En usædvanlig lærings-AI er ved at ryste de højere uddannelsesinstitutioner: I stedet for at spytte svar ud stiller den ubarmhjertigt spørgsmål – og forandrer grundlæggende, hvordan studerende tilegner sig viden.
Mens klassiske chatbots ofte løser opgaver på få sekunder, tager dette system den stik modsatte tilgang. Det blokerer alle direkte svar og presser studerende til selv at rekonstruere løsningerne gennem målrettede modspørgsmål. Udviklerne beskriver det som et digitalt eksperiment, der skal vise, hvordan kunstig intelligens kan styrke tænkeevnen frem for at erstatte den.
En gammel filosofi møder moderne AI
AI-systemet bærer navnet Macro Buddy og er udviklet ved University of Wisconsin–La Crosse. Grundlaget er ikke et nyt teknologisk model, men derimod en urgammel idé fra filosofiens verden: den sokratiske metode.
I stedet for "Her er svaret" siger denne tutor: "Hvorfor mener du, at det forholder sig sådan?" – igen og igen og igen.
I antikken ledte Sokrates sine elever til egne erkendelser gennem en kæde af spørgsmål. Præcis sådan fungerer Macro Buddy: Spørger man eksempelvis om, hvordan vækstraten for bruttonationalproduktet beregnes, får man ingen formel præsenteret. AI'en svarer med en hel serie af modspørgsmål, der trin for trin leder hen imod den korrekte beregning.
Teknisk set bygger systemet på en specialtrænet sprogmodel. Økonomer ved højskolen har udelukkende fodret det med komplette noter fra deres makroøkonomi-forelæsninger. Modellen har ingen adgang til internettet, ingen Wikipedia og ingen OpenAI-server i baggrunden.
Det er der en god grund til: Hvert svar fra AI'en skal kunne udledes af det officielle undervisningsmateriale. På den måde passer tutoren præcist til kursusindholdet i stedet for at levere generisk viden fra nettet. I praksis fungerer AI'en som en ekstremt tålmodig tutor, der udelukkende må sige det, som underviserne tidligere har forklaret i auditoriet.
Fejl bliver til læringsmuligheder – uden færdige løsninger
Den mest interessante del ligger i håndteringen af misforståelser. Macro Buddy analyserer hvert input og forsøger at identificere begrebsmæssige fejl. Forveksler nogen realt og nominalt BNP, går AI'en ikke over til at forklare den færdige formel. I stedet sætter den forståelsen af prisniveauet i centrum.
Et typisk forløb kunne eksempelvis se sådan ud:
- "Hvad handler forskellen mellem realt og nominalt BNP egentlig om?"
- "Hvilken rolle spiller det generelle prisniveau i den sammenhæng?"
- "Hvad beskriver et prisindeks i sin kerne?"
AI'en fortsætter med at stille spørgsmål, indtil den studerende selv opdager, hvor tankefejlen lå. Læringsmålet er at skabe sammenhænge, ikke at udenad lære en modelsvarløsning. Den der passivt venter på, at "det rigtige svar" dukker op, vil blive grundigt skuffet af Macro Buddy.
Studie med 140 studerende: Aktiv læring giver tocifret gevinst
For at teste effekten gennemførte forskerne i foråret 2025 et eksperiment med 140 studerende i makroøkonomi. Deltagerne blev inddelt i fire grupper:
| Gruppe | Læringsscenarie |
|---|---|
| 1 | Alene med Macro Buddy |
| 2 | Traditionelt gruppearbejde uden AI |
| 3 | Kombination af Macro Buddy og gruppediskussion |
| 4 | Kontrolgruppe uden særlig støtte |
Forskerne var ikke kun interesserede i den absolutte karakter, men især i ændringen sammenlignet med kontrolgruppen ved den tredje eksamenstermin.
Den blandede gruppe med AI plus diskussion forbedrede sig i gennemsnit med 12 point – et markant spring opad.
De studerende, der først arbejdede med Macro Buddy og derefter diskuterede i grupper, klarede sig bedst. I den individuelle dialog med AI'en kunne de opspore deres tankefejl og kom allerede med modnet forståelse ind i teamfasen. I gruppen finpudsede de deres argumenter, rettede de sidste misforståelser og befæstede begreberne på et dybere niveau.
