KI i forskning: Hva generativ KI gjør med selve arbeidet

Image: "CM Deep Ellum 12122018-28 (1)" by Thecommondesk (CC BY-SA 4.0) via Wikimedia Commons.jpg), recoloured.

Bilde: «Programming code» av Martin Vorel (CC BY-SA 4.0) via [Wikimedia Commons](https://commons.wikimedia.org/wiki/File:Programming_code.jpg), gjenfarget.

Velkommen til ukens oversikt over hvordan kunstig intelligens omformer forskningen, hentet fra Nature, Science, PNAS og ledende forretnings- og samfunnsvitenskapelige tidsskrifter.

Generativ KI endrer hva som bygges, ikke bare hvor raskt

Produktivitetsrammeverket har dominert den generative KI-litteraturen: gjør verktøyet folk raskere? To nye studier presser seg forbi det. I [Strategic Management Journal](https://doi.org/10.1002/smj.70118) studerer forskere innovasjonsutfall på produktnivå i programvare og argumenterer for at generativ KI endrer innovasjonens retning, ved å flytte utvikleraktivitet bort fra generasjonsinnovasjon (inkrementell forbedring av eksisterende produkter) mot original innovasjon som er ny for markedet. Viktig er det at forfatterne er nøye med hva dette betyr og ikke betyr: original betyr ikke automatisk mer nyskapende enn det som kom før. Verktøyet senker kostnaden ved å starte noe fra bunnen av, og porteføljen vippes deretter.

Et komplementært funn kommer fra samarbeid snarere enn produktstrategi. I [Information Systems Research](https://doi.org/10.1287/isre.2024.1361) bruker en studie av GitHub Copilot Gits særegne Copilot-bruksdata til å undersøke hva en KI-parprogrammerer gjør inni åpen kildekode-prosjekter, der distribuerte utviklere bidrar frivillig snarere enn under ledelsesstyring. Denne settingen betyr noe for samfunnsvitenskapene: åpen kildekode er et av de få stedene der vi kan observere hvordan koordinering, deltakelse og bidragsmønstre endrer seg under en naturlig intervensjon, med kontrafakten synlig på samme plattform. Ved siden av disse tilbyr [Academy of Management Review](https://doi.org/10.5465/amr.2024.0582) kostnadssiden av regnskapet, en prosessmodell som argumenterer for at når ledere erstatter førsthåndserfaring med GenAI-utdata, bryter de ned råstoffet til *fronesis*, den praktiske visdommen som underbygger moralsk, kontekstspesifikk dømmekraft.

**Hvorfor det betyr noe:** Hvis du studerer teknologiadopsjon, innovasjon eller organisasjonsatferd, forskyver den interessante avhengige variabelen seg. «Gikk produksjonen opp?» er nesten avgjort og stadig mer uinformativt. De åpne spørsmålene er komposisjonelle og utviklingsmessige: hvilke prosjekter starter, hvem deltar, hvilke evner atrofierer når førsteutkastet alltid er syntetisk. Det er spørsmål samfunnsvitere er bedre rustet til å svare på enn referansedesignere, og forskningsdesignene over (panel på produktnivå, bruksdata på plattformnivå, prosess-teori) er en brukbar mal.

Mer fra denne uken

Svake søkere motsetter seg å bli vurdert av en algoritme

Organisasjoner bruker i økende grad algoritmer til å vurdere forbrukersøknader om lån, forsikring og andre verdifulle tjenester. Denne Journal of Consumer Research-artikkelen finner at søkerstyrke, hvor sterk en søker mener egen sak er, former reaksjonen: forbrukere som ser søknaden sin som svakere, er mindre mottakelige for å bli evaluert algoritmisk. Resultatet kompliserer den pene historien om at algoritmeaversjon er et generelt trekk, og peker i stedet på en motivert, egeninteressert lesning av hvem som sannsynligvis gir dem en sjanse.

