I flera tidigare inlägg har jag berört olika aspekter av generativ AI i högre utbildning.
I AI i högre utbildning: att leda förändring när verktyget kom före evidensen beskrev jag GenAI som en arrival technology, en teknologi som etablerade sig i undervisningen långt innan forskningen hunnit utveckla en stabil evidensbas eller tydliga pedagogiska modeller.
I GenAI, and Deep vs Shallow Learning diskuterade jag skillnaden mellan djup- och ytinlärning och hur lärande bygger på att ny information aktivt bearbetas, relateras till tidigare kunskap och/eller diskuteras med andra. Där ställdes också frågan om vad som händer när GenAI blir den första man frågar istället för sin medstudent.
I Feedback literacy i GenAI-tider argumenterade jag för att snabb återkoppling inte automatiskt leder till bättre lärande och att den verkliga utmaningen kanske inte handlar om tillgång till feedback, utan om förmågan att använda den klokt.
I Universitetens framtid och AI ställde jag en ännu större fråga: Om GenAI kan producera samma resultat som studenten, vad är det egentligen som universitetet mäter?
I Tänk fort, tänk långsamt och tänk artificiellt, diskuterar jag Shaw och Naves [1] idé om att vi kanske behöver komplettera Kahnemans två system med ett tredje, artificiellt system för tänkande. Ett system som inte finns i hjärnan men som ändå börjar påverka hur vi resonerar, fattar beslut och löser problem.
Från dessa framgår det tydligt att den fråga man måste ställa inte är vad GenAI kan göra, utan vad studenten måste göra själv.
Ett tankeexperiment
Låt oss göra ett tankeexperiment. Föreställ er att vi tar en tidsmaskin tillbaka till universitetet på 1980-talet. Vi samlar några universitetslärare och berättar följande:
«Om fyrtio år kommer varje student att bära runt på en apparat som har tillgång till större delen av världens samlade kunskap. Apparaten kommer dessutom att kunna skriva uppsatser, förklara kvantmekanik, programmera, sammanfatta vetenskapliga artiklar och formulera övertygande svar på tentafrågor.»
Jag misstänker att många skulle ha ställt samma fråga:
«Vad ska då studenterna göra själva?»
Det visar sig vara en betydligt svårare fråga än man först kan tro.
Universitetets märkliga affärsidé
Universitet är egentligen ganska märkliga institutioner. Varje år låter vi tusentals studenter lösa problem som redan är lösta. Fysikstudenter räknar på rörelser som Newton gjorde för över 300 år sedan. Historiker analyserar händelser vars utgång redan är känd. Medicinstudenter tränar på diagnoser som erfarna läkare ställer på några minuter.
Ur ett produktionsperspektiv är detta närmast absurt ineffektivt. Om målet vore att producera korrekta svar skulle vi lika gärna kunna dela ut facit direkt. Eller ännu enklare. Vi skulle kunna låta en språkmodell göra jobbet.
Men det är naturligtvis inte därför universitet finns. Universitetets uppgift är inte att producera svar. Universitetets uppgift är att utveckla människor och ge dem färdigheter för att kunna besvara frågor som vi inte har svar på.
Det finns en avgörande skillnad mellan att ha ett svar och att kunna finna fram till ett. Misstaget vi gör är att anta att de två sakerna hänger ihop. Om en student skrev en bra rapport eller löste ett svårt problem var det i regel ett tecken på att studenten också hade utvecklat motsvarande förståelse och färdigheter.
GenAI gör att detta antagande blir betydligt svårare att argumentera för. Plötsligt kan en välskriven text eller en korrekt lösning säga mindre om den bakomliggande lärprocessen än tidigare. Det betyder inte att lärandet har försvunnit, utan att kopplingen mellan prestation och lärande har blivit betydligt svårare att tolka. Och då börjar en obekväm fråga tränga sig på:
Vad är det egentligen vi bedömer?
När hjälp blir ett problem
Om man frågar studenter vad som hjälper dem att lära sig något, får man ofta ganska intuitiva svar.
Tydliga förklaringar.
Snabba svar.
Bra sammanfattningar.
