Perspektiv
Forskere sparer næsten syv timer med AI men laboratoriet bliver den nye flaskehals
En ny undersøgelse fra Google, Google DeepMind og MIT FutureTech peger på store tidsgevinster blandt forskere, der bruger AI. Samtidig vokser bunken af hypoteser, som stadig skal afprøves, og en betydelig del af tiden går til at kontrollere modellernes output.
Tidsgevinsten er stor nok til at tage alvorligt
Den 15. september 2026 offentliggjorde Google nye resultater fra AI & Economy ATLAS og en tilhørende undersøgelse af AI i videnskabeligt arbejde. Studiet er lavet af forskere fra Google, Google DeepMind, MIT FutureTech og flere universiteter. Det kombinerer tre meget forskellige datakilder: cirka 15 millioner anonymiserede Gemini-interaktioner, en kortlægning af 2.690 specialiserede AI-modeller og en spørgeskemaundersøgelse blandt 637 aktive forskere i USA og Storbritannien.
Det mest iøjnefaldende tal er næsten syv timer. Omkring tre fjerdedele af de adspurgte sagde, at AI sparer dem tid, og gennemsnittet blandt besvarelserne lå lige under syv timer om ugen. Tiden blev ifølge forskerne overvejende lagt tilbage i mere forskning.
Det lyder som et produktivitetsløft på næsten en arbejdsdag. Men studiets vigtigste pointe er netop, at hurtigere delopgaver ikke automatisk giver hurtigere videnskabelige gennembrud. Når litteratursøgning, kodning, dataanalyse og udkast går hurtigere, flytter ventetiden til de dele af arbejdet, som AI ikke uden videre kan komprimere.
AI bruges bredt men forskellige værktøjer gør forskellige ting
Næsten halvdelen af de adspurgte forskere oplyste, at de bruger en form for AI hver dag. Studiet skelner mellem generelle sprogmodeller og specialiserede videnskabelige modeller. De to typer ser ikke ud til blot at erstatte hinanden.
Sprogmodeller bruges på tværs af fag til blandt andet kode, analyse, litteraturarbejde og manuskriptforberedelse. Specialiserede modeller bruges oftere til faglige forudsigelser, klassifikation, simulation og generering af data. På et overordnet niveau kan opgaverne ligne hinanden, men på det detaljerede niveau er overlapningen lille.
Det er et nyttigt korrektiv til forestillingen om én universel forskningsagent. Den generelle model kan hjælpe med at planlægge, forbinde og formulere. Den specialiserede model kan behandle et afgrænset videnskabeligt problem. Og forskeren skal stadig forstå både målingen, metoden og det område, hvor resultatet skal bruges.
Flaskehalsen flytter nedstrøms
Mere end fire ud af ti adspurgte oplevede, at deres vigtigste begrænsning var flyttet længere ned i forskningsprocessen. Når det bliver billigere at formulere og analysere hypoteser, mangler der stadig laboratorietid, klinisk validering, feltarbejde, udstyr og adgang til data. 41 procent rapporterede en voksende bunke af hypoteser, som endnu ikke var testet.
| AI kan ofte accelerere | Det kan stadig være flaskehalsen |
|---|---|
| Litteratursøgning og sammenfatning | Adgang til komplette, relevante og lovlige kilder |
| Kode og kvantitativ analyse | Kalibrering, datakvalitet og fysisk måling |
| Idé- og hypotesegenerering | Eksperimentdesign, laboratoriekapacitet og rekruttering |
| Udkast og dokumentation | Fagfællebedømmelse, reproduktion og klinisk validering |
Det samme mønster findes uden for laboratoriet. Hvis en virksomhed kan producere ti gange flere analyser, men kun har to fagpersoner til at kontrollere dem, vokser køen. Den lokale opgave bliver ikke blot at købe mere AI. Den bliver at beslutte, hvad der fortjener kontrol, og hvor kapaciteten skal udvides.
