Kommer ulven? Samfunnsvitenskap og KI-agenter i «vibe researching»-æraen

Yuan Ren

1. april

*Delegering mellom menneske og KI i samfunnsvitenskapen: kodifiserbare oppgaver mot taus kunnskap, teoretisk originalitet og feltskjønn*

I en tid der alle snakker om KI, befinner samfunnsvitenskapelig forskning seg ved et ømtålig veiskille. Nylig reiste Yongjun Zhang (2026) ved Stony Brook University et utfordrende spørsmål i artikkelen «Vibe Researching as Wolf Coming»: hvilke deler av forskningen din kan bare du gjøre, og hva kan maskinene aldri erstatte? Er det å kjøre kjedelig kode eller skrive standardiserte litteraturgjennomganger? Etter at Andrej Karpathy i 2025 lanserte «vibe coding», der brukeren beskriver hva hen vil ha og KI-en skriver koden, identifiserer Zhang et parallelt fenomen i akademia: «vibe researching» (Karpathy, 2025; Zhang, 2026).

Automatiseringens bølger: fra kalkulatorer til «fly for sinnet»

Automatisering i samfunnsvitenskapen er ikke noe nytt, og Zhang (2026) deler utviklingen inn i fire distinkte bølger. Fra 1970- til 1990-tallet automatiserte statistikkprogramvare beregningene; på 2000-tallet kom API-drevet datainnsamling; og på 2010-tallet ble maskinlæring tatt i bruk til tekstanalyse. Gjennom alle disse fasene forble kjernen av resonnering, design og teoribygging fast i menneskelige hender.

Den fjerde bølgen, som begynner rundt 2024, utgjør derimot et kvalitativt skifte: selve resonneringen blir automatisert. Om PC-en var en «sykkel for sinnet», er dagens KI-agenter «fly for sinnet». De forsterker kognitiv rekkevidde, men risikoen for feil er tilsvarende større. Til forskjell fra chatboter er KI-agenter vedvarende, har filtilgang og kan kjøre hele forskningsløp autonomt.

*Automatiseringens utvikling i samfunnsvitenskapen: statistikkprogramvare, API-er, maskinlæring og KI-agenter*

Nærbilde: scholar-skill og den «utviklende» KI-forskeren

For å illustrere denne endringen introduserer Zhang (2026) scholar-skill, en utvidelse til Claude Code som integrerer 26 spesialiserte KI-ferdigheter i et komplett forskningsløp. Det mest slående ved systemet er den «fullstack»-brede dekningen. Modulen scholar-idea stresstester for eksempel forskningsspørsmål gjennom et panel av fem agenter (teoretiker, metodolog, domeneekspert, redaktør og djevelens advokat). For kausal identifikasjon velger den den beste strategien blant 13 alternativer og genererer kode i både R og Stata.

Det er verdt å merke seg at logikken i KI-drevet oppdagelse blir stadig mer sofistikert. Rammeverket *EvoScientist*, nylig foreslått av Lyu et al. (2026), viser dette potensialet ytterligere: KI-agenter kjører ikke lenger bare statiske løp, de lærer gjennom «evolusjon». Ved å etablere en automatisert tilbakemeldingssløyfe lar *EvoScientist* KI-forskere tilpasse ideene og kodegenereringsstrategiene sine ut fra akkumulert interaksjonshistorikk, og dermed unngå gjentatte feil eller ugjennomførbare forskningsretninger (Lyu et al., 2026). I bunn og grunn flyr ikke Zhangs «fly for sinnet» bare; det oppgraderer sine egne motorer underveis gjennom selviterasjon.

Å trekke grensen: der KI kommer til kort

Stilt overfor så kraftige systemer i stadig utvikling, hva er da forskerens særegne bidrag? Zhang (2026) foreslår et rammeverk der omfordelingen av makt styres av to dimensjoner: kodifiserbarhet og krav til taus kunnskap.

I dette nye landskapet er utføringsoppgaver, som å kjøre regresjoner eller rense data, blitt områder der KI-agenter utmerker seg, fordi slike oppgaver i høy grad er kodifiserbare og kontrollerbare. Oppgaver knyttet til problemformulering og planlegging forblir derimot KI-ens fremste svakhet; selv om systemer som *EvoScientist* har begynt å forsøke å utvikle forskningsretninger (Lyu et al., 2026), sliter KI fortsatt med å identifisere genuint nye sosiale mekanismer eller gjøre paradigmeskiftende sprang, slik som Granovetters «styrken i svake bånd» (Zhang, 2026).

Den avgjørende innsikten er at grensen for delegering ikke går mellom faser, men skjærer tvers gjennom hver eneste fase. På hvert trinn kreves taus kunnskap, som forståelse av politikken i feltet, redaktørers preferanser eller den politiske ømtåligheten i et design, og bare et menneske kan bidra med dette (Zhang, 2026).

Skjør forsterkning og mulig krise

KI-agenter gir betydelige gevinster, men denne forsterkningen er «skjør». Et «verifiseringsgap» trer frem: dersom du aldri kjører modellene eller leser litteraturen selv, har du da fortsatt den kognitive kapasiteten til å oppdage de subtile, men fatale feilene i KI-genererte resultater? Forfatteren mener svaret er nei (Zhang, 2026). Selv om KI øker suksessraten gjennom samarbeid mellom flere agenter og utvikling av strategier (Lyu et al., 2026), forblir menneskelig kritisk gjennomgang det siste vernet mot systematisk skjevhet.

I tillegg står vi overfor en lagdelingsrisiko fra «KI-produktivitetspremien». Utover abonnementsavgifter kan barrierer som tekniske ferdigheter, engelskspråklig slagside i dataene og ulik dekning på tvers av forskningsfelt forsterke ulikhet i akademia.

*KI-agenter som «fly for sinnet»: menneskelig tilsyn, verifiseringsgapet og fremtiden for KI-forsterket samfunnsforskning*

Ansvarlig vibe researching: fem prinsipper

«Ulven er sannelig ved døren; den er faktisk allerede inne.» For å unngå å miste oss selv foreslår forfatteren fem prinsipper for ansvarlig bruk:

Opplys: Rapporter KI-assistanse uttrykkelig i metodedelen.

Verifiser: All KI-generert kode og tekst må gjennomgås av mennesker før publisering.

Hold ferdighetene ved like: Øv bevisst på oppgaver uten KI for å bevare dømmekraften.

Vern originaliteten: Sørg for at det teoretiske kjernebidraget forblir forskerens eget.

Design for tilgang: Prioriter åpne modeller og delte verktøy for å motvirke lagdeling i akademia.

Samfunnsvitenskapens fremtid bør ikke være en blind jakt på «vibes», men snarere et styringssystem, omtrent som i luftfarten, som bevarer menneskelig skjønn ved kritiske beslutningspunkter og samtidig bruker automatisering til å utvide rekkevidden vår.

References

Karpathy, A. (2025, February 6). *Vibe coding* [Post]. X.

Lyu, Y., Zhang, X., Yi, X., Zhao, Y., Guo, S., Hu, W., Piotrowski, J., Kaliski, J., Urbani, J., Meng, Z., Zhou, L., & Yan, X. (2026). EvoScientist: Towards Multi-Agent Evolving AI Scientists for End-to-End Scientific Discovery. *arXiv.Org*.

Zhang, Y. (2026). Vibe Researching as Wolf Coming: Can AI Agents with Skills Replace or Augment Social Scientists? *arXiv.Org*.