Når KI bliver målgruppen: Videnskabelige artiklers afslutning som menneskelige dokumenter

En provokation med system: Når maskiner bliver den egentlige læserskare

I maj 2025 offentliggjorde 37 forskere fra cirka to dusin topuniversiteter og teknologivirksomheder et paper på ArXiv med en programmatisk titel: „The Last Human-Written Paper". Kernetesen er lige så enkel som vidtrækkende: det videnskabelige paper i sin nuværende form – et tekstdokument, der blev opfundet for 350 år siden – er ikke egnet til KI-agenter. Og da KI-agenter i stigende grad bliver de primære konsumenter af videnskabelig indsigt, bør formatet gentænkes fra grunden.

Forfatterne foreslår et koncept kaldet „Agent-Native Research Artifact" (ARA). Betegnelsen er bevidst valgt: ikke en tekst skrevet til mennesker, der efterfølgende gøres maskinlæsbar – men et format, der fra begyndelsen er designet til autonome KI-agenter. Mennesker kan efter behov generere klassiske PDF'er fra det, men den primære målgruppe er maskinen.

De to afgifter på videnstab

Det, der lyder som akademisk navlebeskuelse, beskriver to strukturelle problemer, der er relevante langt ud over videnskaben – og som i erhvervslivet dagligt koster millioner af euro i spildt viden.

Forskerne betegner det første problem som „Storytelling Tax": når en forsker dokumenterer sit projekt i et paper, går anslået 80 procent af det faktiske arbejde tabt. Mislykkede eksperimenter, forkastede parameterkonfigurationer, uventede sideeffekter – alt dette forsvinder i den narrative fortætning. Det, der er tilbage, er en velpoleret succeshistorie, der ofte reelt umuliggør en gentagelse af eksperimentet.

Det andet problem kalder de „Engineering Tax": selv det, der rent faktisk ender i paperet, er en komprimering af virkeligheden med tab. Implementeringsdetaljer mangler, formuleringer er for vage, afgørende kodelinjer forbliver uomtalte. En KI-agent – eller en menneskelig kollega – kan ofte simpelthen ikke reproducere resultatet.

„AI agents are becoming first-class participants in research workflows, not tools that assist humans but autonomous contributors that read, reproduce, and extend scientific work. That transition demands infrastructure built around agents from the start."

Dette citat stammer direkte fra paperet og markerer et paradigmeskift: KI er ikke længere et værktøj, men en aktør i vidensprocessen. Infrastrukturen må følge denne virkelighed.

Fra videnskab til erhvervspraksis: den egentlige sprængkraft

Det, der ved første øjekast ligner et akademisk formatproblem, har umiddelbare konsekvenser for enhver organisation, der ønsker at anvende viden systematisk. Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, sætter det på spidsen: i erhvervslivet eksisterer det samme problem i en anden forklædning. Procesviden ligger i Word-dokumenter, e-mailkorrespondancer og i enkeltmedarbejderes hoveder – ikke i formater, som en KI-agent selvstændigt kan læse, vurdere og operationalisere. Det spørgsmål, som ARA-paperet stiller for videnskaben, lyder oversat til virksomheder: Er jeres vidensdokumentation agent-ready?

ARA-konceptet indebærer blandt andet en såkaldt „Live Research Manager" – en AI-komponent, der kontinuerligt overvåger hele forskningsprocessen og automatisk dokumenterer den, uden at mennesket aktivt behøver at gribe ind. Fra denne fuldstændige protokol kan der efter behov genereres et klassisk paper. Princippet lader sig direkte overføre til virksomhedsprocesser: I stedet for at udarbejde projektdokumentation retrospektivt og ufuldstændigt, registreres viden i realtid og struktureret – som grundlag for autonome AI-agenter, der kan bygge videre på den.

Large Language Models på tærsklen til ekspertviden

Leadforfatter Jiachen Liu, der afsluttede sin ph.d. i datalogi ved University of Michigan i 2025 og efterfølgende var med til at grundlægge Agent Native Research Lab, beskriver den teknologiske udvikling med bemærkelsesværdig direkthed: Allerede i 2026 er viden på bachelor-niveau næsten fuldt ud kodet i store sprogmodeller. Det næste skridt – den fuldstændige integration af viden på ph.d.- og professorniveau – er forudsigeligt. Fra dette punkt, lyder hendes tese, kan mennesket ikke længere bidrage med en yderligere videnbase til modellen. AI ville derefter skulle videreudvikle sig selv – og til det formål har den brug for en egnet infrastruktur.

