Forskning30. juli 2026
Når AI bør følge mennesket for best ytelse
Av redaksjonen
Ny forskning utfordrer den utbredte «AI-først»-strategien i komplekse beslutningsprosesser, og viser når AI-en bør ta en assisterende rolle for å maksimere resultater.
Hvordan bedrifter og organisasjoner best fordeler beslutningsoppgaver mellom mennesker og kunstig intelligens er et kjerneområde for optimalisering. En ny beregningsmodell kaster lys over dette samspillet ved å undersøke hvordan to agenter – en menneskelig og en AI-basert – tilpasser seg sekvensielle oppgaver over tid. Funnene utfordrer den utbredte tanken om å la AI lede an.
Modellen, inspirert av såkalte , skiller seg ut ved å fokusere på , der tidligere beslutninger påvirker fremtidige. Den sentrale forskjellen mellom agentene ligger i «minnets» kapasitet: Den menneskelige agenten vektlegger nyere utfall («recency-weighted»), mens AI-en har et jevnt minne over et gitt antall tidligere utfall («uniform-memory»), noe som gjenspeiler dens skalerbare og konsistente algoritmiske oppdateringer. Dette betyr at AI-en i større grad forsterker eksisterende resultattrender, enten de er gode eller dårlige. Mennesket er på sin side mer flyktig, men også lokalt korrigerende.
En nøkkelinnsikt er at AI-ens jevne minne kan forsterke en dårlig start, mens det menneskelige, flyktige minnet kan korrigere lokale feil. Når en sekvens av beslutninger starter dårlig, viste det seg at en «minneløs» og (tilfeldig) tilpasning, selv om den isolert sett er dårligere, fungerer som en ’rømningsmekanisme’ fra dårlige baner. Dette betyr at i noen tilfeller er uforutsigbarhet en fordel.
Det viktigste funnet er imidlertid at samlet ytelse ofte maksimeres ikke ved å starte med AI, en «AI-first»-tilnærming, men derimot når AI-en følger et menneske som presterer godt. Den skalerbare tilpasningen til AI-en forsterker da de positive effektene. Er utgangspunktet derimot svakt, er det heller mer tilfeldig søk – som det mennesket kan bidra med – som kan redde situasjonen. Dette peker mot at optimal menneske-AI-samarbeid avhenger kritisk av oppgavens egenart og hvor i prosessen man befinner seg, og advarer mot universelle «AI-først»-strategier.