Slik gjør du research og faktasjekk med AI: deep research-modus

Kort sagt: deep research-modus er når AI ikke svarer med en gang, men selv gjør dusinvis av søk, åpner sider og setter sammen en rapport med kilder på 5–30 minutter. Det sparer timer, men fjerner ikke behovet for kontroll: modellen kan fortsatt gjengi en kilde feil eller vise til en side som ikke finnes. Én regel: åpne lenkene selv. Det som følger er ikke teori, men en gjennomgang av vår egen markedsstudie — hva vi gravde fram, hva vi sjekket på nytt, og hva vi ærlig talt ikke fikk tak i.

Hvordan det skiller seg fra en vanlig chat med søk

En vanlig chat med nettsøk gjør ett eller to søk og svarer på sekunder. Researchmodus fungerer annerledes: den deler spørsmålet ditt opp i delspørsmål, søker på hvert, leser det den finner, legger merke til motsigelser, leter opp det som mangler — og skriver først da en strukturert rapport med fotnoter. Det er en løkke av "søk → les → forfin", kjørt mange ganger uten deg.

Derav forskjellen i følelse: et vanlig svar er meningen til en belest samtalepartner; en deep research-rapport er utkastet til et analysenotat. Med en litteraturliste du kan sjekke. Eller la være å sjekke — og gå på en smell.

Og her er det du bør skjønne med en gang. Modusen endrer researchens økonomi, ikke dens natur. Å gå gjennom førti sider kostet deg før en hel dag. Nå koster det ti minutters venting. Men avgjørelsen om hvilke førti sider som i det hele tatt var verdt å besøke, og hva som følger av dem, er fortsatt din. Verktøyet gjorde innsamlingen billig og gjorde nøyaktig ingenting med kontrollen. Kontrollen ble værende der den var — og derfor handler resten av artikkelen mest om å kontrollere.

Hvor du finner det

• ChatGPT — Deep Research-modus, vanligvis i betalte abonnementer, med en månedlig grense for antall kjøringer.
• Gemini — Deep Research, innebygd i grensesnittet, viser researchplanen før den starter.
• Claude — Research-modus med nettsøk og arbeid med flere kilder.
• Perplexity — bygget for søk fra starten, med en egen researchmodus.

Navn og grenser endrer seg nesten månedlig, så husk ikke merket, men prinsippet: viser et verktøy en liste over kilder og bruker minutter i stedet for sekunder — da er det den modusen. Hvordan modellene skiller seg generelt, står i ChatGPT vs Claude vs Gemini.

Slik gir du oppdraget så rapporten blir nyttig

Den klassiske feilen er å slenge inn et tema på én linje ("markedet for elbiler i Europa") og vente på et mirakel. Modusen kjører nok, men gir deg løst fyll. Avgrens oppgaven på fire akser: spørsmålet, grensene (periode, region, kildetyper), formatet og hva man gjør med usikkerhet.

I stedet for å beskrive det abstrakt, se det skje. Trykk på "Kjør" nedenfor, så forvandler modellen for øynene dine et vagt tema til et ekte brief. Etterpå setter du inn ditt eget tema i stedet.

Du er redaktør for researchbrief. Her er en forespørsel akkurat slik
en kunde sendte den: "Jeg trenger en oversikt over markedet for
elbiler i Europa."

Dette er et dårlig brief. Skriv det om til et brukbart, langs fire
akser:

1. SPØRSMÅLET. Del temaet opp i 4-6 konkrete spørsmål som kan
   besvares med fakta og ikke med resonnering. Dårlig spørsmål: "hva
   er markedets utsikter". Godt spørsmål: "hvordan har elbilenes andel
   av nyregistreringer endret seg per land over tre år".
2. GRENSER. Foreslå en periode, en region og en prioritert rekkefølge
   for kildetyper. Si uttrykkelig hvilke kilder som teller som primære
   i dette temaet, og hvilke som er gjenfortellinger.
3. FORMAT. Beskriv rapportens oppbygning og siteringsregelen: hva som
   skal stå ved siden av hvert tall.
4. USIKKERHET. Formuler seksjonen som utføreren er forpliktet til å
   fylle ut: hvor kildene spriker, hva som ikke lot seg finne, hvilke
   påstander som er svakt underbygd.

