KI reviderer den vitenskapelige dokumentasjonen – og finner 75 år gamle feil

Image: "Schlagwortkatalog" by Dr. Marcus Gossler (CC BY-SA 3.0) via Wikimedia Commons, recoloured.

10. august

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

KI reviderer den vitenskapelige dokumentasjonen – og rekordene taper

I tre år har debatten om KI og forskningsintegritet gått i én retning: hva skjer når maskiner forurener litteraturen med fabrikkert tekst og hallusinerte sitater. Denne uken [omtaler Nature](https://www.nature.com/articles/d41586-026-02235-8) trafikken den andre veien. En teoretisk kjemiker ved Zhejiang Lab i Hangzhou brukte et KI-system til å forutsi kokepunkter, men det stadig produserte verdier som sto i mot langt aksepterte oppføringer i en referansedatabase på 75 år. Han gikk tilbake til den opprinnelige litteraturen for hånd – og fant at referansedataene, ikke modellen, var gale. I andre tilfeller avdekket samme tilnærming en skrivefeil i en publisert artikkel og feilaktige målinger av kokepunkter som er hundre år gamle. Teknologien, bemerker Nature, viser seg uvanlig flink til å finne feil i gamle artikler og oppslagsverk. Forbeholdet betyr like mye som funnet: Disse verktøyene «gjør feil slik mennesker gjør», så hvert flagg må fortsatt verifiseres manuelt før det betyr noe.

Denne evnen lander midt i en debatt om hvor KI hører hjemme i kvalitetskontrollrørledningen. I *Management Science* argumenterer et team i [«Fighting Fire with Fire»](https://doi.org/10.1287/mnsc.2026.00184) for at KI-akselerert forfatterskap har drevet innsendingsvolumene forbi hva frivillige vurderingspuljer kan absorbere, med nedslitende tider og beslutningsnøyaktighet som resultat – og at tidsskriftene derfor har lite valg enn å føre store språkmodeller inn i vurderingsarbeidsflyten, og begynne med et konkret, avgrenset LLM-assistert rør. En [kommentar i samme nummer](https://doi.org/10.1287/mnsc.2026.02443) utfordrer innrammingen heller enn verktøyene: Ikke bygg en bedre telefaksmaskin. Å boltre KI på den eksisterende arkitekturen for innsendelse, fagfellevurdering og publisering bevarer et system designet for knapphet på manuskripter og knapphet på lesere, når den interessante muligheten er å tenke nytt om hvordan kunnskap i det hele tatt blir evaluert og formidlet. Samtidig argumenterer *Science* parallelt om hvordan vi måler KI selv, og krever etterfølgere til Turing-testen bygget rundt mangfold, partnerskap og systematikk i stedet for etterligning av ett enkelt menneske.

**Hvorfor det betyr noe:** Feildeteksjon etter publisering er den første jobben der KI-svakhene knapt betyr noe. En modell som flagger mistenkelige verdier i stor skala, er nyttig selv med moderat presisjon, fordi et menneske verifiserer hvert treff og kostnaden av en falsk positiv er en ettermiddag i arkivene. Det er en helt annen økonomi enn KI-assistert fagfellevurdering, der et feilvurderingskall i det stille dreper eller slipper gjennom en artikkel. Forvent at KIs første varige rolle i faglig kvalitetskontroll blir *etter* publisering, ikke før den – og forvent noen ubehagelige uker når et verktøy peker på en referansetabell ditt eget felt har sitert i tiår. Hvis arbeidet ditt avhenger av kanoniske konstanter, benchmark-datasett eller håndkuraterte tabeller, er dette året å spørre når noen sist sjekket dem.

Mer fra denne uken

KI-agenter avslører tiår gamle feil i litteraturen

En kjemiker ved Zhejiang Lab fant at hans KI-systems «feil» kokepunkt-forutsigelser faktisk var riktige, og at de 75 år gamle referansedataene de motsa, inneholdt feil. Relaterte tilfeller avdekket en skrivefeil i en publisert artikkel og ukorrekte målinger fra forrige århundre. Nature understreker at KI-faktaeksperter fortsatt er upålitelige dommere alene – de gjør menneskelignende feil – så markerte elementer krever manuell verifisering før noe korrigeres.