Billedet så ganske anderledes ud ved en mere passiv brug: Studerende, der lænte sig op ad færdige AI-svar uden at investere egen tankevirksomhed, oplevede et fald i præstationsniveauet. Analysen viste et tilbageslag på otte point, så snart den digitale støtte forsvandt.
Hvorfor passiv AI-brug faktisk kan forringe viden
Tallene fra studiet sender et advarselssignal til universiteter verden over. Bruges AI blot som en genvej, kan den lade tænkeprocesser sygne hen. Den der regelmæssigt "outsourcer" sine lektier, opbygger ingen bæredygtige mentale modeller. Så snart hjælpen forsvinder – til eksamen, til jobsamtalen eller på arbejdspladsen – mangler fundamentet.
Forskerne taler om en "kognitiv krykke". Den bærer på kort sigt, men forhindrer, at musklerne styrkes. Den der sendes til eksamen med sådan en krykke, vågner op til en ubehagelig overraskelse bagefter.
Macro Buddy forsøger at vende dette problem på hovedet. AI'en tvinger studerende til at bruge den mentale muskel frem for at sætte den ud af kraft. Den støtter ved at lede opmærksomheden i den rigtige retning, ikke ved at overtage tankearbejdet.
Paralleller til adaptive AI-tutorer på Harvard
Arkitekturen minder om projekter fra Harvard University, hvor adaptive AI-tutorer blev afprøvet. Her viste det sig allerede: Læringssystemer, der primært stiller spørgsmål, skaber mere varig viden end værktøjer, der blot leverer information.
Macro Buddy bevæger sig i en lignende retning, men er mere radikalt begrænset: intet internet, ingen udflugter til andre fag, udelukkende det officielle kursusmateriale. Derved forbliver kontrollen hos underviserne, og risikoen for fejlinformation reduceres.
Den sociale komponent er særligt interessant. Når studerende efter AI-sessionen diskuterer deres resultater i studiegrupper, støder forskelligt ledede tankegange mod hinanden. Kombinationen af individuelt spørgsmålsmaraton og kollektiv debat ser ud til at levere præcis den blanding, som krævende fag har brug for.
Hvad danske universiteter kan lære af dette
For universiteter i Danmark og Norden opstår nu spørgsmålet: Vil man blot tolerere AI – eller aktivt forme brugen af den? Studiet fra Wisconsin antyder, at der er meget at hente med klare regler og et didaktisk koncept.
- AI må ikke levere løsningen, men skal sætte tankeprocessen i gang.
- Kurser bør definere, hvilket materiale en tutor må trække på.
- Gruppearbejde kan fungere som et andet trin efter AI-dialogen.
- Undervisere har brug for indblik i de typiske fejlforestillinger, som AI'en identificerer.
Særligt i fag som økonomi, matematik eller fysik kunne en sådan tilgang hjælpe med systematisk at nedbryde standardfejl. Når en AI konsekvent rapporterer de samme misforståelser, kan undervisere justere deres forklaringer eller udvikle målrettede øvelser.
Muligheder, risici og et realistisk blik på AI i auditoriet
Konceptet rummer naturligvis også risici. Studerende kan forsøge at snyde AI'en for at komme frem til færdige svar alligevel. Undervisere kan blive for afhængige af teknologien og forsømme deres egen formidlingsstil. Og ikke alle studieretninger lader sig så enkelt reducere til et katalog af spørgsmål.
Eksperimentet viser ikke desto mindre: Der findes en mellemvej mellem AI-forbud og blind tillid. Intelligente tutorsystemer kan strukturere læringsprocesser målrettet, gøre fejl synlige og berige seminarernes samtaler. Forudsætningen er, at teknologien bevidst rettes mod aktiv tænkning.
For studerende kan man udlede et konkret råd: Den der lærer med AI, bør bruge den som en kritisk privatlærer, ikke som en snydeseddel. Gode spørgsmål er mere værdifulde her end færdige løsninger. Den der føler sig irriteret over modspørgsmålene, befinder sig sandsynligvis præcis det sted, hvor egentlig læring finder sted.
På lang sigt kan sådanne systemer endda bidrage til at gøre uddannelse mere retfærdig. En digital tutor bliver aldrig træt, besvarer tålmodigt hvert naive spørgsmål og tilpasser sig den enkeltes tempo. Når universiteter forbinder denne styrke med klare retningslinjer, står en ny form for studieliv for døren – én hvor AI ikke er genvejen, men derimod startskuddet til den virkelige tankeproces.
