Sådan researcher og faktatjekker du med AI: deep research-tilstand

Kort sagt: deep research-tilstand er, når AI ikke svarer med det samme, men selv laver dusinvis af søgninger, åbner sider og samler en rapport med kilder på 5–30 minutter. Det sparer timer, men fjerner ikke behovet for tjek: modellen kan stadig gengive en kilde forkert eller henvise til en side, der ikke findes. Én regel: åbn selv linkene. Det følgende er ikke teori, men en gennemgang af vores eget markedsstudie — hvad vi gravede frem, hvad vi tjekkede igen, og hvad vi ærligt talt ikke fik fat i.

Hvordan det adskiller sig fra en almindelig chat med søgning

En almindelig chat med websøgning laver én eller to søgninger og svarer på sekunder. Researchtilstand fungerer anderledes: den deler dit spørgsmål op i delspørgsmål, søger på hvert, læser det, den finder, bemærker modsigelser, opsøger det manglende — og skriver først derefter en struktureret rapport med fodnoter. Det er en løkke af "søg → læs → forfin", kørt mange gange uden dig.

Deraf forskellen i fornemmelse: et normalt svar er en belæst samtalepartners mening; en deep research-rapport er kladden til et analysenotat. Med en litteraturliste, du kan tjekke. Eller lade være med at tjekke — og træde i spinaten.

Og her er det, du bør fatte med det samme. Tilstanden ændrer researchens økonomi, ikke dens natur. At gå fyrre sider igennem kostede dig før en hel dag. Nu koster det ti minutters ventetid. Men beslutningen om, hvilke fyrre sider der overhovedet var værd at besøge, og hvad der følger af dem, er stadig din. Værktøjet gjorde indsamlingen billig og gjorde præcis ingenting ved tjekket. Tjekket blev, hvor det var — og derfor handler resten af artiklen mest om at tjekke.

Hvor du finder det

• ChatGPT — Deep Research-tilstand, typisk i betalte abonnementer, med en månedlig grænse for antal kørsler.
• Gemini — Deep Research, indbygget i grænsefladen, viser researchplanen, før den går i gang.
• Claude — Research-tilstand med websøgning og arbejde med flere kilder.
• Perplexity — bygget til søgning fra starten, med en særskilt researchtilstand.

Navne og grænser ændrer sig næsten månedligt, så husk ikke mærket, men princippet: viser et værktøj en liste over kilder og bruger minutter i stedet for sekunder — så er det den tilstand. Hvordan modellerne adskiller sig generelt, står i ChatGPT vs Claude vs Gemini.

Sådan stiller du opgaven, så rapporten bliver brugbar

Den klassiske fejl er at smide et emne ind på én linje ("markedet for elbiler i Europa") og vente på et mirakel. Tilstanden kører nok, men giver dig løst fyld. Afgræns opgaven på fire akser: spørgsmålet, grænserne (periode, region, kildetyper), formatet og hvad man gør med usikkerhed.

I stedet for at beskrive det abstrakt, så se det ske. Tryk på "Kør" nedenfor, og modellen forvandler for øjnene af dig et vagt emne til et rigtigt brief. Bagefter sætter du dit eget emne ind i stedet.

Du er redaktør på researchbriefs. Her er en forespørgsel præcis, som
en kunde sendte den: "Jeg har brug for et overblik over markedet for
elbiler i Europa."

Det er et dårligt brief. Skriv det om til et brugbart, langs fire
akser:

1. SPØRGSMÅLET. Del emnet op i 4-6 konkrete spørgsmål, der kan
   besvares med fakta og ikke med ræsonnement. Dårligt spørgsmål:
   "hvad er markedets udsigter". Godt spørgsmål: "hvordan har elbilers
   andel af nyregistreringer flyttet sig per land over tre år".
2. GRÆNSER. Foreslå en periode, en region og en prioritetsrækkefølge
   for kildetyper. Sig udtrykkeligt, hvilke kilder der tæller som
   primære i dette emne, og hvilke der er gengivelser.
3. FORMAT. Beskriv rapportens opbygning og citatreglen: hvad der skal
   stå ved siden af hvert tal.
4. USIKKERHED. Formulér den sektion, som researcheren er forpligtet
   til at udfylde: hvor kilder er uenige, hvad der ikke kunne findes,
   hvilke påstande der er svagt underbygget.

