Nesten alle biomedisinske artikler viser nå tegn på KI, og ferdigheten har forskjøvet seg

Image: "Lab technitian looking through the microscope while adjusting coarse k" by Shixart1985 (CC BY 2.0) via Wikimedia Commons, recoloured.

24. august

Velkommen til ukens oversikt over hvordan kunstig intelligens omformer forskningen, hentet fra Nature, Science og ledende ledelsestidsskrifter.

KI er i nesten alle artikler. Det åpne spørsmålet er hvem som styrer hvem.

Overskriftstallet er vanskelig å se bort fra. En preprint som ble lagt ut på [arXiv](https://arxiv.org/abs/2608.10715) 12. august og omtalt av [Nature](https://www.nature.com/articles/d41586-026-02551-z), anslår at innen desember 2025 viste nær 90 prosent av artiklene i PubMed Central-arkivet tegn på LLM-assistert skriving eller redigering, 77 prosent over hele 2025 og 52 prosent for 2024. Metoden utvider «overskuddsordforråd»-tilnærmingen samme gruppe publiserte i [Science Advances](https://www.science.org/doi/10.1126/sciadv.adt3813): I stedet for å prøve å oppdage KI direkte, sporer den et sett ikke-innholdsmessige ord hvis frekvens steg brått etter lanseringen av ChatGPT. Bruken er ujevn på tvers av en artikkel, høyest i diskusjons- og sammendragsdelene, lavest i metodedelen, som er omtrent der du ville forvente at et skrivehjelpemiddel, snarere enn et forskningshjelpemiddel, etterlater spor. Forfatterne er eksplisitte om begrensningene: kun engelskspråklige artikler, og PubMed Central er ikke hele vitenskapen.

Behandle det presise tallet med forsiktighet, og retningen med ingen. Ordforekvensdeteksjon kan ikke skille en forsker som ba en modell polere et ikke-morsmålsspråklig engelsk utkast fra en som genererte en hele diskusjonsdel, og tidligere estimater med snevrere metoder satte bruken i 2024 til 12 til 16 prosent, langt under denne studiens 31 prosent for sammendrag og 52 prosent for fulltekster. Det trenden fastslår, er at KI-assistert skriving har sluttet å være et randtilfelle og blitt standardtilstanden i litteraturen du leser og vurderer. Hvis du fortsatt rammer inn avsløringspolitikk rundt hvorvidt forfattere brukte KI, har det interessante spørsmålet allerede flyttet seg til hvordan, og hvor i manuskriptet.

To ledelsesartikler publisert denne måneden antyder hvordan dette «hvordan» bør se ut. I [California Management Review](https://doi.org/10.1177/00081256261470827) foreslår Teck-Hua Ho og Catherine Yeung en modell for «hovedarbeider», der hver kunnskapsarbeider fungerer både som oppgavearkitekt (som dekomponerer arbeid og delegerer deloppgaver til KI-agenter) og som agentorkestrator, som optimaliserer og syntetiserer agentenes resultater til en sammenhengende leveranse. I [MIT Sloan Management Review](https://doi.org/10.63383/pvzt4379) fremfører Jennifer Sloan og Vern Glaser et parallelt argument: slutt å prompte KI og begynn å styre den, ved å definere en agents kontekst (hva den kan få tilgang til), evner (hva den kan gjøre) og orientering (hva den fokuserer på), og ved å kjøre flere agenter med ulike orienteringer over de samme dataene for å sammenligne tilnærminger.

**Hvorfor det betyr noe:** 90-prosenttallet og orkestreringsartiklene beskriver den samme endringen fra hver sin ende. KI er allerede vevd gjennom den vitenskapelige produksjonen, i stor grad som en usynlig skriveassistent, den minst ansvarlige og minst interessante bruken av den. Forskningsdesign-trekket er å gjøre delegeringen eksplisitt: bestem hvilke deloppgaver en agent eier, gi den en definert orientering, beholde den fortolkende autoriteten selv, og skriv ned hva du gjorde. Det er både bedre metode og, i økende grad, det avsløringserklæringer vil måtte si.

