En omfattende analyse af 42 millioner videnskabelige artikler viser, at forskere, der tager kunstig intelligens (AI) i brug, publicerer mere, bliver citeret oftere og rykker hurtigere frem i karrieren – men de samme værktøjer kan også være med til at indsnævre feltet af videnskabelige spørgsmål, som tiltrækker opmærksomhed, finansiering og talent.
AI er hurtigt ved at ændre den måde, forskning bliver udført på. Men ud over at ændre metoderne kan teknologien også være med til at forme forskernes karrierer – og måske endda påvirke, hvilke typer spørgsmål videnskaben stiller.
Et nyt studie i Nature har med beregningsmetoder sammenlignet forskningsresultater og karriereforløb hos forskere, der har taget AI-baserede teknikker i brug, med tilsvarende forskere, der ikke har.
Forskerne analyserede 42 millioner videnskabelige artikler publiceret gennem de seneste fire årtier for at kortlægge fremkomsten af AI-relaterede metoder på tværs af discipliner. De identificerede artikler, der anvendte maskinlæring og beslægtede teknikker, og koblede dem til publikationsaktivitet, citationer og karriereudvikling. Analysen viser, at AI i mange tilfælde har givet naturvidenskabelige forskere et markant løft i karrieren – samtidig med at opmærksomhed og ressourcer i stigende grad samler sig om bestemte typer forskningsproblemer.
På tværs af materialet publicerede forskere, der brugte AI-metoder, omkring tre gange så mange artikler, modtog næsten fem gange så mange citationer og rykkede fra junior- til seniorforsker omkring et år hurtigere end sammenlignelige kolleger. Forskellene er så store, at de kan påvirke, hvilke metoder og forskningsspørgsmål forskere vælger at arbejde med.
Det betyder, at brugen af AI har været en klar strategisk fordel, siger medforfatter James Evans, sociolog og forsker i data og kunstig intelligens ved University of Chicago i USA.
“Enkeltforskere skal kæmpe for at overleve – få den næste bevilling og blive forfremmet,” siger han.
AI har allerede ført til store gennembrud i enkelte felter – som AlphaFolds nobelprisbelønnede fremskridt i forudsigelse af proteiners struktur – men kan samtidig være med til at snævre videnskabens samlede fokus ind ved at trække opmærksomheden mod problemer, der er lettest at løse med store datasæt og kraftige beregninger, forklarer Evans.
Når data sætter retningen for forskningen
AI er særligt god til at finde “nålen i høstakken”, forklarer Evans. Ved at gennemgå enorme datamængder kan algoritmer finde statistiske mønstre, som ville være svære for mennesker at opdage uden hjælp.
Derfor samler forskere, der arbejder med AI, sig ofte i fagområder, hvor der allerede findes store, strukturerede datasæt, der egner sig til maskinlæring. Det kan tiltrække endnu flere ressourcer til områder, der i forvejen er velundersøgte – og samtidig skubbe nye forskningsfelter i baggrunden, hvis de endnu ikke råder over tilsvarende datasæt.
“Det er fint, hvis nogle gør det. Men hvis alle gør det, vil afkastet aftage – alle vil konkurrere om stadig mindre præstationsfordele, indtil forskellene i sidste ende bliver uden betydning,” siger han.
Evans understreger, at dette beskriver AI’s nyere udvikling – ikke nødvendigvis dens fremtid.
“Det er den retning, AI bevæger sig i lige nu, men den behøver ikke at ende der,” siger Evans. “Vi kan stadig rette kursen.”
Mere gennemtænkte prioriteringer i forskningsfinansiering og politiske beslutninger på universitets- og regeringsniveau kan ifølge ham være med til at styre ressourcer både mod indsamling af nye data – som kan danne grundlag for fremtidig AI-assisteret forskning – og mod videnskabelige områder, der endnu ikke egner sig til AI-optimering.
