Generativ KI og kvalitativ forskning: når effektivitetsfortellingen møter tolkningens grenser
Yuan Ren
desember 2025
*Kontrasten mellom menneskelig tolkningsarbeid og programkode speiler spenningen mellom kvalitativ meningsskaping og generativ KIs løfte om effektivitet*
Generativ KI brukes i stadig større grad i kvalitativ forskning, men løftet om effektivitet reiser grunnleggende spørsmål om tolkning, meningsskaping og forskerens rolle.
Denne artikkelen bygger på den faglige presentasjonen «Interpreting Qualitative Data with AI: Pitfalls and Potential» av Duc Nguyen og Catherine Welch (26. november 2025). Målet er å undersøke systematisk de endringene, utfordringene og refleksjonene som generativ kunstig intelligens utløser på feltet kvalitativ forskning.
Det teknologiske landskapet: revolusjonsløfter og begrepsforvirring under effektivitetsfortellingen
Vi står midt i en revolusjon drevet av generativ KI, med et kjerneløfte om å oppnå dyp analyse i et tempo uten sidestykke. Dagens teknologiske økosystem tegner et mangfoldig og dynamisk bilde: tradisjonelle leverandører av datastøttet kvalitativ dataanalyse (CAQDAS) som ATLAS.ti, MaxQDA og NVivo tilfører verktøyene sine «intelligens» ved å integrere teknologi fra OpenAI. Samtidig har en bølge av KI-native analyseplattformer som CoLoop, QInsights og AILYZE dukket opp som nye aktører. I tillegg utgjør enkeltforskere som utforsker skreddersydde GPT-er eller bruker generelle store språkmodeller (LLM-er) som ChatGPT, Copilot og Gemini direkte, en annen viktig del av dette økosystemet. Det er verdt å merke seg at forsøk på automatisert analyse basert på maskinlæring har eksistert lenge (for eksempel Qualrus i 2002), men dagens bølge med generativ KI i sentrum overgår de tidligere både i omfang og ambisjon.
Bak denne begeistringen ligger en utbredt entusiasme blant forskere, først og fremst drevet av effektivitet. Entusiasmen retter seg mot automatisert tematisk koding og oppskalering av kvalitative forskningsdesign, og ledes ofte an av informatikere eller kvantitative forskere. Men en grunnleggende begrepsforvirring lurer i bakgrunnen: å sette likhetstegn mellom tekstanalyse og kvalitativ analyse. Enkelte studier (Quevedo et al., 2025) foreslår for eksempel å bruke LLM-baserte algoritmer til effektivt å utforske og analysere store datasett fra nett, samtidig som man bevarer dyp kontakt med dataene og opprettholder rikdommen i den kvalitative analysen. Denne formuleringen gjenspeiler en optimistisk forestilling som kobler storskala automatisert behandling direkte til dybden og rikdommen kvalitativ forskning verdsetter. Forvirringen speiles også i akademisk publisering, der tidsskriftredaktører har foreslått idealtypiske roller for generativ KI som forskningsassistent, dataanalytiker eller til og med medforfatter (Glaser & Gehman, 2024), og argumenterer for at det å omfavne KI er blitt nødvendig for å opprettholde fagets relevans og fremme kunnskap (Andrews et al., 2026).
En analyse av vesenet: den statistiske modellens tekniske virkelighet og iboende svakheter
For å forstå potensialet og begrensningene ved generativ KI må man først avklare dens tekniske natur. Generativ KI blandes ofte sammen med andre KI-teknologier. Som Bender og Hanna (2025) påpeker, er «KI» i stor grad et markedsføringsbegrep. Generative KI-verktøy representert ved ChatGPT og Gemini bygger på store språkmodeller, en bestemt klasse statistiske språkmodeller som forutsier neste token. Trent på enorme datamengder kan de generere syntetisk innhold som ligner menneskelig kreativitet, men resultatene bør ikke likestilles med menneskelignende resonnering eller intelligens. Disse resultatene bør forstås som produktet av en avansert statistisk mønstergjenkjenning som gjengir og rekombinerer innkodede mønstre. Avgjørende er det at den statistiske modellen ikke lagrer noen ordrekker eller svar, og «resultatene» er derfor ikke «funn», men stikkprøver trukket fra en sannsynlighetsfordeling. Det betyr at disse modellene ikke forstår tekst og ikke kan utføre aktiviteter som krever forståelse, slik som å tolke, analysere, hente ut mening eller identifisere temaer.
Å skille markedsføringspåstander fra forskningens virkelighet avdekker noen iboende problemer ved denne statistiske modellen: utilstrekkelig forklarbarhet, innebygde skjevheter og manglende evne til å oppnå pålitelighet og reproduserbarhet. Avgjørende er det at dette er trekk ved modellen, ikke feil. Senere teknologiske utviklinger, som søkeforsterket generering (RAG), agenter og verdensmodeller, kan ikke løse disse problemene i bunn og grunn, fordi slike modeller ikke er laget for å fastslå fakta. Som Thornton (2023) skriver, trenger et resultat ikke å «være riktig», det trenger bare å «se riktig ut». Dette forklarer hvorfor utviklere i OpenAI advarte om at man må være svært varsom med å bruke resultater fra språkmodeller, og hvorfor Googles toppsjef Sundar Pichai likeledes advarte mot blind tillit til KI, som lett gjør feil. Kjernen i forholdet mellom forskeren, den prediktive statistiske språkmodellen og de empiriske dataene er omtrent at forskeren henter syntetiske tekstresultater via modellen gjennom prompter, snarere enn å gå i direkte dialog med analyseobjektet, altså de empiriske dataene.
