Kunstig intelligens, ægte læring? Fire spørgsmål til din AI-brug

Bekymringen har belæg. I et studie fra Microsoft Research og Carnegie Mellon University beskrev 319 videnarbejdere, hvordan de brugte generativ AI i deres arbejde. Jo større tillid de havde til værktøjet, desto mindre kritisk tænkning oplevede de selv at lægge i opgaven. Og i et polsk studie af erfarne læger, der udfører kikkertundersøgelser af tarmen, faldt deres evne til at finde forstadier til kræft i undersøgelser uden AI – fra 28,4 til 22,4 procent – efter at de en periode havde arbejdet med AI-støtte.

At lægge tankearbejde ud i omgivelserne er ikke nyt. Vi har gjort det med huskesedler, lommeregnere og GPS. Det nye er, at vi nu kan lægge hele tankerækken ud – ikke kun udregningen, men også analysen, vurderingen og formuleringen.

Men ligesom meget andet i samtalen om kunstig intelligens har historien to sider. Den samme teknologi, der kan få os til at springe tænkningen over, kan også hjælpe os med at tænke mere, dybere og bredere.

Udviklende AI-brug er et valg

Jeg har længe eksperimenteret med udviklende AI-brug på min egen hjerne. Jeg bygger små RAG-modeller i Claude og NotebookLM på det stof, jeg vil lære – ikke for at få stoffet resumeret, men for at blive udspurgt, få det forklaret igen fra en ny vinkel og få det repeteret, til det sidder. Lige nu bruger jeg en halv time om dagen på at forstå, hvordan de sprogmodeller, jeg underviser i, rent faktisk virker. AI er min tålmodige sparringspartner i det forløb, ikke min genvej udenom.

Jeg bruger også AI til at designe selve læringen: interaktioner og brugsmønstre, der tvinger mig til at anvende min viden på nye måder, kombinere den med andet stof og huske den bagefter.

Erfaringen har gjort én ting tydelig for mig. Det er ikke værktøjet, der afgør, om jeg bliver klogere. Det er spørgsmålet, jeg stiller det. Beder jeg AI om svaret, får jeg et svar. Beder jeg AI om at udfordre mig, til jeg selv kan formulere svaret, får jeg en kompetence.

Blooms taksonomi som ramme for AI og læring

Blooms taksonomi er en god ramme for at se forskellen. Den blev udviklet af den amerikanske uddannelsesforsker Benjamin Bloom og kolleger i 1956 og revideret i 2001 af Lorin Anderson og David Krathwohl. I den reviderede udgave beskriver taksonomien seks niveauer af læring: huske, forstå, anvende, analysere, vurdere og skabe.

Taksonomien er skrevet til skolen, men den bygger på solid viden om, hvordan mennesker lærer nyt – og den gælder, som jeg ser det, lige så meget for voksne i arbejdslivet.

Holdt op mod AI bliver taksonomien et spejl. Generativ AI kan i dag løse opgaver på alle seks niveauer for os. Spørgsmålet er derfor ikke, hvad AI kan, men hvad den gør ved vores egen bevægelse op ad trinene. Tager AI trinene for os, står vi stille. Hjælper AI os op ad dem, udvikler vi os.

Fire refleksionsspørgsmål til udviklende AI-brug

Jeg har samlet fire spørgsmål, man kan stille sig selv for at finde ud af, om man har brugt AI på en udviklende måde:

1. Har AI sparet mig for rutinearbejde – og har jeg investeret den sparede tid i noget, der gjorde mig klogere eller dygtigere?
Tidsbesparelsen er ikke i sig selv udvikling. Den bliver det først, når tiden går til de øverste trin i taksonomien i stedet for til flere af de samme opgaver. Skellet mellem den friktion, der dræner, og den, vi vokser af, har jeg skrevet om i artiklen om den rigtige friktion.

2. Har jeg med AI fået adgang til ny viden, fået viden nedbrudt eller bearbejdet den, så jeg bedre kan anvende den i mit arbejde?
Her arbejder AI på de nederste trin – huske, forstå, anvende – og det er ofte her, AI gør mest gavn for læring. Et tungt forskningsfelt kan blive tilgængeligt. Et fagområde, man aldrig fik lært, kan blive forståeligt.

3. Har automatiseringen af arbejdsgange eller delprocesser givet mig anledning til at reflektere over, hvordan den gode proces i mit arbejdsliv ser ud – og hvad har svaret været?
Automatisering kræver, at nogen beskriver processen. Det er analyse og vurdering, og det er det arbejde, der gør os klogere på vores eget fag. Den, der automatiserer uden at reflektere, lærer ingenting. Den, der reflekterer, mens der automatiseres, lærer sit fag at kende på ny.

4. Er jeg efter mødet med AI blevet nysgerrig og har fået appetit på ny viden, som jeg ikke havde blik for før – og hvis ja, hvad er det?
Nysgerrighed er det mest oversete tegn på udviklende AI-brug. Når arbejdet med AI åbner nye spørgsmål frem for at lukke dem, er vi på vej mod taksonomiens øverste trin: at skabe noget selv. Motivationen bag den bevægelse har jeg skrevet om i Gør AI os dovne?.

Refleksionsspørgsmål frem for en tjekliste

Jeg har forsøgt at formulere spørgsmålene som en tjekliste, men jeg tror, de virker bedre som refleksionsspørgsmål. En tjekliste kan man krydse af. Et refleksionsspørgsmål kræver et svar, man selv skal formulere – og det er i sig selv en øvelse i udviklende brug.

Spørgsmålene kan bruges alene, efter en uge med AI i arbejdet. De kan også tages med til et teammøde, hvor svarene ofte bliver mere interessante end hver for sig: Hvem har brugt den sparede tid på at blive dygtigere? Hvem har opdaget noget nyt om deres egen proces? Og hvem er blevet mere nysgerrig – eller mindre?

Det placerer ansvaret der, hvor det hører hjemme. AI afgør ikke, om vi mister vores kompetencer. Det gør vores valg af, hvad vi bruger teknologien til.

Tre spørgsmål at arbejde med i egen organisation:

• Hvor bruger jeres medarbejdere i dag AI til at springe trin over – og hvor bruger de den til at komme op ad dem?
• Hvilke kompetencer er så centrale for jeres faglighed, at de skal trænes aktivt, også selv om AI kan løse opgaven?
• Hvornår har I sidst talt om, hvad AI har lært jer – og ikke kun om, hvad AI har sparet jer?

Måske er det netop her, samtalen om AI og læring bør flytte sig hen: fra frygten for, hvad vi mister, til bevidste valg om, hvad vi vil blive dygtigere til.

Kilder

• Anderson, L. W. & Krathwohl, D. R. (red.) (2001). A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom's Taxonomy of Educational Objectives. Longman.
• Bloom, B. S. (red.) (1956). Taxonomy of Educational Objectives. Handbook I: The Cognitive Domain. David McKay.
• Budzyń, K. m.fl. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. The Lancet Gastroenterology & Hepatology.
• Lee, H.-P. m.fl. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025. Microsoft Research og Carnegie Mellon University.