Troede AI gjorde dig hurtigere? Studie viser skill issues gør dig 19% langsommere

Udviklere troede, AI gjorde dem hurtigere – men sandheden var omvendt

Forestil dig, at du sidder i et åbent kontorlandskab, kaffekoppen er halvkold, og du har netop fået adgang til et nyt AI-værktøj, der lover at gøre dig 24% hurtigere. Det føles næsten for godt til at være sandt. Og det var det også. Et nyt studie fra METR viser, at udviklere, der troede de blev markant hurtigere med AI, faktisk blev 19% langsommere. Det er ikke bare en lille forskel – det er en forskel, der burde få både offentlige og private beslutningstagere til at spidse ører.

Vi har set, hvordan AI-hype kan drive beslutninger i både kommunale og private bestyrelseslokaler. Men hvad hvis den oplevede produktivitetsgevinst slet ikke findes? Det er ikke bare et akademisk spørgsmål – det er noget, der kan koste millioner.

Det mest fængende og spændende billede, der realistisk illustrerer temaet i artiklen, kan være en dokumentaristisk scene, hvor en isoleret, hverdagstroende udvikler sidder i et åbent kontorlandskab, omgivet af kaotiske koderekker og notater, mens en stor, abstrakt digital installation hænger over ham. Denne installation symboliserer en kompleks AI-visualisering, som grafisk viser en slags paradoxal balance mellem hastighed, forsinkelse og ineffektivitet, med dynamiske datagrafikker, der flyder i luften og skaber en visuel metafor for den skarpe forskel mellem forventning og virkelighed. Her er fokus på en subtile, men detaljeret måde at visualisere de abstrakte konsekvenser af AI’s utilstrækkelighed i praksis – med brug af virkelige arbejds- og miljøforhold, eksempelvis en kaffekop, der er halvt kold, hvilket illustrerer frustration og stagnation uden at overdrive, samtidig med at teknologien bliver en del af det fysiske miljø gennem visualiseringer i form af lys og data. Billedet skal formidle en konkret si

METR-studiet: Når følelse og fakta kolliderer

Studiet var egentlig ret simpelt: 16 udviklere fik 246 opgaver, fordelt tilfældigt mellem AI-støttet og klassisk kodning. Forsøget var randomiseret og kontrolleret – altså ikke bare et spørgeskema, men reel måling af output.

Tre tal står tilbage: Udviklerne forventede at blive 24% hurtigere. De følte sig 20% hurtigere. Men målingen viste, at de var 19% langsommere. Det er en 39-procents kløft mellem oplevelse og virkelighed. Det er næsten komisk, hvis det ikke var så alvorligt.

Hvorfor føles AI-værktøjer mere produktive?

Det er let at forstå, hvorfor udviklere føler sig mere effektive. AI-værktøjer kan gøre arbejdet sjovere, mere varieret og mindre monotont. Vi har selv oplevet det hos Snilld: Når vi tester nye AI-assistenter, føles det hele lidt mere som et spil. Koden flyder, og man slipper for de kedelige gentagelser. Men det er ikke det samme som at få mere fra hånden.

En udvikler i studiet beskrev det sådan: “Det føles som om jeg får hjælp af en kollega, der aldrig bliver træt.” Men hvis den kollega konstant foreslår løsninger, der kræver ekstra rettelser, så ryger gevinsten hurtigt.

Konsekvenser for beslutningstagere

Her bliver det alvorligt. Hvis ledere og indkøbere baserer deres AI-investeringer på medarbejdernes følelse af produktivitet, risikerer de at købe katten i sækken. Vi har set eksempler på organisationer, der har investeret millioner i AI-værktøjer, kun for at opdage, at den reelle output ikke følger med forventningerne.

Fejlopfattelser kan føre til fejlinvesteringer, forkerte strategiske valg og i værste fald tab af konkurrenceevne. Det er ikke bare teori – vi har selv rådgivet kunder, der har måttet rulle AI-projekter tilbage, fordi de ikke leverede som lovet.

