Perspektiv
OpenAI har fået en AI-forskningspraktikant – men mennesket styrer stadig arbejdet
OpenAI mener nu, at virksomhedens coding-agenter kan løse velafgrænsede forskningsopgaver, som ellers ville tage en dygtig forsker flere dage. Det er en væsentlig milepæl – men ikke en fortælling om forskning uden mennesker. OpenAI’s egne tal viser både flere eksperimenter og et fortsat stort behov for menneskelige indgreb.
En praktikant, ikke en selvkørende forsker
Ordet “forskningspraktikant” er godt valgt, hvis man tager det alvorligt. En praktikant kan udføre reelt arbejde, men har brug for en klar opgave, adgang til de rigtige materialer og en erfaren person, som kan vurdere resultatet. Praktikanten bestemmer heller ikke virksomhedens forskningsretning eller godkender sine egne konklusioner.
Det er nogenlunde sådan, OpenAI beskriver sin nye milepæl. I en offentliggørelse fra 2026-09-06 skriver virksomheden, at dens systemer under menneskelig ledelse kan gennemføre velafgrænsede forskningsopgaver, som ville tage en kvalificeret forsker nogle dage. Opgaverne kan blandt andet være at ændre kode, sætte eksperimenter op, analysere resultater og foreslå næste skridt.
Det er mere end en chatbot, der svarer på et spørgsmål. Agenten kan arbejde gennem en kæde af handlinger og holde en opgave i gang i timer. Men “velafgrænset” og “under menneskelig ledelse” er de to vigtigste ord i beskrivelsen. Systemet vælger ikke selv, hvilke problemer der fortjener tid og regnekraft. Det står heller ikke alene med bedømmelsen af, om et tilsyneladende lovende resultat faktisk er nyt, robust eller sikkert.
Hvad OpenAI faktisk har målt
OpenAI offentliggør interne data om brugen af coding-agenter i sit forskningsarbejde. Ifølge virksomheden steg antallet af eksperimenter pr. aktiv eksperimenterende medarbejder gennem 2026 og nåede i august det højeste niveau, siden målingerne begyndte i januar 2025. Samtidig steg aktiviteten inden for alle de kategorier, virksomheden følger.
Det er interessant, fordi det peger på en reel ændring i arbejdsgangen. Når det bliver billigere i tid at prøve en idé, kan forskere afprøve flere hypoteser, gentage analyser og undersøge blindgyder, som tidligere ville være blevet fravalgt. Værdien kan netop ligge i flere velvalgte forsøg – ikke kun i et hurtigere første udkast.
Men tallene kræver forsigtighed. OpenAI skriver selv, at mere computerkapacitet også har bidraget, og at aktivitetsmål er vanskelige at fortolke. Flere eksperimenter er ikke automatisk lig med bedre forskning. Ti hurtige forsøg kan være mindre værd end ét forsøg, der ændrer forståelsen af et problem.
Dataene kommer desuden fra OpenAI selv. De er ikke en uafhængig evaluering, og de beskriver et miljø med usædvanligt stærke forskere, specialbyggede værktøjer og meget stor adgang til regnekraft. Resultaterne kan derfor ikke uden videre overføres til en dansk virksomhed, en kommune eller en forening.
Den vigtigste måling er menneskets indgreb
Den mest oplysende oplysning handler måske ikke om hastighed, men om hjælp. OpenAI skriver, at mere end halvdelen af de succesfulde opgaver, der varede fire til otte timer, havde mindst ét menneskeligt indgreb i løbet af de seneste seks måneder.
Det er ikke nødvendigvis et tegn på fiasko. Et indgreb kan være en vigtig faglig korrektion: en forsker præciserer målet, stopper en forkert retning, giver adgang til et manglende datasæt eller forklarer, hvorfor et resultat ser mistænkeligt ud. Netop denne løbende dialog kan være grunden til, at opgaven lykkes.
Men indgrebene skal med i regnestykket. Hvis en agent arbejder i seks timer, men kræver hyppige afbrydelser fra en specialist, er gevinsten en anden end ved seks timers selvstændigt, pålideligt arbejde. En organisation bør derfor måle både agentens output og den menneskelige støtte, der var nødvendig for at få det frem.
Aktivitet er ikke det samme som fremskridt
AI-værktøjer gør det let at producere flere synlige resultater: flere kodeændringer, analyser, præsentationer og forslag. Det kan skabe en farlig illusion af fremdrift. Når mængden stiger, kan det føles, som om organisationen lærer hurtigere, selv om kvaliteten af beslutningerne er uændret.