Omedelbar återkoppling.
Det är just därför GenAI känns så användbart för studenter. Problemet är att flera decenniers forskning om lärande pekar på något som först låter paradoxalt.
Det som känns lättast medan vi lär oss är inte alltid det som leder till bäst lärande.
I GenAI, and Deep vs Shallow Learning argumenterade jag för att djupinlärning bygger på att ny information aktivt bearbetas, kopplas till tidigare kunskap och diskuteras med andra. Om GenAI utför en stor del av den bearbetningen åt studenten kan man därför fråga sig om den kognitiva aktivitet som djupinlärningen bygger på fortfarande sker hos studenten.
Detta leder fram till en pedagogisk paradox. GenAI är i grunden utvecklat för att minska friktion. Men undervisning bygger på att viss friktion måste finnas kvar.
Alla som undervisat känner igen ögonblicket när studenten efter en stunds kamp plötsligt utbrister:
«Nu förstår jag!»
Det är ofta där «lärandet» sker. Inte när svaret ges. Utan då studenten själv har lyckats bygga upp sin egen förståelse genom kognitiv ansträngning.
När GenAI förbättrar prestation men inte nödvändigtvis lärande
Här blir den aktuella forskningen särskilt intressant.
Den ger inget stöd för att GenAI i sig är bra eller dålig för lärandet. Utfallen verkar istället bero på hur stödet är utformat, vilken typ av uppgift det handlar om och vad som händer när GenAI-stödet tas bort.
I Bastanis och kollegors studie [2] blev eleverna betydligt bättre på de GenAI-stödda övningarna. När stödet senare togs bort presterade dock elever som använt en ChatGPT-liknande lösning sämre på det oassisterade provet än kontrollgruppen. För den grupp som använde ett mer pedagogiskt utformat GenAI-verktyg, GPT Tutor, försvann huvuddelen av den negativa effekten, men man såg inte heller någon tydlig lärandevinst jämfört med kontrollgruppen. Detta är en viktig observation.
Den antyder att frågan inte är om GenAI används. Frågan är hur GenAI används. Eller mer presist:
Vilken mental aktivitet utför studenten själv?
Det är en fråga som varje kursansvarig borde ställa inför varje uppgift och varje examination.
Från djupinlärning till kognitiv kapitulation
Här blir kopplingen till Tänk fort, tänk långsamt och tänk artificiellt särskilt intressant. I studien av Shaw och Nave [1] fick deltagarna lösa uppgifter där GenAI ibland gav korrekta och ibland felaktiga svar. När GenAI hade rätt förbättrades resultaten. När GenAI hade fel försämrades resultaten, ibland mer för personer som arbetade utan GenAI. Forskarna tolkar detta som ett exempel på det de kallar cognitive surrender: att människor gradvis överlåter delar av sitt omdöme till GenAI.
Det som gör resultaten intressanta är inte bara att GenAI ibland leder människor fel. Det intressanta är att deltagarna ofta litade på GenAI även när den hade fel.
Det är egentligen ganska logiskt.
Vi människor har alltid varit det som Kahneman kallade kognitiva snåljåpar [3]. Vi försöker spara mental energi när vi kan. När GPS kom slutade många med att memorera vägen eller använda fysiska kartor. När miniräknaren kom slutade vi utföra räkneoperationer i huvudet. När GenAI nu kan resonera åt oss vore det snarast förvånande om vi inte frestades att låta den göra det.
Frågan är bara hur mycket.
Om Shaw och Nave har rätt räcker det därför inte att diskutera GenAI som ett verktyg. Då måste vi också diskutera GenAI som en aktör i den kognitiva processen.
Kanske ställer vi fel fråga
Mycket av debatten kring GenAI i utbildning handlar om tillåtelse och fusk.
Får studenter använda GenAI? När får de använda? Till vad?
Jag misstänker att detta är fel utgångspunkt. Den pedagogiskt mest intressanta frågan är inte om AI används utan:
Vilket tänkande vill vi att studenten ska utföra själv?
När vi vet det blir GenAI-frågan betydligt enklare.