Billedet viser et typisk produktionsmiljø, men med en subtil, abstrakt repræsentation af den virkelighed, som AI forandrer. Forestil dig en stor, gennemskinnelig glasflate, der svæver over et åbent arbejdsområde, og som er fyldt med komplekse, dynamiske geometrier — snurrende, spiralskinner og bølgende mønstre, der symboliserer dataflow og informationsstrømme. Overfladen er let utydelig, hvilket skaber en følelse af, at den både beskytter og skjuler det bagvedliggende, som udviklerne normalt ville fokusere på. Rundt om glasfladen er elementer af hverdagsmiljøet – en kaffekop, notesbøger og nogle små, sporadiske elektroniske enheder, der står som stille vidner til den konstante bearbejdning af information. Fokus er på, hvordan teknologiens abstrakte strømme – repræsenteret ved de flydende og amorfe digitale stykker — påvirker selve struktur og tempo i arbejdsprocesserne, uden at træde ind i sci-fi-galakse. Det moderne kontormiljø, med åbne plankegulve og minimalistisk belysning, understreger den virkelige v

Sådan måler man reel AI-effektivitet

Hvis man vil undgå at blive forført af AI-hype, skal man måle rigtigt. Randomiserede forsøg, objektive output-målinger og tidsstudier er vejen frem. Det lyder tungt, men det er nødvendigt, hvis man vil kende den reelle effekt.

Subjektive vurderinger – altså hvordan det føles – er ikke nok. Vi har set, hvordan selv erfarne udviklere kan overvurdere deres output, når AI er i spil. Det er menneskeligt, men det er ikke godt nok som beslutningsgrundlag.

At håndtere forskellen mellem følt og reel produktivitet

Det kræver både uddannelse og forventningsafstemning. Medarbejdere og ledelse skal lære at skelne mellem oplevet og målt effekt. Vi anbefaler altid at køre små pilotprojekter, hvor man måler konkret på output – ikke bare spørger, om folk er glade.

Internt kan det hjælpe at tale åbent om AI-hype og de psykologiske mekanismer, der får os til at overvurdere nye værktøjer. Det er ikke for at tage begejstringen fra folk, men for at sikre, at man ikke træffer dyre beslutninger på et forkert grundlag.

Hvor hjælper AI faktisk – og hvor fejler det?

Studiet viser, at AI især fejler, når præcision og domæneviden er afgørende. Det behøver ikke betyde, at AI’en er for dårlig – det kan lige så godt betyde, at vi undervurderer, hvor vigtigt det er at give modellerne den rigtige kontekst. AI gør dig ikke langsommere fordi AI er dårlig; den gør dig langsommere, når du ikke leverer domæneviden i et forståeligt format. At formulere opgaver, forretningsregler og rammer så AI faktisk kan bruge dem, er en færdighed – og den måles sjældent i produktivitetsstudier. Organisationer der investerer i både AI-værktøjer og i at træne medarbejderne i at bruge dem – inklusiv hvordan man giver modellerne den nødvendige domæneviden – kan derfor se andre resultater end studiet.

Det er vigtigt at identificere de opgavetyper, hvor AI faktisk skaber værdi. Det kræver, at man tør måle og sammenligne – ikke bare stole på mavefornemmelsen.

Det mest fængende og realistiske billede, der kan illustrere emnet om den falske følelse af hurtighed og produktivitet med AI, er et dokumentarisk scenarie fra et moderne udviklingsmiljø. Forestil dig en åben kontorplads, hvor små grupper af udviklere arbejder i harmoni, men i stedet for computere og personer, fokuserer billedet på abstrakte elementer: flydende datastreams, breder af symboler for hastighed og forsinkelse, og visuelle metaporer som skyer af skarpe, dynamiske lysstrømme, der indhyller et centralt symbolsk element — en halvt gennemsigtig, futuristisk timeglast, der viser en forsinkelse. Det skaber en realistisk, men abstrakt visualisering af, hvordan den opfattede hastighed ikke nødvendigvis stemmer overens med virkeligheden, og giver et overblik over de komplekse data, der er bag AIs påvirkning på produktivitet i nutidens miljøer .

Hvad kan vi lære af METR-studiet?

Den vigtigste læring er, hvor afgørende uddannelse er. Det er for nemt at skyde skylden på teknologien – den svarer jo på det, den får – når problemet ofte ligger hos brugeren: vi stiller ikke de rigtige spørgsmål, og vi giver ikke den rette og udtømmende kontekst. AI leverer kun så godt, som den bliver brugt. Organisationer der investerer i både værktøjerne og i at lære medarbejderne at formulere opgaver, stille præcise spørgsmål og tilføre den nødvendige domæneviden, vil derfor få meget mere ud af samme teknologi.