Mer fra denne uken

Forklarbar KI har en kognitiv kostnad

Forklarbar KI begrunnes vanligvis som en løsning på over- og underavhengighet av algoritmiske råd, men den empiriske dokumentasjonen er blandet. Boyaci, Canyakmaz og de Véricourt utvikler en analytisk modell for menneske-KI-samarbeid som fanger de distinkte trekkene ved menneskelig og maskinell intelligens og, avgjørende, tar hensyn til beslutningstakerens kognitive innsats og tretthet. Rammeverket tilbyr en teoretisk forklaring på hvorfor det å legge til forklaringer ikke pålitelig forbedrer samarbeidsytelsen, nyttig for alle som designer KI-assisterte beslutningsstudier.

[Les originalen i Management Science, 19. august →](https://doi.org/10.1287/mnsc.2024.07450)

De fleste KI-patentdatasettene måler feil ting

Innovasjonsforskning lener seg i økende grad på patentdata for å måle KI-aktivitet, men metodene som brukes til å avgjøre hvilke patenter som teller som «KI», er sjelden validert. Wu, Min, Ding og Wang vurderer patentklasse-tilnærminger og US Patent and Trademark Office sin KI-patentdatabase mot en uavhengig, menneskelig ekspertannotert sannhet, dokumenterer betydelige ytelsesbegrensninger og introduserer et skalerbart rammeverk som klassifiserer bedre. Hvis identifikasjonsstrategien din hviler på et ferdig KI-patent-flag, er dette verdt å lese før neste revisjon.

[Les originalen i Research Policy, 20. august →](https://doi.org/10.1016/j.respol.2026.105599)

KI-assistenter-markedet er ikke vinner-tar-alt

Cohen, Hage-Youssef, McCarthy og Sokol bruker forbrukernes mobildata for KI-assistentkategorien til å utfordre «vinner-tar-alt»-rammefortellingen om KI-konkurranse. De identifiserer tre samtidige og voksende strategier, skala (ChatGPT), tilgrensning (Gemini) og premiumspesialisering (Claude), og finner at store produktlanseringer belønner lanseringeren uten å skade rivaler målbar. De argumenterer for at disse arketypene ikke er KI-spesifikke, men gjentar seg hver gang en forstyrrende teknologi åpner et marked før konkurranseposisjonene herder.

[Les originalen i California Management Review, 15. august →](https://doi.org/10.1177/00081256261477028)

Forutsi hvilke merkevareslagord som fester seg

Ada Aka og John McCoy bygger prediktive modeller for hvor godt et merkevareslagord huskes og hvor sterkt det trigger sitt merke. De identifiserer kandidatfaktorer for memorabilitet gjennom en systematisk litteraturgjennomgang, operasjonaliserer dem med naturlig språkbehandling, menneskelige vurderinger og konstrukter utledet fra tekstinnleiringer, og evaluerer prediksjonsnøyaktigheten på tvers av modeller. Det er en ren mal for å gjøre en spredt kvalitativ litteratur om til maskinmålbare konstrukter.

[Les originalen i Journal of Marketing Research, 21. august →](https://doi.org/10.1177/00222437261481110)

Nature gjennomgår sikkerheten og tryggheten til kliniske LLM-er

Clusmann, Freyer, Ostermann, Ferber og kolleger kartlegger sikkerhets- og trygghetslandskapet for store språkmodeller som brukes i helsevesenet. I takt med at kliniske LLM-piloter formerer seg raskere enn dokumentasjonsgrunnlaget bak dem, er en samlet redegjørelse for feilmåter og sikringstiltak i et allmennvitenskapelig forum et nyttig referansepunkt, også for samfunnsvitere som studerer KI-adopsjon i yrker med høye innsatser.

[Les originalen i Nature, 19. august →](https://doi.org/10.1038/s41586-026-10687-1)

Et forsterkningslæringsgym for fluiddynamikk

Lagemann, Mokbel, Gondrum, Rüttgers og medforfattere introduserer HydroGym, en forsterkningslæringsplattform for fluiddynamikk. Væsker motstår konvensjonell regulering fordi dynamikken deres er høydimensjonal, ikke-lineær og multiskala; RL har gjort slående fremskritt innen domener som proteinfolding og spill, som hadde delte referanser og standardiserte miljøer som strømregulering manglet. HydroGym leverer disse, en påminnelse om at flaskehalsen for KI-fremskritt på mange felt er infrastruktur, ikke modelevne.

[Les originalen i Nature, 19. august →](https://doi.org/10.1038/s41586-026-10917-6)

Dette var ukens innhold. Videresend gjerne til en kollega som fortsatt kopierer og limer inn i ChatGPT, og utforsk KI-verktøy for din egen forskning på gaiforresearch.com.

KI-forskningsnytt