AI · 10 november 2026
Fältstudie visar att AI-assistenter kan minska långsiktig lärande
Ett fältexperiment med nästan tusen gymnasieelever visar att användning av en AI-assistent förbätjade omedelbara resultat men ledde till sämre prestation när verktyget togs bort. Eleverna som hade tillgång till en assistent liknande ChatGPT presterade 17 procent sämre än de elever som aldrig fick använda verktyget. Detta mönster indikerar att assistenten fungerade som ett stöd som ersatte aktivt lärande snarare än att det stärkte de underliggande färdigheterna. Studien belyser en paradox där produktiviteten ökar under användning men kompetensen minskar när stödet upphör.
En metaanalys av 69 experimentella studier från åren 2022 till 2024 visar att ChatGPT förbättrar akademisk prestanda, motivation och benägenhet för högre tänkningsnivåer. Samtidigt minskar verktyget det mentala ansträngningsmål som användaren upplever. För produktteam kan detta se ut som ett idealiskt resultat där uppgiften löses bättre och användaren tröttnar mindre. Men fältexperimentet visar att denna förbättring inte alltid övergår i bestående kunskap. När tillgången till GPT-4 togs bort efter experimentet, föll prestandan för den grupp som använt verktyget i den vanliga gränssnittsversionen. I en version med skyddande ledtrådar hade prestandan ökat med 127 procent under användning, men samma nedgång inträffade när stödet upphörde.
Teorin om kognitiv belastning förklarar detta fenomen genom att skilja på tre typer av mentalt arbete. Den interna belastningen avser svårigheten i själva materialet. Den externa belastningen skapas av hur informationen presenteras, exempelvis genom otydlig navigation eller onödiga element. Den relevanta belastningen är det arbete som användaren lägger ner på att bygga och förankra kunskaper. Enligt teorin är det bara den externa belastningen som bör minskas i användarupplevelser. Den interna belastningen är det som användaren faktiskt lär sig, och den relevanta belastningen är nödvändig för att kunskapen ska fastna i långtidsminnet.
AI-verktyg sänker dock alla tre typerna av belastning samtidigt. Experiment med stora språkmodeller visar att när belastningen minskar, minskar även kvaliteten på resonemang och djupet i kunskaperna. AI tar bort inte bara det onödiga arbetet utan även den bearbetning av materialet som är nödvändig för lärande. Detta skiljer sig från traditionell användarupplevelseoptimering där målet är att uppfylla ett funktionellt behov utan att nödvändigtvis bygga en ny färdighet. I kontexter där användaren ska utveckla kompetens, är minskad extern belastning en nödvändig men inte tillräcklig förutsättning.
För att undvika att AI ersätter lärande krävs mekanismer som lämnar bearbetningen hos människan. Detta kan inkludera förklaringar istället för färdiga svar, verifiering innan svar accepteras och ledtrådar som fasas ut när expertisen ökar. Praktiska slutsatserna är att AI bör ta bort onödigt arbete men inte det arbete som användaren behöver utföra för att behålla och utveckla sina färdigheter. Utan denna balans riskerar användaren att bli beroende av verktyget utan att ha utvecklat den underliggande kompetensen som krävs när stödet inte finns tillgängligt.