Generativ KI kan bringe optimeringsmodeller inn i beslutninger i førstelinjen

Image: "Godorf Station at Dusk, May 2018" by Martin Falbisoner (CC BY-SA 4.0) via Wikimedia Commons, recoloured.
Hvorfor når matematisk optimering, som er så kraftfull i teorien, så få reelle beslutninger? Simchi-Levi, Dai, Menache og Wu (Operations Research, 2026) argumenterer for at generativ KI kan tette dette gapet. De foreslår et 4I-rammeverk, Insight (innsikt), Interpretability (tolkbarhet), Interactivity (interaktivitet) og Improvisation (improvisasjon), der språkmodeller gjør optimering tilgjengelig mens løsere sikrer at beslutningene forblir stringente.
En arbeidsdeling mellom språkmodeller og løsere
Optimeringsmodeller brukes allerede til å planlegge togruter, legge opp leveranser og dimensjonere lagre, men de som tar mange av de daglige operative valgene, er sjelden borti dem. Å bygge en modell, lese resultatene og endre den når forholdene skifter, krever fortsatt spesialkompetanse. I en ny artikkel i Operations Research spør David Simchi-Levi (MIT), Tinglong Dai (Johns Hopkins University), Ishai Menache (Microsoft) og Michelle Xiao Wu (Purdue University) om generativ KI kan senke denne terskelen, og under hvilke betingelser den bør gjøre det.
Artikkelen er konseptuell snarere enn empirisk: den rapporterer ikke noe nytt datasett eller eksperiment. I stedet legger forfatterne fram designprinsipper for å kombinere generativ KI med matematisk optimering, som de organiserer i 4I-rammeverket. Innsikt innebærer å gi brukerne et pålitelig og oppdatert bilde av virksomheten. Tolkbarhet innebærer å forklare hva en modell forutsetter, og hvilke avveininger som driver anbefalingene. Interaktivitet innebærer å la brukerne stille hva-hvis-spørsmål i dialogform. Improvisasjon innebærer å støtte modelloppdateringer og ny optimering når hendelser endrer situasjonen.
Kjerneargumentet handler om komplementaritet. Ifølge Simchi-Levi, Dai, Menache og Wu (Operations Research, 2026) senker generativ KI terskelen for å formulere og tolke modeller, mens optimeringsmodellen forblir den komponenten som pålitelig håndhever forretningsmål, regler og harde restriksjoner. I dette perspektivet fungerer språkmodellen som grensesnitt og oversetter, og beslutningsmotoren er optimeringsmodellen. Forfatterne ser for seg at beslutningstakere i førstelinjen kan basere valgene sine på stringent, iterativ analyse i stedet for på intuisjon alene.
Forfatterne tar også opp risikoene. De drøfter hallusinasjoner i språkmodeller og faren for at brukere blir overdrevent avhengige av resultater de ikke kan kontrollere, og de skisserer forskningsretninger for å integrere de to teknologiene på en ansvarlig måte. Fordi teksten er en rammeverksartikkel, er påstandene om gevinster hypoteser som skal testes, ikke målte effekter; leserne bør behandle 4I-prinsippene som en forskningsagenda og en designsjekkliste, ikke som belegg for at slike systemer allerede fungerer i stor skala.
Hvorfor det er viktig: For forskere innen operasjonsanalyse, markedsanalyse og ledelsesvitenskap gir artikkelen en tydelig måte å posisjonere arbeid om språkmodeller som grensesnitt mot analytiske verktøy: la formelle modeller ha ansvaret for gjennomførbarhet og restriksjoner, og vurder språklaget ut fra innsikt, forklaring, dialog og tilpasningsevne. Den peker også på åpne empiriske spørsmål som atferds- og organisasjonsforskere er godt rustet til å studere, for eksempel når ledere stoler på forklaringer i dialogform, hvordan overdreven avhengighet oppstår, og om enklere tilgang til optimering faktisk forbedrer beslutninger i førstelinjen.
Simchi-Levi, D., Dai, T., Menache, I., & Wu, M. X. (2026). Democratizing optimization with generative AI. *Operations Research*. https://doi.org/10.1287/opre.2025.2412. Uavhengig redaksjonelt sammendrag av tredjepartsforskning.





Kommentarer