Om målet är att träna argumentationsanalys kan AI generera argument som studenten får kritisera.
Om målet är att utveckla vetenskapligt omdöme kan GenAI användas för att generera alternativa hypoteser som studenten måste utvärdera.
Om målet är problemlösning kanske studenten först måste göra ett eget försök att lösa problemet innan GenAI överhuvudtaget får användas.
MIT:s kommitté [4] argumenterar för något mycket liknande. Undervisning bör designas utifrån vilka kunskaper och förmågor som ska utvecklas, och GenAI bör därefter användas på ett sätt som stärker snarare än ersätter dessa processer. Rapporten sammanfattar detta som principen augmentation, not automation.
Hur skulle det kunna se ut i praktiken?
Låt oss ta litteraturanalys som exempel.
En traditionell uppgift är att studenten skriver en analys av en roman. I en GenAI-rik värld kan stora delar av textproduktionen automatiseras. Vad gör vi då? En möjlig lösning är att förändra processen snarare än att förbjuda teknologin.
Studenten läser först romanen.
Formulerar en egen tolkning.
Därefter får GenAI generera alternativa tolkningar och motargument.
Sedan diskuteras skillnaderna i seminariegrupper.
Avslutningsvis försvarar studenten sin tolkning muntligt.
AI ersätter då inte analysen.
Den fördjupar analysen.
Samma princip kan användas inom naturvetenskapliga ämnen.
Låt studenten först formulera sin hypotes.
Låt sedan GenAI kritisera resonemanget.
Be studenterna att avgöra vilka invändningar som är relevanta och vilka som är felaktiga.
På så sätt flyttas GenAI från rollen som facit till rollen som sparringpartner.
Och kanske är det där dess största pedagogiska potential ligger.
Flera studier pekar på att GenAI ofta fungerar bättre som ledtrådsgivare, återkopplingspartner eller källa till frågor än som leverantör av kompletta lösningar. Samtidigt varierar resultaten mellan olika ämnen, uppgifter och studentgrupper, vilket gör att slutsatserna fortfarande bör betraktas som preliminära.
Från feedback literacy till AI literacy
I Feedback literacy i GenAI-tider argumenterade jag för att framtidens utmaning inte främst handlar om att få feedback utan om att kunna använda feedback.
Något liknande verkar nu gälla för GenAI. Den viktigaste kompetensen är sannolikt inte att kunna använda GenAI. Den viktigaste kompetensen är att veta när GenAI bör ifrågasättas:
När den förenklar för mycket. När den låter övertygande utan att vara korrekt.
När den hjälper. Och när den faktiskt stjälper.
Paradoxalt nog kräver detta ofta mer ämneskunskap, inte mindre. Den som inte förstår området har svårt att avgöra om GenAI:s svar är bra. Kanske är det därför framtidens utbildning kommer att behöva lägga lika stor vikt vid omdöme som vid informationsinhämtning.
Slutord
När jag ser tillbaka på de senaste åren och alla artiklar och andra källor som jag läst, slås jag av att de egentligen handlar om samma sak.
Inte om artificiell intelligens, utan om mänsklig intelligens.
Frågorna om djupinlärning, feedback literacy, universitetets framtid, arrival technologies och kognitiv kapitulation pekar alla på samma grundläggande problem.
Vilken del av tänkandet måste utföras av studenten för att lärande ska uppstå?
Jag tror att det är där den stora frågan om AI finns. Inte i teknologin. Utan i gränsytan mellan teknologin och människans egen kognition. För om universitetets uppgift fortfarande är att utveckla omdöme, förståelse och självständigt tänkande, då är frågan inte hur mycket GenAI kan göra. Frågan är hur mycket vi vågar låta GenAI-teknologin göra innan vi börjar förlora det som utbildningen försöker utveckla.
Referenser
- Shaw, S. D., & Nave, G. Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender. https://papers.ssrn.com/sol3/Delivery.cfm?abstractid=6097646
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122.
- Kahneman, D. (2011). Thinking, Fast and Slow.
- Massachusetts Institute of Technology. (2026). Report of the Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. Cambridge, MA: MIT.