Slut af med 5 "faldgruber ved dette emne" — de typiske tal og
påstande, der i dette felt vandrer fra artikel til artikel uden en
primær kilde. Forklar, hvorfor hver enkelt er værd at tjekke igen.

Den sidste akse — usikkerhed — er den mest værdifulde, og næsten ingen beder om den. Den forvandler rapporten fra "selvsikker tekst" til et kort over det kendte, hvor man ser, hvor grunden er fast, og hvor der er sump. Grundlaget for at bygge forespørgsler står i hvad en prompt er, gennemgåede eksempler i vores samling af prompts.

Den største faldgrube: kilder, der ikke findes

Sprogmodeller opfinder kilder. Ikke af og til, og ikke kun "dårlige modeller" — det er systemisk: modellen genererer en sandsynlig fortsættelse af teksten, og en sandsynlig URL med en sandsynlig artikeltitel opfinder den lige så let som en ægte. Mekanikken er pakket ud i AI-hallucinationer: hvorfor modeller finder på ting.

Researchtilstand sænker risikoen, fordi den faktisk går ind på siderne. Men den fjerner den ikke. Tre veje, ad hvilke opspind siver ind i en færdig rapport:

• Et dødt link. Kilden er flyttet eller har aldrig eksisteret — i rapporten ser begge dele lige så solide ud.
• Linket virker, men påstanden står der ikke. Det hyppigste og mest lumske tilfælde: siden åbner, ser relevant ud, men tallet fra rapporten er der simpelthen ikke — modellen har fyldt betoningen ud.
• En kæde af gengivelser. Rapporten henviser til en blog, bloggen til en nyhed, nyheden til "et studie", som ingen har set. Formelt er der en fodnote. Faktisk er der ingen primær kilde.

Den ubehagelige, men ærlige konklusion: en fodnote er ikke et tjek, den er et løfte om et tjek. Tjekket er op til dig.

Seks tilfælde fra vores egen research

Det følgende er ikke lærebogseksempler. Vi lavede selv et studie af markedet for AI-kurser (data hentet den 17.07.2026): vi trak priser og kursusmetrikker ud af en intern Udemy-API, samlede tilmeldingsstatistikken på Coursera og læste, hvad utilfredse kursister rent faktisk skrev. Det er et bekvemt materiale til at vise alle faldgruber på én gang, for vi trådte i dem alle.

Tilfælde 1. Den primære kilde mod "alle ved det"

Den udbredte opfattelse: Udemy-kurser koster 200 dollar, men der er altid udsalg med 90% rabat. Spørg en hvilken som helst model — den gentager det med overbevisning, for tusindvis af artikler siger det. Vi gik ind i det rå API-svar (endpointet price_text) og så dette:

Du er en analytiker, der læser rå API-svar og ikke tror på
markedsføringen på dens ord. Her er et uddrag af API-svaret for en
kursusside (hentet af os den 17.07.2026):

{
  "price": {"amount": 24.99, "currency": "EUR"},
  "list_price": {"amount": 24.99, "currency": "EUR"},
  "saving_price": {"amount": 0.0},
  "has_discount_saving": false,
  "discount_percent": 0
}

Dine opgaver:
1. Hvad beviser dette uddrag, og hvad gør det ikke? Hold de to ting
   strengt adskilt.
2. Den udbredte påstand er: "på denne platform er der altid udsalg;
   et kursus til 200 euro går for 20." Modbeviser uddraget den
   påstand? Fuldstændigt eller kun delvist?
3. Giv tre alternative forklaringer, hvor både uddraget og den
   udbredte påstand stadig kan være forenelige.
4. Nævn tre yderligere felter eller forespørgsler, du ville kræve for
   at lukke spørgsmålet endeligt. Sig for hvert enkelt, hvilken
   konkret tvivl det fjerner.
5. Formulér konklusionen, som den kunne trykkes: én sætning, uden
   overdrivelse, med et udtrykkeligt forbehold om datas grænser.