“Jeg synes, det ville være tragisk, hvis forskere, der ikke bruger AI, blev skubbet ud. De arbejder ofte med et bredere spektrum af projekter og problemer,” siger han.
De største gennembrud begynder med gode spørgsmål
Indtil videre giver AI-assisteret forskning gode svar. Men ifølge Evans er det, der mangler i frontforskningen – jagten på livets oprindelse, universets begyndelse eller endnu uopdagede systemer i vores egne kroppe – først og fremmest gode spørgsmål, ikke blot stadig bedre mønstergenkendelse.
“AI-værktøjer er langt hurtigere til at lukke eller ‘færdiggøre’ forskningsfelter, end de er til at skabe helt nye spørgsmål eller nye argumenter,” siger han.
“AI er endnu ikke klar til at håndtere den type problemer,” siger Evans. Men sådan behøver det måske ikke at være længe.
I deres analyse identificerede forskerne tre brede faser i AI’s indtog i videnskaben: en tidlig fase med maskinlæring, der begyndte i 1980’erne, hvor statistiske modeller hjalp med bestemte analytiske opgaver; en fase med dyb læring, der tog fart omkring 2015, hvor flerlagede neurale netværk gjorde det muligt at genkende mere komplekse mønstre; og en nyere fase med generativ AI, som tog form omkring 2022.
Forfatterne peger på, at endnu en overgang kan være på vej, hvis kunstig generel intelligens en dag bliver en realitet. I så fald kan AI-systemer bevæge sig ud over snævre analyseopgaver og i stedet begynde at fungere som samarbejdspartnere i dele af den videnskabelige proces.
Fra analyseværktøj til mulig forskningspartner
Denne mere generaliserede AI behøver ikke at være et geni for at gøre en forskel.
“Nogle gange beder jeg i mine forelæsninger folk række hånden op, hvis de tror, at AlphaFold kan hjælpe dem i deres forskningsprojekter,” siger medforfatter Fengli Xu, professor i informationsvidenskab ved Tsinghua University i Beijing i Kina. På trods af AlphaFolds “overmenneskelige” præstationer er der ikke mange hænder i vejret – forudsigelse af proteinstrukturer er stadig en ret snæver opgave.
“Men hvis jeg ændrer spørgsmålet og siger: ‘Hvis jeg giver jer en junior-ph.d.-studerende, tror I så, det vil være nyttigt?’, så svarer måske 80 til 90 procent ja.”
Evans, der også leder et Google-team, som arbejder med kollektiv intelligens, siger, at han er fascineret af ideen om at udvikle AI som forskningssamarbejdspartner.
“Hvordan finder jeg den rigtige AI-samtalepartner – en sparringspartner, en kreativ partner?”
Kan en AI deltage i en videnskabelig debat?
I november 2025 var Evans og Xu værter for en konference i Beijing for førende forskere, der arbejder med AI i videnskaben. Her gennemførte de også et “socialt eksperiment”, fortæller Xu: “Kan AI deltage i en konference på linje med menneskelige forskere – med en vis grad af autonomi?”
For at teste den nyeste AI arrangerede de en paneldebat mellem to “digitale forskere” og to mennesker. Det var dog ikke helt lige vilkår, for de to menneskelige deltagere var nobelpristagere: Arieh Warshel, professor ved University of Southern California og modtager af Nobelprisen i kemi i 2013, og Thomas Sargent, professor ved New York University og modtager af Nobelprisen i økonomi i 2011.
De to AI-agenter – specialisten Lambda og generalisten Omega – var udviklet i et framework kaldet OmniScientist, som skal give AI nogle af de sociale og samarbejdsmæssige færdigheder, der kræves for at arbejde sammen med forskere.
Lambda optrådte på en skærm i naturlig størrelse som en pæn ung asiatisk mand med briller og sweatervest, med digitale hænder hvilende på krydsede digitale knæ. Omega fremstod som en alvorlig gråhåret mand med butterfly.
Ved den lejlighed havde AI’erne dog svært ved at følge med i samtalen.