Fallgruver i praksis: effektivitetsillusjonen, orakeleffekten og verifiseringssløyfen
I praksis dreier bruken av generativ KI i kvalitativ analyse seg hovedsakelig om to bruksområder: automatisering og forsterkning. Begge har imidlertid betydelige fallgruver. Automatiserte resultater antas ofte å være nøytrale og objektive på grunn av sitt teknologiske opphav; teksten de genererer i akademisk form, tillegges lett en uberettiget autoritet, noe som fører til «orakeleffekten», altså tendensen til å tilskrive LLM-er en intelligens på høyde med eller til og med over menneskets. Vi antropomorfiserer chatboter ubevisst, antar en kommunikativ intensjon bak resultatene deres, og oppfatter dem som dyktige forskningsassistenter, kolleger eller til og med venner. Hver interaksjon produserer en stadig voksende mengde syntetisk innhold som må valideres, og gjør ethvert løfte om effektivitetsgevinst til en illusjon. Stilt overfor rene mengder syntetiske resultater blir også skalerbarhet i forskningen uoppnåelig.
Dagens verktøy har klare grenser for hva de kan. NVivo 15s AI Assist tilbyr for eksempel i hovedsak tekstsammendrag og automatiserte forslag til underkoder. Det er likevel avgjørende å merke seg at dette kun er deskriptive koder, ikke tolkende eller analytiske. Som kursholderen Ben Meehan uttrykte det, har den ikke kommet inn i analyse på høyt nivå. Andre ledende CAQDAS-leverandører er like åpenhjertige. MAXQDA opplyser at resultatene fra KI-funksjonene er ment som tolkningsstøtte, ikke som en kilde til sannhet. ATLAS.ti advarer brukerne direkte om at KI-koding kan gi skjevheter, hallusinasjoner og andre uønskede resultater.
Testing av dedikerte «Qual-AI»-plattformer avdekker problemene ytterligere. Tematisk analyse av én enkelt intervjutranskripsjon gir ofte brede, overflatiske og deskriptive temaer uten dybde og innsikt. I samtalebasert analyse har modellen, når den får et konkret spørsmål, en tendens til å produsere enda et vagt sammendrag snarere enn et presist svar. For å vurdere om svaret er relevant og korrekt, må forskeren allerede kjenne dataene inngående og bruke ekstra innsats på å verifisere resultatet. Paradoksalt nok bringer samhandlingen med chatboten ikke forskeren nærmere dataene, men skyter inn et lag av syntetisk tekst som stadig må tolkes og verifiseres, og kan til slutt fange forskeren i en endeløs sløyfe av validering av modellresultater, fjernt fra det egentlige analyseobjektet.
Tilbakevending og refleksjon: et gjensyn med den kvalitative forskningens sjel midt i den teknologiske bølgen
Det virkelige potensialet i dette teknologiske øyeblikket ligger kanskje ikke i å virkeliggjøre utopien om automatisert analyse, men i å tvinge forskningsmiljøet til å gjenoppdage og forankre kvalitativ forsknings tolkende natur. Kvalitativ forskning er en prosess med meningsskaping, ikke informasjonsbehandling. Den krever at forskeren er relasjonell, kroppslig til stede, kontekstsensitiv, kulturelt eller tidsmessig forankret, etisk bevisst, refleksiv, erfaringsnær, empatisk, kritisk selvgranskende, posisjonert og engasjert. Disse menneskelige egenskapene utgjør den kvalitative analysens ureduserbare kjerne.
Dette standpunktet får gjenklang hos metodeforskere. Grunnleggerne av refleksiv tematisk analyse har for eksempel uttrykkelig sagt at metoden deres er mer enn merking av data, og trekker dermed en klar grense mot tilnærminger som reduserer analyse til automatisert generering av merkelapper. Utfordringen fra generativ KI blir dermed et viktig øyeblikk for refleksjon: Skal vi la en teknologi som i bunn og grunn er statistisk mønstergjenkjenning, definere på nytt vårt arbeid med å forstå kompleksiteten i menneskelig erfaring? Svaret ligger i å gjøre kloke skiller og valg. Teknologi kan tjene som hjelpemiddel for visse administrative oppgaver, men må aldri erstatte forskerens kjernerolle som tolkende subjekt. Å dyrke kritisk KI-kompetanse, forstå teknologiens grunnlag og begrensninger, og holde fast ved forskningsetikken hele veien, særlig når det gjelder datakonfidensialitet, er viktigere enn å omfavne effektivitet i blinde. Til syvende og sist kan arven etter dette teknologiske sjokket være at det hjelper oss å slå fast med større tyngde at dybden, den humanistiske kvaliteten og sjelen i kvalitativ forskning er dens mest verdifulle aktiva og grunnen til at den ikke lar seg erstatte.
Lenke til videoen av presentasjonen: https://www.youtube.com/live/88DFg13x7eg?si=6n4kPsp3hVmyjN3A
References
Bender, E. M. & Hanna, A. (2025). The AI Con: How to Fight Big Tech's Hype and Create the Future We Want.
Garcia Quevedo, D., Glaser, A., & Verzat, C. (2025). Enhancing Theorization Using Artificial Intelligence: Leveraging Large Language Models for Qualitative Analysis of Online Data. *Organizational Research Methods, 29*(1), 92–112. https://doi.org/10.1177/10944281251339144
Glaser, V. L., & Gehman, J. (2023). Chatty actors: generative AI and the reassembly of agency in qualitative research. *Journal of Management Inquiry*.
Thornton I. (2023). A special delivery by a fork: Where does artificial intelligence come from? *New Directions for Evaluation*, 23–32. https://doi.org/10.1002/ev.20560
Kommentarer