ved å samhandle med KI gjennom motprompting (counter-prompting). KI kan til og med hjelpe forskere med å sjekke om lignende prosjekter allerede er publisert, og dermed styrke originaliteten (Skarlinski et al., 2025).

Hvis mange forskere bruker de samme KI-modellene, har imidlertid denne bekvemmeligheten en pris. KI har en tendens til å generere «gjennomsnittlige» svar, noe som snevrer inn rommet for virkelig banebrytende spørsmål og skaper det som kalles en «algoritmisk monokultur» (Holzner et al., 2025). Samtidig kan verktøy som predikerer populære temaer, friste forskere til å velge temaer opportunistisk og dermed gå i Goodharts lov-fellen: når et mål blir et mål i seg selv, slutter det å være et godt mål.

Forfatterne foreslår derfor på den ene siden å bruke KI til å vekke kreativitet, og på den andre siden bevisst å tilføre heterogene ressurser og stille kontraintuitive spørsmål, som «Hvilke perspektiver har systematisk blitt oversett?» eller «Hvilke implisitte antakelser finnes i dette feltet?» (Lee & Chung, 2024). I tillegg foreslås konkrete strategier, for eksempel å tenke individuelt først, deretter samhandle med KI, og til slutt diskutere de genererte idéene i teamet. Denne iterative prosessen, «offline, KI, team», kan effektivt motvirke kollektiv konvergens (Paulus & Kenworthy, 2019).

En ny æra for litteraturforståelse: Effektivitet, dybde og skjevheter side om side

KIs potensial i litteraturgjennomganger er også bemerkelsesverdig. En studie viser at KI i løpet av bare to dager klarte å reprodusere og oppdatere kjerneinnholdet i 12 systematiske Cochrane-oversikter, tilsvarende 12 års manuelt arbeid (Cao et al., 2025). Forskere kan nå bruke verktøy som AlphaXiv eller NotebookLM til å gjennomføre «samtalebasert analyse» av artikler, eller generere visuelle logiske kart for å avdekke skjulte sammenhenger mellom teoretiske hypoteser. KI kan også bidra til å håndtere «jingle-jangle»-problemet, altså at samme begrep viser til ulike konsepter eller at ulike begreper viser til samme konsept, noe som er særlig framtredende i strukturelt komplekse felt som ledelsesforskning (Banks et al., 2018; Cronin et al., 2022).

KI-drevne systemer for litteraturgjennomgang medfører imidlertid betydelige risikoer. Treningskorpusene deres utelater ofte litteratur bak betalingsmurer, noe som kan føre til at viktige stemmer faller ut. En storskala analyse fant at referanser generert av GPT-4o favoriserer korte titler, nylig publiserte artikler og tidsskrifter med høy impact, og dermed forsterker Matteus-effekten (Algaba et al., 2025). En dypere risiko er at KI kan flette filosofisk motstridende retninger sammen til en «glatt» fortelling og dermed svekke den teoretiske spenningen i forskningen. Forfatterne minner oss om at KI kan fungere som en utmerket «assistent», men aldri må bli «dommer» over konklusjonene i en gjennomgang (Malik & Terzidis, 2025).

Fra inspirasjon til algoritmisk konvergens

Forskningsdesign: KI kan tegne kartet, men kan ikke skrive reisen

KI kan ikke bare bidra til å generere idéer, men også delta direkte i forskningsdesign, inkludert manipulering av variabler, utvikling av spørreskjemaer og optimalisering av oversettelser. Sammenlignet med den tradisjonelle Brislin-metoden kan KI-assistert oversettelse (f.eks. DeepL) bedre ivareta semantiske nyanser og samtidig håndtere kulturelle forskjeller (Brislin, 1970). KI kan også trekke på et stort korpus av metodelitteratur for å hjelpe med å planlegge statistiske strategier eller velge kontrollvariabler (Van Quaquebeke et al., 2025). KIs evne til å simulere utvalg blir stadig mer moden, slik at forskere kan anslå potensielle effekter før feltarbeidet gjennomføres (Argyle et al., 2023; Ashokkumar et al., 2024). Autentisiteten til disse «virtuelle utvalgene» er likevel fortsatt et problem. Eksperimenter designet av KI kan være teoretisk perfekte, men overse kompleksiteten i virkelige omgivelser (Mei et al., 2024).