Avslutt med 5 "fallgruver ved dette temaet" — de typiske tallene og
påstandene som i dette feltet vandrer fra artikkel til artikkel uten
en primær kilde. Forklar hvorfor hver enkelt er verdt å sjekke på
nytt.

Den siste aksen — usikkerhet — er den mest verdifulle, og nesten ingen ber om den. Den forvandler rapporten fra "selvsikker tekst" til et kart over det kjente, der man ser hvor grunnen er fast og hvor det er myr. Grunnlaget for å bygge forespørsler står i hva en prompt er, gjennomgåtte eksempler i vår samling av prompter.

Den største fallgruven: kilder som ikke finnes

Språkmodeller finner opp kilder. Ikke av og til, og ikke bare "dårlige modeller" — det er systemisk: modellen genererer en sannsynlig fortsettelse av teksten, og en sannsynlig URL med en sannsynlig artikkeltittel finner den opp like lett som en ekte. Mekanikken er pakket ut i AI-hallusinasjoner: hvorfor modeller finner på ting.

Researchmodus senker risikoen fordi den faktisk går inn på sidene. Men den fjerner den ikke. Tre måter oppspinn siver inn i en ferdig rapport på:

• En død lenke. Kilden er flyttet eller har aldri eksistert — i rapporten ser begge deler like solide ut.
• Lenken virker, men påstanden står ikke der. Det hyppigste og mest lumske tilfellet: siden åpner, ser relevant ut, men tallet fra rapporten er rett og slett ikke der — modellen har fylt inn vektleggingen.
• En kjede av gjenfortellinger. Rapporten viser til en blogg, bloggen til en nyhet, nyheten til "en studie" som ingen har sett. Formelt finnes en fotnote. Faktisk finnes ingen primær kilde.

Den ubehagelige, men ærlige konklusjonen: en fotnote er ikke en kontroll, den er et løfte om kontroll. Kontrollen er opp til deg.

Seks tilfeller fra vår egen research

Det som følger er ikke lærebokeksempler. Vi gjorde selv en studie av markedet for AI-kurs (data hentet 17.07.2026): vi trakk priser og kursmetrikker ut av et internt Udemy-API, samlet påmeldingsstatistikken på Coursera og leste hva misfornøyde kursdeltakere faktisk skrev. Det er et hendig materiale for å vise alle fallgruvene på én gang, for vi gikk i alle sammen.

Tilfelle 1. Den primære kilden mot "alle vet det"

Den utbredte oppfatningen: Udemy-kurs koster 200 dollar, men det er alltid salg med 90% rabatt. Spør hvilken som helst modell — den gjentar det med overbevisning, for tusenvis av artikler sier det. Vi gikk inn i det rå API-svaret (endepunktet price_text) og så dette:

Du er en analytiker som leser rå API-svar og ikke tror på
markedsføringen på dens ord. Her er et utdrag av API-svaret for en
kursside (hentet av oss 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
}

Oppgavene dine:
1. Hva beviser dette utdraget, og hva gjør det ikke? Hold de to
   tingene strengt atskilt.
2. Den utbredte påstanden er: "på denne plattformen er det alltid
   salg; et kurs til 200 euro går for 20." Motbeviser utdraget den
   påstanden? Fullstendig eller bare delvis?
3. Gi tre alternative forklaringer der både utdraget og den utbredte
   påstanden fortsatt kan være forenlige.
4. Nevn tre flere felt eller forespørsler du ville krevd for å lukke
   spørsmålet endelig. Si for hvert enkelt hvilken konkret tvil det
   fjerner.
5. Formuler konklusjonen slik den kunne trykkes: én setning, uten
   overdrivelse, med et uttrykkelig forbehold om dataenes grenser.

Hva vi fant: det finnes ingen rabatt. saving_price: 0.0, has_discount_saving: false, discount_percent: 0. Kurset koster 24,99 €, og 24,99 € er samtidig den fulle prisen. Av de tolv mest solgte kursene vi hentet, koster elleve 19,99 €; ett (The Complete AI Guide) 24,99 €. Ingen steder et "før 199,99 €".