Hvad vi fandt: der er ingen rabat. saving_price: 0.0, has_discount_saving: false, discount_percent: 0. Kurset koster 24,99 €, og 24,99 € er samtidig dets fulde pris. Af de tolv bedst sælgende kurser, vi hentede, koster elleve 19,99 €; ét (The Complete AI Guide) 24,99 €. Ingen steder et "før 199,99 €".

Det er hele lektien om primære kilder i ét afsnit. En masseopfattelse fandtes, var udgivet tusindvis af gange og lød fuldstændig troværdig. Ingen deep research ville have væltet den: modellen ville have fundet de selvsamme tusindvis af artikler og pligtskyldigt opsummeret dem. Det eneste, der modbeviser den, er et maskinlæsbart serversvar, som nogen måtte gå hen og hente. Deep research finder konsensus fremragende og finder næsten aldrig det, konsensus overså.

Så før du starter en kørsel, stil dig selv et ubehageligt spørgsmål: er mit svar sandsynligvis skrevet ned et sted, eller lever det i en database, et arkiv, en API, en prisliste, en retsbog? Er det det sidste, rækker rapporten dig et smukt kildebelagt sammendrag af det, alle tror, og du har ikke lært noget.

Tilfælde 2. Tallet, vi ikke kunne få fat i

Vores studie indeholder en linje, jeg holder mere af end alle tallene i det: den præcise pris på ChatGPT Plus — ubekræftet, alle OpenAI-domæner returnerede 403. Vi kender den pris nogenlunde, som alle gør. Men den primære kilde ville ikke give os den, så i vores interne fil er den markeret som andenhånds og forbudt at bruge som kendsgerning.

Samme markering bærer prisen på Udemy Personal Plan: 20,00 €/måned, 10,00 €/måned på tilbud — taget fra landingssiden, fordi udemy.com returnerede 403 til vores crawler. Tallet står i rapporten, men dets oprindelse står lige ved siden af.

Det er dét, deep research-rapporter gør dårligst. Modellen hader at vende tomhændet tilbage. Er den primære kilde utilgængelig, skubber den stille et tal fra en gengivelse ind i stedet og siger ikke et ord om det. Forskellen mellem "vi tjekkede dette" og "vi fandt en omtale af dette" forsvinder sporløst i dens prosa. Kræv udtrykkeligt en sektion "hvad jeg ikke kunne finde" — af sig selv dukker den aldrig op.

Og læg mærke til fejlens form. Det er ikke en hallucination. Tallet er sandsynligvis rigtigt. Det, der mangler, er mærkatet. Et korrekt tal uden mærkat og et forkert tal uden mærkat ser identiske ud på siden — og netop derfor betyder mærkatet mere end tallet.

Tilfælde 3. En autoritativ kilde med en hullet metode

Mens vi forberedte lokaliseringen, stødte vi på EF English Proficiency Index — verdens mest citerede rangliste over engelskkundskaber. Den sætter Rumænien på en 11.-plads i verden. Enhver AI-rapport om sprog slæber den ind først: den er overalt, ser ud som statistik, medier citerer den.

Vi smed den ud i sin helhed. Og her er hvorfor. Dens stikprøve er selvudvalgt — EF skriver det selv i metoden: testen tages af folk, der selv besluttede at tjekke deres engelsk på en sprogskoles hjemmeside. Den gennemsnitlige deltager er 26. Sammenlign nu med kilder med en sandsynlighedsstikprøve: Eurobarometer 540 (n = 26 523) og Eurostat AES 2022 siger begge, at Rumænien er dårligst i EU — 51,2% af befolkningen taler slet ingen fremmedsprog, og 25% taler engelsk. Ellevte i verden og dårligst i EU er ikke en spredning i skøn. Det er uforenelige udsagn, og ét af dem er fremstillet af en hullet metode.