OpenAI’s offentliggørelse er usædvanligt nyttig, fordi den selv peger på dette måleproblem. Planlægning udgør fortsat en lille del af agenternes output, mens udførelsen fylder meget. Det passer med en arbejdsdeling, hvor mennesker formulerer problemerne og vurderer betydningen, mens systemet tager en større del af det konkrete eksperimentarbejde.
For andre organisationer bør succes derfor måles i flere lag:
- Aktivitet: Hvor mange analyser, test eller udkast blev gennemført?
- Kvalitet: Hvor ofte var resultaterne korrekte, relevante og anvendelige?
- Menneskelig indsats: Hvor meget tid gik med brief, kontrol, rettelser og oprydning?
- Beslutningsværdi: Førte arbejdet til en bedre beslutning, en reduceret risiko eller en mærkbar forbedring?
- Læring: Blev en metode, et datasæt eller en arbejdsgang bedre til næste gang?
Hvis man kun følger det første lag, belønner man støj. De fire næste lag fortæller, om den øgede aktivitet faktisk er nyttig.
Hvad en almindelig organisation kan lære
De færreste skal bygge en AI-forsker. Mange kan alligevel bruge samme princip i mindre skala. En agent kan eksempelvis samle dokumenter til en afgrænset analyse, afprøve flere versioner af en beregning, kontrollere et datasæt eller klargøre et beslutningsoplæg. Den kan frigøre tid, hvis opgaven har et tydeligt mål og et resultat, som et menneske kan efterprøve.
Start med opgaver, hvor fejl kan opdages, før de får konsekvenser. En god pilot har kendte input, et aftalt output og en fagperson, som kan sammenligne resultatet med den nuværende metode. Undgå at begynde med områder, hvor systemet selv skal vurdere, om det har ret, eller hvor en fejl rammer kunder, borgere eller medarbejdere direkte.
En enkel prøve kan se sådan ud:
- Vælg én tilbagevendende opgave, som normalt tager to til fire timer.
- Beskriv det acceptable resultat med konkrete kriterier.
- Lad AI-værktøjet udføre opgaven på historisk materiale uden at påvirke driften.
- Registrer alle menneskelige indgreb og den tid, de tager.
- Sammenlign kvalitet, samlet tidsforbrug og fejltyper med den normale proces.
- Beslut derefter, om opgaven skal udvides, ændres eller droppes.
Det er mindre spektakulært end at tale om digitale medarbejdere. Til gengæld giver det et ærligt svar på, om værktøjet skaber værdi i netop jeres hverdag.
Mennesket beholder de svære beslutninger
OpenAI beskriver selv en arbejdsdeling, hvor mennesker fortsat fastlægger forskningsprioriteter, vurderer resultater og beslutter, om et projekt skal skaleres, sættes på pause eller bruges i praksis. Det er ikke en midlertidig detalje, man bør gemme væk i en fodnote. Det er en central del af systemets design.
Jo mere en agent kan udføre, desto vigtigere bliver kvaliteten af den menneskelige ramme. En uklar opgave kan nu føre til langt mere arbejde i den forkerte retning. Et fejlagtigt mål kan blive forfulgt mere effektivt. Og et resultat, der ser overbevisende ud, kan få større vægt, fordi der ligger mange eksperimenter bag.
Derfor bør ansvar ikke beskrives som et sidste godkendelsesklik. Den ansvarlige person skal kunne forstå målet, følge arbejdet, udfordre resultatet og stoppe processen. Det kræver faglig indsigt og tid – også når agenten udfører hovedparten af de synlige trin.
En milepæl med en vigtig begrænsning
OpenAI’s “forskningspraktikant” er et stærkt tegn på, at langvarige AI-agenter er ved at blive mere anvendelige i komplekst vidensarbejde. Virksomhedens mål om en mere selvstændig automatiseret AI-forsker i marts 2028 viser samtidig, hvor hurtigt ambitionerne bevæger sig. Det er et mål, ikke et dokumenteret resultat.
Den nøgterne læsning er derfor dobbelt. Systemerne kan allerede tage en større del af udførelsen og gøre flere forsøg mulige. Men de arbejder bedst, når mennesker definerer problemet, griber ind undervejs og vurderer, hvad resultaterne betyder.
Det er ikke en skuffelse. Det er et mere brugbart billede af AI i arbejde: ikke et menneske, der forsvinder, men en arbejdsdeling, som skal designes, måles og ledes ordentligt.
Læs også
- Hvad er en AI-agent – og hvornår giver den mening?
- Research med AI – sådan finder og kontrollerer du kilder