Det er hele leksjonen om primære kilder i ett avsnitt. En masseoppfatning fantes, var publisert tusenvis av ganger og lød fullstendig troverdig. Ingen deep research ville ha veltet den: modellen ville ha funnet de samme tusenvis av artiklene og pliktoppfyllende oppsummert dem. Det eneste som motbeviser den, er et maskinlesbart serversvar som noen måtte gå og hente. Deep research finner konsensus utmerket og finner nesten aldri det konsensus overså.

Så før du starter en kjøring, still deg selv et ubehagelig spørsmål: er svaret mitt sannsynligvis skrevet ned et sted, eller lever det i en database, et arkiv, et API, en prisliste, en rettsbok? Er det det siste, rekker rapporten deg et vakkert kildebelagt sammendrag av det alle tror, og du har ikke lært noe.

Tilfelle 2. Tallet vi ikke fikk tak i

Studien vår inneholder en linje jeg liker bedre enn alle tallene i den: den nøyaktige prisen på ChatGPT Plus — ubekreftet, alle OpenAI-domener returnerte 403. Vi kjenner den prisen omtrentlig, slik alle gjør. Men den primære kilden ville ikke gi oss den, så i den interne filen vår er den merket som annenhånds og forbudt å bruke som faktum.

Samme merking bærer prisen på Udemy Personal Plan: 20,00 €/måned, 10,00 €/måned på tilbud — tatt fra landingssiden, fordi udemy.com returnerte 403 til crawleren vår. Tallet står i rapporten, men opprinnelsen står rett ved siden av.

Det er dette deep research-rapporter gjør dårligst. Modellen hater å komme tomhendt tilbake. Er den primære kilden utilgjengelig, skyver den stille inn et tall fra en gjenfortelling og sier ikke et ord om det. Forskjellen mellom "vi sjekket dette" og "vi fant en omtale av dette" forsvinner sporløst i prosaen dens. Krev uttrykkelig en seksjon "hva jeg ikke fant" — av seg selv dukker den aldri opp.

Og legg merke til formen på feilen. Det er ikke en hallusinasjon. Tallet er sannsynligvis riktig. Det som mangler, er merkelappen. Et riktig tall uten merkelapp og et feil tall uten merkelapp ser identiske ut på siden — og nettopp derfor betyr merkelappen mer enn tallet.

Tilfelle 3. En autoritativ kilde med en hullete metode

Da vi forberedte lokaliseringen, kom vi over EF English Proficiency Index — verdens mest siterte rangering av engelskkunnskaper. Den setter Romania på 11.-plass i verden. Enhver AI-rapport om språk drar den inn først: den er overalt, ser ut som statistikk, medier siterer den.

Vi kastet den ut i sin helhet. Og her er hvorfor. Utvalget er selvselektert — EF skriver det selv i metoden: testen tas av folk som selv bestemte seg for å sjekke engelsken sin på nettsiden til en språkskole. Gjennomsnittsdeltakeren er 26. Sammenlign nå med kilder med sannsynlighetsutvalg: Eurobarometer 540 (n = 26 523) og Eurostat AES 2022 sier begge at Romania er dårligst i EU — 51,2% av befolkningen snakker ikke noe fremmedspråk i det hele tatt, og 25% snakker engelsk. Ellevte i verden og dårligst i EU er ikke en spredning i anslag. Det er uforenlige utsagn, og ett av dem er produsert av en hullete metode.

Derav en regel som er mer verdt enn noen sjekkliste: se på hvordan et tall ble produsert, ikke på hvem som publiserte det. Deep research rangerer kilder etter autoritet og synlighet — og en hullete metode er nettopp det som gjør en kilde synlig, fordi den gir rene, siterbare tall. En grundig undersøkelse rapporterer intervaller og konfidensintervaller; en selvselektert quiz rapporterer en tabell. Gjett hvilken som vinner sitatkappløpet.

Tilfelle 4. En studie som ikke sier det den ser ut til å si

Det eneste fagfellevurderte eksperimentet vi fant om temaet vårt: Bälter, Kann, Mutimukwe & Malmström, Applied Linguistics Review 15(6): 2373–2396, 2024. En randomisert kontrollert studie, n = 2 263 svenske studenter, et nettkurs i programmering, tilfeldig fordelt til den svenske eller den engelske versjonen.

Resultatet: frafall på 57% på svensk mot 71% på engelsk (φ = 0,2; p < 0,00001). Gjennomsnittsskår blant dem som ble: 16,9 mot 14,3, effektstørrelse δ = 0,085 — ubetydelig.