Deraf en regel, der er mere værd end nogen tjekliste: se på, hvordan et tal blev fremstillet, ikke på, hvem der udgav det. Deep research rangordner kilder efter autoritet og synlighed — og en hullet metode er netop det, der gør en kilde synlig, fordi den giver rene, citerbare tal. En omhyggelig undersøgelse rapporterer intervaller og konfidensintervaller; en selvudvalgt quiz rapporterer en rangliste. Gæt, hvilken der vinder citatløbet.

Tilfælde 4. Et studie, der ikke siger det, det ser ud til at sige

Det eneste peer-reviewede eksperiment, vi fandt om vores emne: Bälter, Kann, Mutimukwe & Malmström, Applied Linguistics Review 15(6): 2373–2396, 2024. Et randomiseret kontrolleret forsøg, n = 2 263 svenske studerende, et onlinekursus i programmering, tilfældigt fordelt til den svenske eller den engelske version.

Resultatet: frafald på 57% på svensk mod 71% på engelsk (φ = 0,2; p < 0,00001). Gennemsnitsscore blandt dem, der blev: 16,9 mod 14,3, effektstørrelse δ = 0,085 — ubetydelig.

Se nu, hvad der skete der. På scorerne er der reelt ingen forskel. Fristelsen er at skrive "sproget påvirker ikke resultatet" — tallet er der, signifikansen ikke. Men på frafaldet er forskellen enorm. Engelsk forringede ikke forståelsen; det fik folk til at forlade kurset. Det er forskellige påstande, og den anden ser du kun, hvis du kigger på, hvad studiet målte, og på hvem. Selvvurderet færdighed beskyttede i øvrigt ikke mod frafald.

Deep research-rapporter går i stykker præcis her, og pålideligt. De opsummerer konklusionen fra abstractet, ikke studiets opbygning. Og et abstract er selv en gengivelse — bare en skrevet af forfatterne. Hvis en påstand betyder noget for dig, er de to ting værd at læse metodeafsnittet og tabellen. Alt andet i en artikel er prosa.

Tilfælde 5. Et tal, der ligner et svar, men ikke er det

Da vi målte markedet efter sprog, ramte vi Udemys kursustællere: så og så mange kurser på spansk, nul på svensk. Et pænt tal, en færdig slide. Bortset fra at det måler udbud, ikke efterspørgsel. Nul svenske kurser er enten en tom niche, man straks bør styrte mod, eller beviset på, at der slet ikke er noget marked. Ét tal, to modsatte konklusioner, og ingen data til at vælge mellem dem. Så det skrev vi: tvetydigt.

En nyttig vane: før du sætter et tal i en konklusion, så spørg dig selv, hvilken modsat beslutning det samme tal også ville underbygge. Underbygger det begge, er det ikke et argument — det er pynt. Deep research producerer den slags pynt i massevis, for et tal med en kilde vedhæftet består enhver overfladisk test, der findes.

Tilfælde 6. Effektstørrelse mod overskriftsstørrelse

Lokaliseringsbranchen lover en vækst på "+40–70%". Vi ledte efter uafhængig bekræftelse og fandt præcis to målinger. eBay ved indførelsen af maskinoversættelse: +10,9% eksport (Brynjolfsson, Hui & Liu, Management Science 65(12), 2019) — og effekten faldt, i takt med at varens pris steg. En A/B-test fra Wikimedia: +3,64%. Bag løftet om "+40–70%" står intet uafhængigt.

Kløften mellem 3,64% og 70% er ikke en uenighed om et tal. Det er forskellen mellem en måling og en reklame. Og læg mærke til detaljen om, at effekten skrumper, når prisen stiger: den findes kun i artiklen og forsvinder i enhver gengivelse, fordi den ødelægger overskriften. Forbeholdene dør først — de er det første, der amputeres i en kæde af gengivelser, længe før tallet selv bliver forvrænget.

