Robotfagfellene er her, og ingen er enige om hvem som har ansvaret

Image: "In Peer Review We Trust" by Sarahmirk (CC BY-SA 4.0) via Wikimedia Commons, recoloured.

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

KI har flyttet seg fra laboratoriebenken til fagfellens skrivebord

De siste to årene har debatten om KI i forskning handlet om *input*: bedre litteratursøk, raskere koding, renere utkast. Denne uken flyttet samtalen avgjørende over til *portvokterrollen*. I [Science](https://doi.org/10.1126/science.aem0443) rapporterer Jeffrey Brainard at etter hvert som KIs evner vokser, utforsker forskere og forlag aktivt hvordan den kan støtte fagfellevurdering, og hvor den fortsatt kommer til kort. Den innrammingen betyr noe: spørsmålet er ikke lenger om anmeldere i stillhet limer manuskripter inn i en chatbot, men om tidsskriftene bør bygge inn kapasiteten bevisst, med regler knyttet til seg.

Ansvars-spørsmålet følger umiddelbart etter. [Nature](https://doi.org/10.1038/d41586-026-02686-z) sier det rett ut i en sak med tittelen *Who is responsible when AI helps to write science?* Et spørsmål som forfatterskapspolitikken så langt har besvart ved dekret (KI kan ikke være forfatter) snarere enn ved å finne ut hva en menneskelig signatur faktisk sertifiserer når en modell har utarbeidet metodedelen. Og en tredje [Nature](https://doi.org/10.1038/d41586-026-02682-3)-sak spør om KI får oss alle til å tenke likt, homogeniseringsbekymringen som ligger under begge: hvis den samme håndfullen modeller både hjelper til med å skrive artiklene *og* hjelper til med å granske dem, smalner mangfoldet av det som foreslås og det som aksepteres inn fra begge ender samtidig.

**Hvorfor det betyr noe:** Hvis du anmelder, redigerer eller sender inn, og det gjør vi alle, vil politikken som utformes i år styre arbeidet ditt i det neste tiåret, og den blir skrevet nå, i stor grad uten innspill fra samfunnsvitenskapelige og forretningsfaglige felt som har mest å tape på en smalere forskningsfront. Det praktiske grepet er lite glamorøst: les mål-tidsskriftenes KI-politikk før din neste innsending og din neste anmeldelse, og vær eksplisitt i følgebrevet og anmeldelsesrapporten om hva du brukte og hva du selv verifiserte. En frivillig avsløring er verdt betydelig mer enn en som en redaktør oppdager.

Mer fra denne uken

Kausal slutning virker endelig på tekst og bilder

Kosuke Imai og Kentaro Nakamura introduserer GenAI-Powered Inference (GPI), et statistisk rammeverk for kausal slutning med ustrukturerte data. GPI bruker åpne, forhåndstrente generative modeller, LLM-er og diffusjonsmodeller, både til å generere ustrukturerte data i stor skala og til å trekke ut lavdimensjonale representasjoner som garantert fanger datagrunnlagets underliggende struktur, og anvender deretter maskinlæring på disse representasjonene for å estimere kausale størrelser. For alle som kjører tekst- eller bildebaserte eksperimenter innen markedsføring, statsvitenskap eller organisasjonsforskning, er dette en sjelden bit reelt brukbar metodisk infrastruktur.

[Les originalen i PNAS, 3. september →](https://doi.org/10.1073/pnas.2530532123)

Å fortelle folk hva KI-en vet, gjør at de delegerer bedre

Tidligere arbeid har fastslått at når mennesker fordeler oppgaver mellom seg selv og en KI, delegerer de for sjelden eller delegerer feil oppgaver, noe som ødelegger komplementariteten som var ment å gjøre paret verdifullt. Denne ISR-studien undersøker hvordan ulike typer informasjon om KI-systemet påvirker både hvor ofte folk delegerer og hvor godt de velger hva de delegerer. Designimplikasjonen er direkte: det du forteller brukerne om systemet er i seg selv et tiltak, ikke dokumentasjon.

[Les originalen i Information Systems Research, 4. september →](https://doi.org/10.1287/isre.2024.1330)

Absorptiv kapasitet ble bygget på en kun-menneskelig antakelse

I Research Policy argumenterer forfatteren for at absorptiv kapasitet utleder sine funksjoner, dimensjoner og indre relasjoner fra en implisitt antakelse om at mennesker er de eneste lærende aktørene bak kunnskapsabsorpsjon, og at KI bryter den. Ved å bruke et abduktivt teori-byggende design som kombinerer konseptuell kartlegging med kvalitative intervjuer, gjennomgår artikkelen på nytt forholdet mellom KI og organisatorisk kunnskapsabsorpsjon. En nyttig mal for alle som lurer på hvilke av feltets kanoniske konstrukter som stillegående trenger ny spesifisering.

[Les originalen i Research Policy, 1. september →](https://doi.org/10.1016/j.respol.2026.105600)

Forklarbar KI forbedret målbart hvordan folk forutså en selvkjørende bil

Mest tolkningsforskning holder seg i simuleringer og lekcoppsett, og lar dens praktiske verdi stå utestet. Denne Nature-artikkelen tar forklarbar dyp læring ut i virkelig selvkjørende utrulling og finner at den forbedrer menneskers mentale modeller av systemet, det vil si at folk blir bedre til å forutse når svartboksplanleggeren vil svikte. For forskere som studerer kalibrering av menneske-KI-tillit, er dette et av de få feltklare resultatene som finnes.

[Les originalen i Nature, 2. september →](https://doi.org/10.1038/s41586-026-10950-5)

Hvordan B2B-kunder snakker før de drar

Med en empirikk-først-tilnærming på B2B-kunders språkdata, nettanmeldelser og telefonsamtaletranskripsjoner, identifiserer denne JAMS-artikkelen sekvensielt et robust og parsimonisk sett av språktrekk som er diagnostiske for kundeopplevelse og prediktive for kommende kjøpsbeslutninger, og undersøker fem kategorier av trekk. Det er et rent eksempel på tekst-som-data gjort for prediksjon snarere enn beskrivelse, og trekksettet er overførbart til andre relasjonstunge kontekster.

[Les originalen i Journal of the Academy of Marketing Science, 24. august →](https://doi.org/10.1007/s11747-026-01192-y)

Fra trojanske hester til KI-sikre eksamener

En Nature-karrieresak samler taktikkene akademikere tar i bruk mot uerklært KI-bruk i vurdering, fra å redesigne eksamener slik at de er motstandsdyktige, til å plante skjulte instruksjoner i oppgavebeskrivelser for å fange opp masse kopier-og-lim. Det er verdt å lese mindre for triksene enn for det underliggende signalet: vurderingsdesign, ikke oppdagelsesprogramvare, er der faget er i ferd med å konvergere.

[Les originalen i Nature, 1. september →](https://doi.org/10.1038/d41586-026-02370-2)

Det var denne ukens innhold. Videresend gjerne til en kollega som er i ferd med å skrive sin neste anmeldelsesrapport, og utforsk KI-verktøy for din egen forskning på gaiforresearch.com.

KI-forskningsnytt