[Les originalen i Nature, 6. august →](https://www.nature.com/articles/d41586-026-02235-8)

Saken for å tilføre KI fagfellevurderingen

I Management Science argumenterer forfatterne for at KI-adopsjon blant forfattere har akselerert artikkelproduksjonen og innsendingsratene, belastet vurderingskapasiteten og skadet tidsskriftsmåltall som behandlingstid og beslutningsnøyaktighet. Deres svar er en konkret arbeidsflyt som plasserer store språkmodeller inne i vurderingsprosessen som et første steg, i stedet for en helhetlig erstatning for menneskelig skjønn. Det er ett av de første seriøse operasjonelle forslagene fra et topp-tidsskrift, ikke bare en posisjonserklæring.

[Les originalen i Management Science, 7. august →](https://doi.org/10.1287/mnsc.2026.00184)

Ikke bygg en bedre faxmaskin

Denne følgekommentaren godtar at KI kan lindre vurderermangel og øke produktiviteten, men advarer om at slike anvendelser i stor grad bevarer den eksisterende arkitekturen i vitenskapelig publisering. Med utgangspunkt i forskning på driftsledelse og innovasjon argumenterer den for at KI i stedet skaper en åpning for å tenke nytt om mer grunnleggende sider av hvordan vitenskapelig kunnskap evalueres og spres. Uenigheten handler ikke om KI virker, men om hvilket problem feltet burde løse.

[Les originalen i Management Science, 7. august →](https://doi.org/10.1287/mnsc.2026.02443)

De neste Turing-testene

Etterligning av et enkelt menneske var alltid et smalt mål, og det har blitt et villedende. Denne Science-artikkelen argumenterer for at nye tilnærminger til å evaluere KI-fremgang bør organiseres rundt mangfold i kapasitet, menneske-KI-partnerskap og systemiske effekter, heller enn én enkelt bestått/ikke-bestått-samtale. For forskere som evaluerer KI-verktøy som del av egne metodedeler, er det en nyttig omformulering av hva «god ytelse» i det hele tatt skal bety.

[Les originalen i Science, 6. august →](https://doi.org/10.1126/science.aee3176)

Generativ KI som kausalt prediksjonsverktøy for utestet innhold

Generativ KI gjør nytt innhold billig å produsere, noe paradoksalt nok gjør utvalget vanskeligere: Ledere står overfor et eksplodert alternativsett med liten sjanse til å teste noe av det. Denne artikkelen i Journal of Marketing Research utvikler et kausalt prediksjonsrammeverk for å evaluere nye ustrukturerte behandlinger – tekst, bilder, kreative varianter – som aldri har vært brukt. Underliggende problem gjelder langt utover markedsføring, til enhver forsker som vil ha effektestimater for stimuli de ikke har kjørt ennå.

[Les originalen i Journal of Marketing Research, 3. august →](https://doi.org/10.1177/00222437261476639)

LLM-er kan få oss til å «gjøre mer, mindre godt»

Omtalt i Nature forutsier en modelleringsstudie at LLM-adopsjon fremskynder hver fase av forskningsprosessen, men at akselerasjonen viser seg som flere artikler heller enn mer polerte: Forskere hopper til neste prosjekt i stedet for å forfine det nåværende. Medforfatter Carl Bergstrom er tydelig på at verktøyene ikke er rotårsaken – resultatet reflekterer et insentivsystem som allerede belønner kvantitet over kvalitet, og «LLM-er holder et speil opp til problemer vi allerede har».

[Les originalen i Nature, 31. juli →](https://www.nature.com/articles/d41586-026-02397-5)

Dette var ukens innhold. Videresend gjerne artikkelen til en kollega som fortsatt stoler på hvert tall i oppslagsverket – og utforsk mer på gaiforresearch.com.

KI-forskningsnytt