Tjek en rapport på 5 minutter

1. Skriv de påstande op, som noget afhænger af. Som regel 3–7 pr. rapport, ikke fyrre. Resten er kontekst, hvor en fejl ikke koster noget.
2. Åbn linket til hver af dem. Loader det? Så Ctrl+F efter tallet eller nøgleordet. Ikke der? Påstanden er ikke underbygget. Punktum.
3. Gå tilbage til den primære kilde. Fører fodnoten til en nyhed om en rapport — så find selve rapporten. Tal muterer undervejs, og forbehold falder fra.
4. Tjek datoen. En "frisk" rapport sættes let sammen af fem år gamle artikler, hvis du ikke afgrænsede perioden.
5. Tjek metoden, ikke mærket. Hvordan blev tallet fremstillet? Hvem blev spurgt, og hvordan blev de udvalgt? Vores EF-tilfælde handler præcis om det.
6. Bed om det modsatte. Kør en anden runde: "find argumenter mod konklusion X og data, der modsiger den." Dukker der slet intet op, blev der nok søgt overfladisk.

De første fem minutter tjener sig hjem ved, at du ikke citerer et opspind. Det sjette trin tjener sig hjem ved, at du ikke citerer en sandhed, der intet betyder.

Her er en færdig revisor til trin 1–3. Prompten står selv — rapporten er indbygget i den, så kør den, som den er.

Du er faktatjekker. Du har fået et uddrag af en AI-rapport. Din
opgave er ikke at tjekke fakta (du har ikke internet), men at bygge
en tjekplan og sortere påstandene efter risiko.

RAPPORTUDDRAG:
"Markedet for online AI-kurser oplever et boom. Ifølge
brancheskøn når markedet 47 milliarder dollar i 2030 (kilde: et
marketingbureaus blog, 2025). Kurserne sælges med i gennemsnit 87%
rabat — platformene forærer dem praktisk talt væk. Det største kursus
samlede over 400 000 kursister. Eksperterne er enige om, at video
forbliver det foretrukne format for de fleste, der lærer. Et studie
har vist, at lokalisering af indhold øger konverteringen med 40-70%."

Gør fire ting:

1. OPDELING. Skriv hver påstand på sin egen linje. Sæt en klasse på
   hver: målbar kendsgerning / forudsigelse / skøn / gengivet
   holdning / marketingkliché.
2. RISIKO. Giv hver påstand en risiko for at være opspind eller
   forvrængning: høj / mellem / lav. Begrund med én sætning. Vær især
   opmærksom på tal uden dato og metode og på vendinger som
   "eksperterne er enige" og "et studie har vist".
3. PLAN. Skriv for de tre mest risikable påstande, hvilken konkret
   primær kilde der ville lukke spørgsmålet, og hvilken ene
   forespørgsel du ville rette til den.
4. OMSKRIVNING. Skriv uddraget om, så kun det, man kan stå inde for,
   bliver tilbage, og alt andet er udtrykkeligt markeret som
   ubekræftet. Find ikke på noget: hvor der ikke er data, så skriv
   det.

Når kilderne er mennesker

Halvdelen af vores studie er ikke tal, men anmeldelser. Vi samlede 26 citater fra utilfredse kursister ordret, med forfattere og datoer (plus to fra fora, som vi tæller for sig, for et forumindlæg er ikke en kursusanmeldelse). Om videokurser for eksempel:

"why read straight from the slide? I can do that. This was not a helpful course at all" — Janie I., 02.07.2026, 1★

"50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website" — Shashank T., 13.04.2026, 1★

Det vigtige er, hvad vi gjorde derefter. Vi skrev ikke "kursisterne er massivt utilfredse". Vi talte andelen af negative anmeldelser (≤3,5★): Generative AI for Beginners — 9,61%; The Complete AI Guide — 10,36%. Altså cirka én kursist ud af ti. Citaterne er stærke, men de illustrerer et mindretal, og det skal stå lige ved siden af i teksten.

