Når stoler vi på maskinen? Algoritmeaversjon og styring av KI i forskningen

30. juni

Velkommen til ukens oversikt over hvordan kunstig intelligens omformer forskningen, hentet fra Nature, Science og ledende tidsskrifter innen forretningsfag og samfunnsvitenskap.

Algoritmeaversjon er ikke alt-eller-ingenting: Motstanden er asymmetrisk

I ti år har «algoritmeaversjon» vært et av de mest siterte svarene på hvorfor gode modeller ikke tas i bruk: Historien går på at folk rett og slett slutter å stole på råd så snart de får vite at en maskin har gitt dem. En ny artikkel i Information Systems Research av Saunak Basu, Alan R. Dennis, Aravinda Garimella og Wencui Han nyanserer dette bildet. På tvers av fire studier i en fintech-investeringskontekst (to randomiserte kontrollerte eksperimenter, et feltstudie og en kvalitativ intervjustudie) finner de at motstanden mot KI-råd er asymmetrisk: Den avhenger av hva rådet faktisk anbefaler, ikke bare av at det kom fra en algoritme.

Mekanismen handler om hvordan investeringer vurderes. Noen signaler er eksplisitte og kodbare; andre hviler på taus, erfaringsbasert dømmekraft som menneskelige eksperter mener maskiner ikke har full tilgang til. Når KI-rådet samsvarer med ekspertens lesning, tas det lett opp. Når det går imot denne taus dømmekraften, ved å fortelle eksperten at instinktet tar feil, synker aksepten. Med andre ord: Motstanden er ikke en generell skepsis til algoritmer; den samler seg nøyaktig i situasjonene der KI mest sannsynlig tilfører ny, kontrær informasjon. For alle som designer beslutningsstøttesystemer er dette et langt mer handlingsrettet funn enn «folk stoler ikke på algoritmer».

**Hvorfor det betyr noe:** For forskere som studerer samspillet mellom menneske og KI, og for markedsførings-, finans- og operasjonsforskere hvis fagfelt i stadig større grad bruker algoritmiske råd, er lærdommen at adopsjon avhenger av oppgavens struktur, ikke av en fast personlighetstrekk kalt «aversjon». De mest verdifulle KI-anbefalingene, de som strider mot ekspertintuisjonen, er samtidig de menneskene er mest innstilt på å avvise. Å designe for denne asymmetrien, ved å synliggjøre de taus hintene modellen bygde på og kalibrere når den bør møte motbør, kan bety mer enn å gjøre modellen marginalt mer nøyaktig.

Mer fra denne uken

En styringsplan for KI i fagfellevurderingen

I en kommentar i Management Science svarer Zhenhui Jiang på forslaget om å «sluke ild med ild» ved å føre KI inn i fagfellevurderingen. Han peker på at KI allerede uformelt er en del av vurderingsløpet, og at den egentlige oppgaven er å gå fra ustyrte «skygge-KI» til styrt, transparent bruk. Artikkelen skisserer hvordan ansvarlig KI-assistert fagfellevurdering kan se ut, et spørsmål som angår enhver forsker som sender inn til eller vurderer for store tidsskrifter.

[Les originalartikkelen i Management Science, 26. juni →](https://doi.org/10.1287/mnsc.2026.02442)

Robust inferens når regresjonsvariablene kommer fra maskinlæring

Empiriske forskere trener i økende grad en modell til å forutsi en variabel, og setter deretter prediksjonene inn i en regresjon som om de var observerte, en snarvei som i det stille kan skjemme inferensen. Gordon Burtch, Edward McFowland, Mochen Yang og Gediminas Adomavičius foreslår EnsembleIV, en metode som konstruerer instrumentvariabler fra ensemblelærere for å gjenopprette gyldige statistiske tester når regresjonsvariablene er maskinlæringsgenererte. For det voksende antallet studier som henter målinger fra tekst, bilder eller annen ustrukturert data, er dette et praktisk verktøy.

[Les originalartikkelen i Management Science, 19. juni →](https://doi.org/10.1287/mnsc.2024.08999)

Å modellere det akademiske arbeidsmarkedet i KI-alderen

Ettersom KI endrer hvordan forskningsdyktighet demonstreres og sorteres, er også veiene inn i akademia i endring. Denne Research Policy-artikkelen utvikler en spillteoretisk modell for det pre-doktorale akademiske arbeidsmarkedet under påvirkning av KI, og undersøker hvordan håp og kostbar signalisering samvirker når, som tittelen sier, «silisium» kommer inn i bildet. Et begrepsapparat for et arbeidsmarked mange yngre forskere befinner seg i akkurat nå.

[Les originalartikkelen i Research Policy, 25. juni →](https://doi.org/10.1016/j.respol.2026.105568)

Å tenke nytt om styring av autonom KI

Når maskiner handler uten menneskelig inngripen, utsetter de mennesker for nye risikoer. Det dominerende svaret innen forretningsetikk, «den moralske maskinen»-tesen om at autonome systemer bør etterligne moralsk riktige menneskelige beslutninger og at regulering bør følge etter, utfordres i denne Journal of Business Ethics-artikkelen av Elsa Kugelberg og Henrik D. Kugelberg. De argumenterer for en mer praksisavhengig forståelse av KI-styring, med konsekvenser for hvordan virksomheter og regulatorer rammer inn ansvarliggjøring.

[Les originalartikkelen i Journal of Business Ethics, 22. juni →](https://doi.org/10.1007/s10551-026-06377-7)

Rullesporing som vindu mot valget

Ilkka Leppänen introduserer «rullesporing» i Management Science, en prosessporingsmetode som bruker berøringsbasert rulleatferd på responsive mobilsider til å registrere en responskurve i pixel-millisekundrommet mens en beslutning utspiller seg. Som et naturalistisk alternativ til labbasert øyetracking gir det forbruks- og beslutningsforskere en lavterskel måte å studere øyeblikksvis kognisjon bak preferansevalg på, på enhetene folk faktisk bruker.

[Les originalartikkelen i Management Science, 26. mai →](https://doi.org/10.1287/mnsc.2024.06264)

Dette var ukens innhold. Del gjerne artikkelen med en kollega som veier om modellen kan stoles på, og utforsk KI-verktøy for egen forskning på gaiforresearch.com.

KI-forskningsnytt