Se nå hva som skjedde der. På skårene er det praktisk talt ingen forskjell. Fristelsen er å skrive "språket påvirker ikke resultatet" — tallet er der, signifikansen ikke. Men på frafallet er forskjellen enorm. Engelsk svekket ikke forståelsen; det fikk folk til å slutte. Det er ulike påstander, og den andre ser du bare hvis du ser på hva studien målte, og på hvem. Selvvurdert ferdighet beskyttet forresten ikke mot frafall.

Deep research-rapporter bryter sammen nettopp her, og pålitelig. De oppsummerer konklusjonen fra sammendraget, ikke studiens oppbygning. Og et sammendrag er selv en gjenfortelling — bare en skrevet av forfatterne. Hvis en påstand betyr noe for deg, er de to tingene verdt å lese metodedelen og tabellen. Alt annet i en artikkel er prosa.

Tilfelle 5. Et tall som ser ut som et svar, men ikke er det

Da vi målte markedet etter språk, støtte vi på Udemys kurstellere: så og så mange kurs på spansk, null på svensk. Et fint tall, et ferdig lysbilde. Bortsett fra at det måler tilbud, ikke etterspørsel. Null svenske kurs er enten en tom nisje man straks bør styrte mot, eller beviset på at det ikke finnes noe marked der. Ett tall, to motsatte konklusjoner, og ingen data til å velge mellom dem. Så det skrev vi: tvetydig.

En nyttig vane: før du setter et tall i en konklusjon, spør deg selv hvilken motsatt beslutning det samme tallet også ville støtte. Støtter det begge, er det ikke et argument — det er pynt. Deep research produserer den slags pynt i bøtter og spann, for et tall med en kilde vedhengt består enhver overfladisk test som finnes.

Tilfelle 6. Effektstørrelse mot overskriftsstørrelse

Lokaliseringsbransjen lover en vekst på "+40–70%". Vi lette etter uavhengig bekreftelse og fant nøyaktig to målinger. eBay ved innføringen av maskinoversettelse: +10,9% eksport (Brynjolfsson, Hui & Liu, Management Science 65(12), 2019) — og effekten sank etter hvert som prisen på varen steg. En A/B-test fra Wikimedia: +3,64%. Bak løftet om "+40–70%" står ingenting uavhengig.

Gapet mellom 3,64% og 70% er ikke en uenighet om et tall. Det er forskjellen mellom en måling og en reklame. Og legg merke til detaljen om at effekten krymper når prisen stiger: den finnes bare i artikkelen og forsvinner i enhver gjenfortelling, fordi den ødelegger overskriften. Forbeholdene dør først — de er det første som amputeres i en kjede av gjenfortellinger, lenge før tallet selv blir forvrengt.

Sjekk en rapport på 5 minutter

1. Skriv opp påstandene som noe avhenger av. Vanligvis 3–7 per rapport, ikke førti. Resten er kontekst, der en feil ikke koster noe.
2. Åpne lenken til hver av dem. Laster den? Så Ctrl+F etter tallet eller nøkkelordet. Ikke der? Påstanden er ikke underbygd. Punktum.
3. Gå tilbake til den primære kilden. Fører fotnoten til en nyhet om en rapport — finn selve rapporten. Tall muterer underveis, og forbehold faller fra.
4. Sjekk datoen. En "fersk" rapport settes lett sammen av fem år gamle artikler hvis du ikke avgrenset perioden.
5. Sjekk metoden, ikke merket. Hvordan ble tallet produsert? Hvem ble spurt, og hvordan ble de valgt ut? EF-tilfellet vårt handler nettopp om dette.
6. Be om det motsatte. Kjør en ny runde: "finn argumenter mot konklusjon X og data som motsier den." Dukker det ikke opp noe som helst, ble det nok søkt overfladisk.

De første fem minuttene tjener seg inn ved at du ikke siterer et oppspinn. Det sjette trinnet tjener seg inn ved at du ikke siterer en sannhet som ikke betyr noe.

Her er en ferdig revisor for trinn 1–3. Prompten står på egne ben — rapporten er bygget inn i den, så kjør den som den er.

