Perplexity Deep Research skubber til græserne for forskningsstøtte, og implikationerne for studerende på de videregående uddannelser er mærkbare.
Videregående uddannelse handler ikke kun om at tilegne sig ny viden, men også om at forstå, hvordan viden produceres og erkendes.
Men hvad sker der, når research-værktøjer som Perplexity Deep Research kan gennemtrawle tusindvis af kilder og på få minutter levere en færdig analyse, der ligner et grundigt og velbearbejdet litteraturoverblik?
For forskere kan teknologien være en særdeles effektiv hjælp - med de rette forbehold. Men i forhold til de studerendes læring er der grund til bekymring. I arbejdet med at udvikle akademiske kompetencer og faglig dømmekraft bliver det afgørende at spørge: Hvad sker der med de grundlæggende kildekritiske kompetencer, hvis de ikke længere behøver at blive udviklet, fordi generativ AI tilsyneladende kan løse opgaven?
AI som research – eller blot avanceret informationssøgning?
Perplexity Deep Research præsenterer sig selv som et værktøj til "dybdegående research", men her er det værd at stoppe op og spørge: Er det overhovedet research, AI-systemet laver?
På engelsk bruges ordet research bredt om både informationssøgning og akademisk analyse. På dansk skelner vi skarpere: Research forstås ofte som informationsindsamling, mens forskning indebærer en metodisk, systematisk og analytisk bearbejdning af viden. Hvis vi tager den engelske forståelse for gode varer, kunne vi tro, at Perplexity kan bedrive forskning, men reelt er der tale om ganske avanceret form for litteratursøgning.
Hvis man forstår research som informationssøgning alene, så virker Deep Research imponerende. Men hvis man derimod forstår forskning som en akademisk proces, hvor rå data skal bearbejdes, perspektiver skal sammenholdes, og viden skal fortolkes, så bliver det tydeligt, at værktøjet svigter, hvor det akademiske arbejde for alvor begynder.
Problemet med generativ AI som værktøj til forskningsstøtte på uddannelserne
Visionen bag Perplexity Deep Research er at udføre omfattende litteratursøgninger og levere færdige analyser på et niveau, der matcher menneskelig ekspertise. Ifølge Perplexity selv udfører systemet arbejdet fra "mange timers research" på blot 2-4 minutter. Efter at have eksperimenteret med systemet fristes jeg til at sige, at man potentielt kan spare dage og uger snarere end timer, hvilket er imponerende - men problemerne for uddannelsessektoren står i kø.
AI-baseret research er måske nok effektiv, men den er ikke nødvendigvis afbalanceret. Systemet vælger sine kilder uden forklaring, sammenfatter uden at gennemgå alternative fortolkninger og serverer sine konklusioner med en maskinel skråsikkerhed, der burde få alarmklokkerne til at ringe. Perplexity Deep Research bygger ikke på metodisk nysgerrighed, den opsøger ikke modstridende argumenter for at forstå kompleksitet, og den reflekterer ikke over, hvorfor visse kilder prioriteres frem for andre. Og hvad sker der mon med kvaliteten af kilderne, efterhånden som internettet i stigende grad kommer til at rumme AI-genererede tekster?
Når AI ikke blot hjælper os med at finde kilder, men også begynder at diktere, hvilke der tæller med snedige algoritmer, så skifter vi fra en etableret akademisk praksis til en ren valideringsøvelse. Det er ikke et nyt problem i AI-sammenhænge, at teknologien kan virke særdeles overbevisende, imens indholdet klinger hult. Men det bliver særligt kritisk, når teknologien begynder at fungere som en autoritativ "videnskabelig stemme". Hvis ikke vi begynder at undervise studerende i at forholde sig kritisk til AI-genererede analyser - og gør det med det samme - så risikerer vi, at de ukritisk accepterer maskinens konklusioner som fakta.
Dermed opnår vi potentielt præcis det modsatte af den kildekritiske tradition, der indtil nu har været et hjørneflag i de videregående uddannelser.
Fra kildekritik til fastfood-information
Hvad betyder det for de videregående uddannelser, hvis vi ikke længere kan stole på, at en studerendes kildekritik rent faktisk er resultatet af en egen, akademisk bearbejdning? Uddannelsesinstitutionerne kan vælge at ignorere problemet eller begynde at gentænke måden, vi arbejder med kildekritik, informationssøgning og evaluering.
Løsningen er ikke at forbyde generativ AI eller insistere på, at vi kan fortsætte uændret. Men det er heller ikke at acceptere AI-research som en neutral udvikling. Uddannelse har aldrig handlet om blot at samle viden, men om at lære at forstå og bearbejde den. Hvis ikke de videregående uddannelser insisterer på denne skelnen, risikerer vi at reducere akademisk arbejde til en passiv disciplin, hvor studerende validerer maskinens resultater frem for selv at tænke.
Spørgsmålet er derfor ikke, om generativ AI skal bruges i forskning og uddannelse - men om vi stadig tør insistere på, at akademisk arbejde indebærer en menneskelig indsats.