Og det andet ærlige forbehold: på Coursera sker filtreringen af anmeldelser efter stjerner i browseren — server-HTML'en returnerer altid den første side. Det betyder, at vores citater derfra kommer fra standardvisningen, som enhver besøgende ser, ikke fra en systematisk udvælgelse. Det svækker påstanden, og det skrev vi.

Reglen: et citat er bevis for, at en holdning findes, ikke for, hvor udbredt den er. En deep research-rapport, der er limet sammen af anmeldelser, lyder altid som en dom — for råb er højere end tavshed, og en negativ anmeldelse skrives langt mere villigt end en neutral. Kræv nævneren. Giver rapporten dig fem rasende citater og ingen procent, har den ikke fortalt dig noget om verden; den har fortalt dig, at vred tekst er let at finde.

Sådan skelner du en god rapport fra en pæn

Deep research-rapporter ser næsten altid overbevisende ud: overskrifter, punkter, fodnoter, en jævn analytisk tone. Formens skønhed siger intet om indholdets kvalitet.

• Hvor mange forskellige kilder der bærer nøglepåstandene. Hviler hele rapporten på to sider, er det ikke research — det er en gengivelse af to sider.
• Om kildetyperne varierer. En rapport bygget kun på blogs og medier er svag. En med primærmateriale (rå API-svar, statistik, dokumentation, regnskaber, videnskabelige artikler) er stærk.
• Om der er angivet datoer. En påstand uden dato i et emne, der ændrer sig hurtigt, er næsten ubrugelig.
• Om metoden er angivet. Hvem blev spurgt, hvor mange, hvordan blev de udvalgt. Uden det er "en undersøgelse viste" en talemåde, ikke et bevis.
• Om usikkerhed indrømmes. En god rapport siger et sted "data er uenige" eller "ingen bekræftelse fundet". En rapport, hvor alt er entydigt, er mistænkelig: sådan ser virkeligheden ikke ud.
• Om fakta er adskilt fra konklusioner. "Salget voksede X%" og "markedet er på vej mod et boom" er påstande af forskellig klasse.

Stresstest din egen konklusion med denne — prompten virker uden internet, den angriber tekstens logik, ikke fakta.

Du er djævlens advokat. Din opgave er at forsøge at rive konklusionen
nedenfor ned. Vær ikke høflig, og søg ikke balance.

KONKLUSION: "Video taber til tekst, når voksne skal lære digitale
færdigheder, fordi video ikke kan skimmes i eget tempo, mens tekst
per definition har en udskrift."

BEVISET, KONKLUSIONEN HVILER PÅ (rigtige anmeldelser af de bedst
sælgende videokurser, indsamlet den 17.07.2026):
- "It is too fast for a beginner... until you try to see and
  understand it the next screen pops up" — Amit A., 29.04.2026,
  2★, kurset The Complete AI Guide
- "I am very frustrated that I can not easily access a transcript
  to reference later. The instructors are talking so quickly"
  — Vince D., 16.03.2026, 1★, kursus ikke angivet
- andel af anmeldelser ≤3,5★ for The Complete AI Guide: 10,36%

Gør fem ting:
1. Nævn det svageste punkt i denne argumentation.
2. Forklar, hvad disse anmeldelser beviser, og hvad de ikke gør. For
   sig: hvad gør tallet 10,36% ved konklusionens styrke — styrker
   eller svækker det den?
3. Byg det stærkeste modargument: under hvilke betingelser slår video
   tekst, og for hvem præcist?
4. Find på de data, der ville modbevise konklusionen fuldstændigt.
   Beskriv det studie, der ville frembringe dem.
5. Skriv konklusionen om, så den er ærlig over for det tilgængelige
   bevis. Den bliver sikkert smallere og kedeligere. Det er okay.

Særskilt om kæden af gengivelser

Den mest tavse af fejlene. Linket er levende, siden åbner, tallet står på den — og der er ingen primær kilde nogen steder, fordi alle citerer hinanden i en rundkreds. Deep research er magtesløs her: formelt er hver fodnote gyldig. Intet i rapportens struktur kan fortælle dig, at hele bygningen hviler på en pressemeddelelse, der ikke citerede noget.