Du er faktasjekker. Du har fått et utdrag av en AI-rapport. Oppgaven
din er ikke å sjekke fakta (du har ikke internett), men å bygge en
sjekkeplan og sortere påstandene etter risiko.

RAPPORTUTDRAG:
"Markedet for AI-kurs på nett opplever en boom. Ifølge bransjeanslag
når markedet 47 milliarder dollar innen 2030 (kilde: bloggen til et
markedsføringsbyrå, 2025). Kursene selges med i gjennomsnitt 87%
rabatt — plattformene gir dem praktisk talt bort. Det største kurset
samlet over 400 000 deltakere. Ekspertene er enige om at video
forblir det foretrukne formatet for de fleste som lærer. En studie har
vist at lokalisering av innhold øker konverteringen med 40-70%."

Gjør fire ting:

1. OPPDELING. Skriv hver påstand på sin egen linje. Sett en klasse på
   hver: målbart faktum / prognose / anslag / gjenfortalt mening /
   markedsføringsklisjé.
2. RISIKO. Gi hver påstand en risiko for å være oppspinn eller
   forvrengning: høy / middels / lav. Begrunn med én setning. Vær
   særlig oppmerksom på tall uten dato og metode og på vendinger som
   "ekspertene er enige" og "en studie har vist".
3. PLAN. Skriv for de tre mest risikable påstandene hvilken konkret
   primær kilde som ville lukket spørsmålet, og hvilken ene
   forespørsel du ville rettet til den.
4. OMSKRIVING. Skriv om utdraget slik at bare det man kan stå inne
   for blir igjen, og alt annet er uttrykkelig merket som ubekreftet.
   Ikke finn på noe: der det ikke finnes data, skriv det.

Når kildene er mennesker

Halvparten av studien vår er ikke tall, men anmeldelser. Vi samlet 26 sitater fra misfornøyde kursdeltakere ordrett, med forfattere og datoer (pluss to fra forum, som vi teller for seg, for et foruminnlegg er ikke en kursanmeldelse). Om videokurs 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 viktige er hva vi gjorde videre. Vi skrev ikke "deltakerne er massivt misfornøyde". Vi telte andelen negative anmeldelser (≤3,5★): Generative AI for Beginners — 9,61%; The Complete AI Guide — 10,36%. Altså omtrent én deltaker av ti. Sitatene er sterke, men de illustrerer et mindretall, og det må stå rett ved siden av i teksten.

Og det andre ærlige forbeholdet: på Coursera skjer filtreringen av anmeldelser etter stjerner i nettleseren — server-HTML-en returnerer alltid den første siden. Det betyr at sitatene våre derfra kommer fra standardvisningen som enhver besøkende ser, ikke fra et systematisk utvalg. Det svekker påstanden, og det skrev vi.

Regelen: et sitat er bevis på at en mening finnes, ikke på hvor utbredt den er. En deep research-rapport som er limt sammen av anmeldelser, høres alltid ut som en dom — for rop er høyere enn stillhet, og en negativ anmeldelse skrives langt mer villig enn en nøytral. Krev nevneren. Gir rapporten deg fem rasende sitater og ingen prosent, har den ikke fortalt deg noe om verden; den har fortalt deg at sint tekst er lett å finne.

Slik skiller du en god rapport fra en pen

Deep research-rapporter ser nesten alltid overbevisende ut: overskrifter, punkter, fotnoter, en jevn analytisk tone. Formens skjønnhet sier ingenting om innholdets kvalitet.

• Hvor mange ulike kilder som bærer nøkkelpåstandene. Hviler hele rapporten på to sider, er det ikke research — det er en gjenfortelling av to sider.
• Om kildetypene varierer. En rapport bygget bare på blogger og medier er svak. En med primærmateriale (rå API-svar, statistikk, dokumentasjon, regnskap, vitenskapelige artikler) er sterk.
• Om det er oppgitt datoer. En påstand uten dato i et tema som endrer seg raskt, er nesten ubrukelig.
• Om metoden er oppgitt. Hvem ble spurt, hvor mange, hvordan ble de valgt ut. Uten det er "en undersøkelse viste" en talemåte, ikke et bevis.
• Om usikkerhet innrømmes. En god rapport sier et sted "dataene spriker" eller "ingen bekreftelse funnet". En rapport der alt er entydig, er mistenkelig: slik ser ikke virkeligheten ut.
• Om fakta er skilt fra konklusjoner. "Salget vokste X%" og "markedet er på vei mot en boom" er påstander av ulik klasse.