Den mest grunnleggende risikoen er at forskere kan miste kontrollen over den metodiske prosessen ved å overlate designbeslutninger til KI, og dermed fjerne seg fra evnen til å «forstå virkeligheten på egen hånd». Forfatterne understreker derfor at forslag fra KI bare bør fungere som utgangspunkt, ikke som endelige beslutninger. Vurderingen av forskningsmetoder må ivaretas av de menneskelige forskerne selv (Resnik & Hosseini, 2025).

Datagenerering: Innovative forsøksdeltakere eller forurensede datakilder?

KI genererer nå ikke bare virtuelle data, men kan også opptre som forsøksdeltakere («KI-medsammensvorne», AI confederates) og simulere komplekse sosiale samhandlingssituasjoner. KI kan for eksempel spille rollen som en «dårlig lagkamerat» i eksperimenter, respondere fleksibelt på konteksten og gå utover begrensningene i statiske manus (Krafft et al., 2016). I tillegg kan KI allerede samle inn samhandlingsdata fra digitale plattformer som Slack og Zoom, eller gjennomføre storskala digitale etnografier. Noen har til og med brukt KI til å delta i diskusjoner i Reddit-fellesskap under fiktive identiteter (uten samtykke) for å teste overbevisningsevne. Alt dette vekker imidlertid etiske varselklokker.

Når deltakere mistenker at motparten ikke er et menneske, vil autentisiteten til forskningsdataene bli trukket i tvil. Enda mer alvorlig er det at deltakerne selv kan bruke KI til å hjelpe seg med å svare, og dermed «forurense» dataene i motsatt retning. Forfatterne tar derfor til orde for at enhver bruk av KI i eksperimenter må opplyses fullt ut og transparent. KI-genererte data bør bare behandles som «teoretiske data», ikke som en erstatning for empiriske undersøkelser (Von Krogh et al., 2023).

KI: en assistent, ikke en dommer

Dataanalyse: Åpner døren til kompetanse eller tilslører forståelsen?

KI har senket terskelen for avansert statistisk analyse, med særlig stor effekt innen tekstanalyse og datavisualisering (Feuerriegel et al., 2025). Brukere kan til og med laste opp tabeller, bilder eller SPSS-utskrifter og la KI oppdage uteliggere og forklare betydningen. Dagens KI er imidlertid altfor «selvsikker», noe som kan føre til at nybegynnere overser de underliggende forutsetningene. Noen ganger gjør KI «logisk korrekte» feil: mønstergjenkjenningen kan være teknisk presis, men kontekstuelt feil (Wenzel & Van Quaquebeke, 2018). Analyseresultater krever derfor fortsatt at menneskelige forskere kryssverifiserer dem ved hjelp av teoretiske og metodiske rammeverk.

Skriving og uttrykk: Et verktøy for akselerasjon eller en risiko for å miste stemmen?

KI-assistert skriving kan effektivt dempe «angsten for det blanke arket» og heve kvaliteten på det som produseres. En studie viste at deltakernes skrivetid ble redusert med 40 % og kvaliteten økte med 18 % med hjelp fra ChatGPT (Noy & Zhang, 2023). KI kan også hjelpe forskere som ikke har engelsk som morsmål, med å polere grammatikk og justere tone, slik at det blir lettere å oppfylle kravene til akademisk publisering (Van Quaquebeke et al., 2025).

Problemet er imidlertid at KI-generert tekst har en tendens til å bli stilistisk homogenisert og tonemessig «blek». Enda mer alvorlig er det at KI kan sitere falske eller oppdiktede referanser, noe som er særlig farlig ved skriving av litteraturgjennomganger (Letrud & Hernes, 2019). I tillegg kan KI, samtidig som den forbedrer individuelle skriveferdigheter, redusere mulighetene for samskriving og dermed svekke kommunikasjon og kritisk meningsutveksling i det akademiske fellesskapet (Hoffmann et al., 2024). I lys av dette presenterer forfatterne sitt eget syn: kjernen i akademisk skriving ligger i å «bevare forfatterens stemme», som er selve kjernen i den vitenskapelige tradisjonen, mer enn i strukturell optimalisering.

Publisering og formidling: Fra lukkede prosesser til «levende artikler»

KI omformer også den redaksjonelle prosessen i tidsskrifter. Fra innledende manussiling og matching av fagfeller til generering av redaksjonelle kommentarer og sporing av revisjoner kan KI bidra effektivt (Checco et al., 2021). Den kan til og med hjelpe forfattere med å utforme svarbrev ved å samle tilbakemeldinger fra flere vurderingsrunder, noe som gjør kommunikasjonen mer effektiv (Van Quaquebeke & Gerpott, 2024).