En del af gevinsten bruges på at kontrollere AI
Validering fylder meget i studiet. Blandt dem, der oplevede tidsbesparelser, brugte 89 procent mere end en tiendedel af den sparede tid på at kontrollere AI-output. 46 procent brugte mere end en fjerdedel. Det er ikke nødvendigvis spild. Kontrol er en del af videnskabeligt arbejde. Men den skal med i regnestykket.
Hvis en model sparer syv timer på første udkast og skaber tre timers ekstra validering, er nettogevinsten fire timer. Hvis kontrollen samtidig gør metoden bedre og afslører gamle fejl, kan gevinsten være større end tid alene. Hvis kontrolarbejdet derimod bliver overfladisk, kan hurtigheden blot øge mængden af overbevisende, men usikre resultater.
Tre kontrolspørgsmål før et AI-resultat bruges
- Kan resultatet spores til data, kode, kilder og en bestemt modelversion?
- Er der en uafhængig metode, der kan bekræfte eller afkræfte den centrale påstand?
- Er kontrolarbejdet udført af nogen, der forstår fagområdet og har ret til at stoppe processen?
Studiet har vigtige begrænsninger
Resultaterne bør ikke læses som et facit for alle forskere. Spørgeskemadelen er en screenet, men ikke repræsentativ stikprøve i USA og Storbritannien. Tidsgevinsterne er selvrapporterede. Forfatterne angiver derfor heller ikke en statistisk fejlmargin, som om gruppen var et tilfældigt udsnit af alle forskere.
Interaktionsdataene kommer fra Googles egne produkter og er klassificeret med en pipeline, der blandt andet bruger modeller til at afgøre, om en samtale sandsynligvis handler om forskning. Studiet oplyser også, at betalt enterprise-brug af Gemini API ikke er med i den anvendte prøve. Kortlægningen af specialiserede modeller er heller ikke et komplet register.
Det gør ikke undersøgelsen ubrugelig. Tværtimod er kombinationen af brugsspor, modelkortlægning og spørgeskema mere nuanceret end en enkelt leverandørhistorie. Men tallene beskriver tidlige mønstre og oplevet produktivitet, ikke en dokumenteret stigning i antallet eller kvaliteten af videnskabelige gennembrud.
Læringen for virksomheder er at optimere hele kæden
- Kortlæg hele arbejdsgangen fra spørgsmål til verificeret beslutning, ikke kun den del AI kan skrive.
- Mål både bruttotid sparet og tid brugt på kontrol, rettelser og håndtering af nye køer.
- Prioritér forslag efter værdi og testbarhed, så flere idéer ikke blot bliver til mere ventearbejde.
- Invester i den menneskelige og fysiske kapacitet, som bliver den nye flaskehals.
- Beløn kvalitet, læring og reproducerbarhed i stedet for antallet af rapporter eller hypoteser.
En model kan gøre forarbejdet dramatisk hurtigere. Hvis resten af organisationen er bygget til den gamle hastighed, opstår der et misforhold. Den praktiske gevinst kræver, at ansvar, udstyr, review og beslutningsveje følger med.
Hurtigere tænkning er kun begyndelsen
Undersøgelsen giver en mere jordnær fortælling end både jubel og dommedag. Forskere oplever reelle tidsbesparelser og bredere adgang til værktøjer. Samtidig bliver validering, eksperimenter og valg mellem hypoteser vigtigere. AI fjerner ikke videnskabens langsomme dele; den kan gøre det tydeligere, hvor de ligger.
Det menneskecentrerede svar er ikke at presse alle led til samme maskinhastighed. Det er at bruge den frigjorte tid dér, hvor mennesker og virkelighed stadig skal mødes: i den kritiske kontrol, det gode eksperiment, samtalen på tværs af fag og beslutningen om, hvilket spørgsmål der er værd at forfølge.
Kilder og videre læsning
- Google: New insights from AI & Economy ATLAS – offentliggørelse af resultater, 15. september 2026
- AI in Science: Early Insights – original forskningsrapport, september 2026
- MIT FutureTech: Scientific Work – projekt- og metodekontekst fra forskningspartneren