Her er den samme "+40–70%", lagt ud trin for trin. AI-rapporten hævder "lokalisering øger konverteringen med 40–70%" og henviser til et oversættelsesplatforms blog. Bloggen, 2025: "studier viser en stigning på 40–70%" — med link til en brancheforenings pressemeddelelse. Pressemeddelelsen, 2024: "i en undersøgelse blandt markedsdeltagere melder virksomheder om en vækst på op til 70%" — helt uden link.

Se, hvor det brød sammen. Mellem pressemeddelelsen og bloggen blev "virksomheder melder om en vækst på op til 70%" til "studier viser en vækst på 40–70%". Interesserede parters selvrapportering blev til "studier", "op til 70%" blev til intervallet "40–70%", og undergrænsen kom ud af den blå luft. Ved den tredje gengivelse læses det allerede som en måling. Og ikke ét link i den kæde er formelt falsk — og netop derfor redder maskinel tjek af fodnoter dig ikke her.

Imens lå den rigtige måling lige ved siden af og kom aldrig ind i kæden: de selvsamme +10,9% fra eBay, med effekten, der faldt, i takt med at prisen steg. Den primære kilde tabte til gengivelsen, fordi den gav et dårligere tal.

Når researchtilstand er det forkerte værktøj

• Du skal bruge én kendsgerning. En sats, en dato, en definition — almindelig søgning er hurtigere.
• Emnet er under et døgn gammelt. Indeksering og adgang til friske sider fungerer ujævnt; brandvarme nyheder læser du bedre med egne øjne.
• Data er lukket. Betalte databaser, interne dokumenter, artikler bag betalingsmur — modellen kommer ikke ind og bygger, endnu værre, et overblik af gengivelser af abstracts. Vores 403'ere fra Udemy og OpenAI er præcis denne kategori.
• Du skal bruge det, konsensus overså, ikke konsensus. Historien om Udemy-rabatten markerer genrens grænse: det, der ikke står skrevet nogen steder, kan tilstanden per definition ikke finde.
• Prisen for en fejl er medicinsk eller juridisk. En rapport duer som terrænkort og kildeliste, ikke som grundlag for en beslutning.

Sådan indarbejder du det i dit arbejde

Den arbejdsmodel, der virker: deep research kortlægger feltet (hvem siger hvad, og hvor) → du bruger 5 minutter på at tjekke nøglepåstandene → du beder modellen skrive rapporten om, så kun det bekræftede står tilbage, og separat opremse det fjernede. Ud kommer en kort tekst, du kan stå inde for linje for linje.

Præcis sådan er den fil bygget, som denne artikel stammer fra. Den har en sektion, der hedder "hvad vi ikke har": prisen på ChatGPT Plus (403), Courseras anmeldelsesfilter (på klientsiden), Reddit (utilgængeligt for vores crawler), og en note om, at vores tre kilder til ét bestemt spørgsmål er avancerede brugere, ikke de begyndere, det handler om for os — en lille stikprøve, og det sagde vi. Den sektion er ubehagelig, for den opremser vores huller offentligt. Og den er også den eneste grund til, at de øvrige tal fortjener nogen tillid: hos en forfatter, der indrømmer tre huller, er det fjerde lettere at finde end hos en forfatter, hvor alt gik pænt op.

Bed din rapport om det samme. Ikke "er du sikker?" — modellen siger ja. Spørg: hvilke påstande her ville du droppe, hvis du skulle vædde penge på hver enkelt? Svarene er som regel konkrete, og som regel de samme tre påstande, du var ved at bygge en beslutning på.

Hold også den grundlæggende hygiejne for øje: fyld ikke følsomme eller andres data i researchtilstand — privatliv, når du arbejder med AI, gælder her præcis som i en almindelig chat. Er du stadig ved at blive fortrolig med chatten — så start med guiden til ChatGPT. Og gik din rapport galt i ræsonnementet snarere end i fakta, er det en anden historie: hvordan modeller ophober fejl trin for trin.