Samtidig kan KI imidlertid reprodusere historiske skjevheter og undertrykke nyskapende, men ikke-dominerende innsendinger (Pataranutaporn et al., 2025). En KI-optimalisert «god artikkel» kan være overtilpasset gjeldende måltall snarere enn et reelt kunnskapsgjennombrudd. Enda farligere er det at vi uten å merke det kan begynne å «skrive for KI» i stedet for å skrive for vitenskapen (Naddaf, 2025).

Tenk dypere, ikke raskere

Konklusjon: Bruk KI til å redusere byrder og forsterke refleksjon; bruk KI til å styrke, ikke erstatte, dømmekraft

Avslutningsvis fastslår forfatterne at KI kan komme til å overta nesten alle akademiske prosesser, men at den virkelige faren ligger i at forskere frivillig tilpasser seg KIs logikk og mister fantasien, mer enn i at KI erstatter mennesker. Vi må derfor bruke KI til å spare tid for å kunne «tenke dypere», ikke bare for å «reprodusere raskere» (Messeri & Crockett, 2024). Menneskelige forskere har fortsatt et uerstattelig oppdrag: å stille verdifulle spørsmål og bevare en kritisk ånd og en selvstendig stemme. KI kan øke effektiviteten, men kunnskapens dybde og mening må fortsatt skapes av oss.

Referanser

Algaba, A., Holst, V., Tori, F., Mobini, M., Verbeken, B., Wenmackers, S., & Ginis, V. (2025). How deep do large language models internalize scientific literature and citation practices? https://doi.org/10.48550/arXiv.2504.02767

Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., & Wingate, D. (2023). Out of one, many: Using language models to simulate human samples. *Political Analysis, 31*(3), 337–351. https://doi.org/10.1017/pan.2023.2

Ashokkumar, A., Hewitt, L., Ghezae, I., & Willer, R. (2024). Predicting results of social science experiments using large language models. https://docsend.com/view/ity6yf2dansesucf

Banks, G. C., Gooty, J., Ross, R. L., Williams, C. E., & Harrington, N. T. (2018). Construct redundancy in leader behaviors: A review and agenda for the future. *The Leadership Quarterly*, *29*(1), 236–251. https://doi.org/10.1016/j.leaqua.2017.12.005

Bianchini, S., Müller, M., & Pelletier, P. (2022). Artificial intelligence in science: An emerging general method of invention. *Research Policy*, *51*(10), 104604. https://doi.org/10.1016/j.respol.2022.104604

Brislin, R. W. (1970). Back‑translation for cross‑cultural research. *Journal of Cross‑Cultural Psychology, 1*(3), 185–216. https://doi.org/10.1177/135910457000100301

Cao, C., Arora, R., Cento, P., Manta, K., Farahani, E., Cecere, M., Selemon, A., Sang, J., Gong, L. X., Kloosterman, R., Jiang, S., Saleh, R., Margalik, D., Lin, J., Jomy, J., Xie, J., Chen, D., Gorla, J., Lee, S., & Bobrovitz, N. (2025). Automation of systematic reviews with large language models. https://doi.org/10.1101/2025.06.13.25329541

Checco, A., Bracciale, L., Loreti, P., Pinfield, S., & Bianchi, G. (2021). AI-assisted peer review. *Humanities & Social Sciences Communications*, *8*(1), 1–11. https://doi.org/10.1057/s41599-020-00703-8

Cronin, M. A., Stouten, J., & van Knippenberg, D. (2022). Why Theory on “How Theory Fits Together” Benefits Management Scholarship. *The Academy of Management Review*, *47*(2), 333–337. https://doi.org/10.5465/amr.2021.0517

Feuerriegel, S., Maarouf, A., Bär, D., Geissler, D., Schweisthal, J., Pröllochs, N., ... & Van Bavel, J. J. (2025). Using natural language processing to analyse text data in behavioural science. *Nature Reviews Psychology*, *4*(2), 96-111.

Hoffmann, M., Boysel, S., Nagle, F., Peng, S., & Xu, K. (2024). *Generative AI and the Nature of Work* (No. 11479). CESifo Working Paper.