Denne prognose lyder måske dristig, men retningen er klar: LLMs bliver stadigt mere kraftfulde, og den afgørende flaskehals forskydes fra modelintelligens til kvaliteten af de tilgængelige data og processtrukturer. Den, der i dag har dårlig, inkonsistent eller fragmenteret vidensdokumentation, vil i morgen få dårlige AI-resultater – uanset hvor god den underliggende model er.

Kritisk perspektiv: Fremskridt eller selvoptimering i AI-boblen?

Papiret er ikke forblevet uden modsigelse – omend forfatteren selv erkender, at kritiske røster sjældent melder sig direkte. Der er legitime spørgsmål: Hvis interesser er i centrum, når forskningsinfrastruktur primært bygges op omkring AI-agenter? Videnskab har altid også en social, kommunikativ funktion over for mennesker – ikke kun over for maskiner.

Desuden viser studier, at AI-understøttet forskning nok kan accelerere individuelle karrierer inden for bestemte felter, men muligvis reducerer diversiteten af nye idéer og forskningstemaer. Når AI-agenter filtrerer litteratur primært efter reproducerbarhed og struktureret anvendelighed, opstår der risiko for, at utraditionelle, vanskeligt formaliserbare tilgange systematisk undervægtes.

Ikke desto mindre: Grunddiagnosen – at det 350 år gamle format for det videnskabelige paper er strukturelt uegnet til en verden med autonome AI-agenter – er svær at modsige. Spørgsmålet er ikke om, men hvordan og med hvilke Guardrails tilpasningen finder sted.

Hvad virksomheder konkret kan udlede nu

For organisationer, der ønsker at anvende AI-agenter ikke blot som assistenter, men som selvstændige procesudførere, udspringer der af denne debat direkte handlingsfelter:

• Vidensstruktur bør kontrolleres før modellanvendelse: Inden en KI-agent integreres i en arbejdsgang, bør den underliggende vidensbase kontrolleres for fuldstændighed, konsistens og maskinlæsbarhed.
• Procesdokumentation som strategisk ressource: Interne arbejdsgange, beslutningslogikker og undtagelsesregler skal dokumenteres på en måde, så en agent kan fortolke dem uden menneskelig assistance.
• Løbende dokumentation frem for retrospektive rapporter: Princippet om "Live Research Manager" – automatisk realtidslogning – kan overføres til projektledelse, kundeinteraktioner og operative processer.
• Planlæg for format-agilitet: Systemer bør opbygges, så vidensinhold kan leveres i forskellige formater – som en læsbar rapport til mennesker og som et struktureret dataprotokol til agenter.

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, observerer i praksis, at mange virksomheder ved indførelsen af KI prioriterer det teknologiske lag og forsømmer infrastrukturlaget. Anvendelsen af avancerede agentsystemer forudsætter, at viden ikke blot er til stede, men aktivt er agent-ready – struktureret, fuldstændig og fortolkelig for autonome systemer.

Udsyn: Et nyt paradigme for vidensarbejde

ARA-papiret er en tidlig indikator for et bredere skift: Vidensarbejde produceres i stigende grad ikke primært til menneskelige læsere, men til hybride systemer bestående af mennesker og autonome agenter. Dette skift er særligt synligt i videnskaben, fordi dokumentationspraksisserne der er mere eksplicitte og formaliserede end i de fleste virksomheder.

For erhvervslivet betyder det: Den, der i dag opbygger den infrastruktur, som KI-agenter skal operere på i morgen, vil have et strukturelt forspring. Ikke fordi modellerne bliver bedre – det gør de under alle omstændigheder – men fordi kvaliteten af den tilgængelige kontekstviden afgør kvaliteten af agenternes beslutninger. Konkurrencen om KI-drevet effektivitet er i sidste ende en konkurrence om den bedste vidensarkitektur.

Det videnskabelige papir er måske ikke uddødt endnu. Men det spørgsmål, som 37 forskere rejste med deres artikel, stiller sig for enhver organisation, der seriøst satser på autonome KI-systemer: Hvem skriver du egentlig til – og er din viden klar til de agenter, der skal arbejde med den?