[Les originalen i Journal of Consumer Research, 23. august →](https://doi.org/10.1093/jcr/ucag033)

En metodeartikkel for å gjøre grounded theory med GenAI

I Journal of Consumer Psychology introduserer forfatterne generativ grounded theory (GGT), en KI-forsterket metode for induktiv teoribygging som tilpasser grounded theory, og kvalitative prosedyrer mer bredt, til algoritmiske forskningsforhold. Det uttalte designmålet er å integrere GenAI i analyseprosessen samtidig som man bevarer menneskelig fortolkende autoritet og teoretisk ansvar, og legger frem en spesifisert sekvens snarere enn en ad hoc «spør modellen om å kode transkriptene mine»-arbeidsflyt. Hvis du driver kvalitativt arbeid og har improvisert KI-protokollen din, er dette et siterbart utgangspunkt.

[Les originalen i Journal of Consumer Psychology, 5. august →](https://doi.org/10.1002/jcpy.70036)

Sansekontekst forbedrer språkprediksjon, hos mennesker som hos LLM-er

Denne PNAS-studien sammenligner mennesker og LLM-er i å forutsi kommende språk på tvers av nivåer av sensorisk informasjon, fra avkroppsliggjort skriftlig tekst til audiovisuell video av talere. I begge tilfeller forbedret rikere sensorisk kontekst prediksjonsytelsen. Sammenligningen er en nyttig motvekt til den vanlige påstanden om at LLM-er er fremmede for menneskelig språkbehandling: på denne dimensjonen i det minste konvergerer de to, noe som gjør den multimodale saken til et interessant testbed for kognitive teorier snarere enn bare en ingeniøroppgradering.

[Les originalen i PNAS, 26. august →](https://doi.org/10.1073/pnas.2600317123)

Hvordan KI-agenter gjør proklamerte verdier om til praktiserte

Academy of Management Review publiserer en konseptuell sak om aksiologien til KI-agenter, hvordan menneske-KI-interaksjon forvandler verdier fra proklamerte (hva en organisasjon sier den står for) til praktiserte (hva som faktisk skjer i praksis). Sammen med samme tidsskrifts fronesis-artikkel denne måneden signaliserer den at ledelsesvitenskapens fremste teoriforum nå behandler KI-agenter som et verdiproblem, ikke bare et produktivitets- eller automatiseringsproblem.

[Les originalen i Academy of Management Review, 18. august →](https://doi.org/10.5465/amr.2024.0494)

Bedre folkevisdom ved å se hvem som følger råd

Folkemengdens visdom-aggregasjon bryter sammen når noen agenter er systematisk skjev, og den vanlige løsningen, å vekte den nøyaktige undergruppen tyngre, krever at man vet hvem som er nøyaktig. Denne Management Science-artikkelen foreslår cluster weight on advice (CWOA), en «toknapps»-metode som anvender kjerne-tetthetsestimering på innledende prediksjoner, identifiserer klynger av lignende svar og bruker rådsfølgingsatferd til å slutte hvilken klynge som er den nøyaktige. For alle som kjører prognosestudier eller prediksjonsbasert elicitation, er det en praktisk aggregasjonsoppgradering som ikke trenger noen sannhetsgrunn på forhånd.

[Les originalen i Management Science, 24. august →](https://doi.org/10.1287/mnsc.2024.04499)

Slutt å snakke om AGI, begynn å bygge «pro-arbeider»-KI

Denne Nature-teksten argumenterer for at diskursen rundt kunstig generell intelligens er en distraksjon, og at det produktive designspørsmålet er om KI-systemer forsterker arbeidere eller fortrenger dem. Det er et agenda-settende argument snarere enn et empirisk resultat, men nyttig for forskere som rammer inn søknader og fremtidsarbeidsprosjekter, der «pro-arbeider-KI» blir en distinkt og finansierbar forskningsretning.

[Les originalen i Nature-kommentar, 21. august →](https://doi.org/10.1038/d41586-026-02566-6)

Dette var ukens innhold. Videresend gjerne til en kollega som fortsatt måler KI bare i ord per minutt, og utforsk KI-verktøy for din egen forskning på gaiforresearch.com.

KI-forskningsnytt