Hoffmann, S., Lasarov, W., & Dwivedi, Y. K. (2024). AI-empowered scale development: Testing the potential of ChatGPT. *Technological Forecasting and Social Change*, *205*, 123488.

Holzner, N., Maier, S., & Feuerriegel, S. (2025). Generative AI and creativity: A systematic literature review and meta‑analysis (Version 1). https://doi.org/10.48550/ARXIV.2505.17241

Krafft, P. M., Macy, M., & Pentland, A. (2016). Bots as Virtual Confederates: Design and Ethics. *arXiv.Org*. https://doi.org/10.48550/arxiv.1611.00447

Lee, B. C., & Chung, J. (2024). An empirical investigation of the impact of ChatGPT on creativity. *Nature Human Behaviour*, *8*(10), 1906–1914. https://doi.org/10.1038/s41562-024-01953-1

Letrud, K., & Hernes, S. (2019). Affirmative citation bias in scientific myth debunking: A three-in-one case study. *PLoS One*, *14*(9), e0222213.

Malik, F. S., & Terzidis, O. (2025). A hybrid framework for creating artificial intelligence‑augmented systematic literature reviews. *Management Review Quarterly*. Advance online publication. https://doi.org/10.1007/s11301-025-00522-8

Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. *Nature (London)*, *627*(8002), 49–58. https://doi.org/10.1038/s41586-024-07146-0

Naddaf, M. (2025). AI is transforming peer review, and many scientists are worried. *Nature (London)*, *639*(8056), 852–854. https://doi.org/10.1038/d41586-025-00894-7

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. *Science (American Association for the Advancement of Science)*, *381*(6654), 187–192. https://doi.org/10.1126/science.adh2586

Qiaozhu Mei, Xie, Y., Yuan, W., & Jackson, M. O. (2024). A Turing Test: Are AI Chatbots Behaviorally Similar to Humans? *arXiv.Org*.

Pataranutaporn, P., Powdthavee, N., Achiwaranguprok, C., & Maes, P. (2025). *Can AI Solve the Peer Review Crisis? A Large Scale Cross Model Experiment of LLMs’ Performance and Biases in Evaluating over 1000 Economics Papers* (No. arXiv:2502.00070). arXiv. https://doi.org/10.48550/arXiv.2502.00070

Paulus, P. B., Kenworthy, J. B., & Nijstad, B. A. (2019). Effective Brainstorming. In *The Oxford Handbook of Group Creativity and Innovation*. Oxford University Press. https://doi.org/10.1093/oxfordhb/9780190648077.013.17

Resnik, D. B., & Hosseini, M. (2025). The ethics of using artificial intelligence in scientific research: new guidance needed for a new tool. *Ai and Ethics (Online)*, *5*(2), 1499–1521. https://doi.org/10.1007/s43681-024-00493-8

Si, C., Yang, D., & Hashimoto, T. (2024). Can LLMs generate novel research ideas? A large‑scale human study with 100+ NLP researchers (Version 1). https://doi.org/10.48550/ARXIV.2409.04109

Skarlinski, M., Nadolski, T., Braza, J., Storni, R., Caldas, M., Mitchener, L., Hinks, M., White, A., & Rodriques, S. (2025). Superintelligent AI agents for scientific discovery. FutureHouse. https://www.futurehouse.org/research-announcements/launching-futurehouse-platform-ai-agents

Van Quaquebeke, N., & Gerpott, F. H. (2024). Artificial Intelligence (AI) and Workplace Communication: Promises, Perils, and Recommended Policy. *Journal of Leadership & Organizational Studies*, *31*(4), 375–381. https://doi.org/10.1177/15480518241289644

Van Quaquebeke, N., Tonidandel, S., & Banks, G. C. (2025). Beyond efficiency: How artificial intelligence (AI) will reshape scientific inquiry and the publication process. The Leadership Quarterly, 36, 101895. https://doi.org/10.1016/j.leaqua.2025.101895

von Krogh, G., Roberson, Q., & Gruber, M. (2023). Recognizing and Utilizing Novel Research Opportunities with Artificial Intelligence. *Academy of Management Journal*, *66*(2), 367–373. https://doi.org/10.5465/amj.2023.4002

Wenzel, R., & Van Quaquebeke, N. (2018). The Double-Edged Sword of Big Data in Organizational and Management Research: A Review of Opportunities and Risks. *Organizational Research Methods*, *21*(3), 548–591. https://doi.org/10.1177/1094428117718627