Det betyder ikke, at man skal lade være med at måle eller være kritisk. Lad være med at lade begejstringen styre – mål effekten, og vær ærlig om resultaterne. Men lad også være med at stoppe ved “AI virkede ikke” uden at spørge: hvad vidste brugeren om at bruge den, og hvad vidste modellen om opgaven? Det er ikke et spørgsmål om at være imod AI, men om at bruge det rigtigt – og det kræver træning.

Hos Snilld hjælper vi med at designe og måle værdien af AI-projekter i praksis. Vi har set, hvor galt det kan gå, hvis man ikke tør stille de svære spørgsmål. Og vi har også set, hvor stor forskel det gør, når man investerer i uddannelse og i at give AI den rette kontekst.

Afslutning: Man mærker først forskellen, når man tør måle den

Det er let at blive grebet af stemningen, når AI-værktøjer lover guld og grønne skove. Men man opdager først forskellen, når man tør måle den – ikke bare mærke den. Vi har prøvet begge dele. Og vi ved, hvad vi ville vælge.

At bruge AI rigtigt kræver både vilje til at måle, evner til at stille de rigtige spørgsmål og give den nødvendige kontekst. Det er netop det, Snilld Akademiet er bygget til: Kurser, workshops og oplæg, der gør jer klar til at bruge AI med både måling og metode – fra begynder til AI-driver. Udforsk, hvad I kan lære, her på Snilld Akademiet.

Kilder:

Målgruppens mening om artiklen

Anne Madsen, IT-chef i en kommune:
Jeg giver artiklen 85. Den rammer plet i forhold til de udfordringer, vi oplever, når AI-hype møder virkeligheden i det offentlige. Jeg kan især genkende problematikken omkring fejlopfattelser og risikoen for fejlinvesteringer. Artiklen er relevant og konkret, men kunne godt have haft flere praktiske eksempler fra den offentlige sektor.

Jesper Holm, digitaliseringskonsulent i en region:
Jeg giver den 92. Artiklen er ekstremt relevant for mit arbejde, fordi den adresserer den kløft, vi ofte ser mellem forventninger og faktisk effekt af nye teknologier. Det er vigtigt, at der sættes fokus på objektiv måling, og jeg synes, artiklen gør det på en letforståelig måde. Den burde læses af alle beslutningstagere.

Lene Sørensen, indkøbsansvarlig i en større kommune:
Jeg giver den 78. Jeg synes, artiklen er god til at forklare, hvorfor man ikke bare skal stole på medarbejdernes oplevelse, men jeg savner lidt mere konkret vejledning til, hvordan man som indkøber kan stille de rigtige krav til leverandører og måle effekten i praksis.

Mikkel Friis, leder af IT-udvikling i en statslig styrelse:
Jeg giver artiklen 88. Den er meget relevant og rammer et ømt punkt i forhold til vores egne AI-projekter. Jeg kan godt lide, at den tager fat i forskellen mellem følt og reel produktivitet, og at den opfordrer til pilotprojekter og måling. Dog kunne jeg godt have ønsket lidt mere om, hvordan man håndterer modstand mod at måle på output.

Sara Lind, digital projektleder i en kommune:
Jeg giver den 80. Artiklen er aktuel og rammer mange af de faldgruber, vi ser i AI-implementering. Jeg sætter pris på, at der lægges vægt på uddannelse og forventningsafstemning, men jeg savner lidt flere konkrete cases eller erfaringer fra lignende organisationer.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Gemini 3 Pro Nano Banana 2 Pro fra Google.

Book Din AI-Booster Samtale

– Ingen Tekniske Forudsætninger Påkrævet!Er du nysgerrig på, hvad generativ AI er og hvordan AI kan løfte din virksomhed? Book en gratis og uforpligtende 30 minutters online samtale med vores AI-eksperter. Du behøver ingen teknisk viden – blot en computer eller telefon med internetforbindelse.

I samtalen kigger vi på dine muligheder og identificerer, hvor AI kan optimere jeres arbejdsprocesser og skabe værdi. Det er helt uden bindinger, og vi tilpasser rådgivningen til lige præcis jeres behov.

Fordele ved samtalen:

Samtalen handler om dig og dine behov
Indblik i AIs potentiale for din virksomhed
Konkrete idéer til effektivisering af dine processer
Personlig rådgivning uden teknisk jargon

Det handler om at skabe værdi for dig