Stresstest din egen konklusjon med denne — prompten virker uten internett, den angriper tekstens logikk, ikke faktaene.

Du er djevelens advokat. Jobben din er å prøve å rive ned konklusjonen
nedenfor. Ikke vær høflig, og ikke søk balanse.

KONKLUSJON: "Video taper mot tekst når voksne skal lære digitale
ferdigheter, fordi video ikke kan skummes i eget tempo, mens tekst per
definisjon har en transkripsjon."

BEVISET KONKLUSJONEN HVILER PÅ (ekte anmeldelser av de mest solgte
videokursene, samlet inn 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★, kurs ikke oppgitt
- andel anmeldelser ≤3,5★ for The Complete AI Guide: 10,36%

Gjør fem ting:
1. Nevn det svakeste punktet i denne argumentasjonen.
2. Forklar hva disse anmeldelsene beviser, og hva de ikke gjør. For
   seg: hva gjør tallet 10,36% med styrken til konklusjonen — styrker
   eller svekker det den?
3. Bygg det sterkeste motargumentet: under hvilke betingelser slår
   video tekst, og for hvem konkret?
4. Finn på dataene som ville motbevist konklusjonen fullstendig.
   Beskriv studien som ville frembrakt dem.
5. Skriv om konklusjonen slik at den er ærlig overfor det tilgjengelige
   beviset. Den blir sannsynligvis smalere og kjedeligere. Det er greit.

Særskilt om kjeden av gjenfortellinger

Den mest stille av feilene. Lenken er levende, siden åpner, tallet står på den — og det finnes ingen primær kilde noe sted, fordi alle siterer hverandre i en ring. Deep research er maktesløs her: formelt er hver fotnote gyldig. Ingenting i rapportens struktur kan fortelle deg at hele byggverket hviler på en pressemelding som ikke siterte noe.

Her er den samme "+40–70%", lagt ut trinn for trinn. AI-rapporten hevder "lokalisering øker konverteringen med 40–70%" og lenker til bloggen til en oversettelsesplattform. Bloggen, 2025: "studier viser en økning på 40–70%" — med lenke til pressemeldingen til en bransjeforening. Pressemeldingen, 2024: "i en undersøkelse blant markedsaktører melder selskaper om en vekst på opptil 70%" — helt uten lenke.

Se hvor det brast. Mellom pressemeldingen og bloggen ble "selskaper melder om en vekst på opptil 70%" til "studier viser en vekst på 40–70%". Egenrapporteringen til berørte parter ble til "studier", "opptil 70%" ble til intervallet "40–70%", og den nedre grensen kom ut av løse luften. Ved den tredje gjenfortellingen leses det allerede som en måling. Og ikke én lenke i den kjeden er formelt usann — og nettopp derfor redder ikke maskinell sjekk av fotnoter deg her.

Imens lå den ekte målingen rett ved siden av og kom aldri inn i kjeden: de samme +10,9% fra eBay, med effekten som sank etter hvert som prisen steg. Den primære kilden tapte mot gjenfortellingen fordi den ga et dårligere tall.

Når researchmodus er feil verktøy

• Du trenger ett faktum. En sats, en dato, en definisjon — vanlig søk er raskere.
• Temaet er under et døgn gammelt. Indeksering og tilgang til ferske sider fungerer ujevnt; brennferske nyheter leser du bedre med egne øyne.
• Dataene er lukket. Betalte databaser, interne dokumenter, artikler bak betalingsmur — modellen kommer ikke inn og bygger, enda verre, en oversikt av gjenfortellinger av sammendrag. 403-svarene våre fra Udemy og OpenAI er nettopp denne kategorien.
• Du trenger det konsensus overså, ikke konsensus. Historien om Udemy-rabatten markerer sjangerens grense: det som ikke står skrevet noe sted, kan modusen per definisjon ikke finne.
• Kostnaden ved en feil er medisinsk eller juridisk. En rapport duger som terrengkart og kildeliste, ikke som grunnlag for en beslutning.

Slik bygger du det inn i arbeidet ditt

Arbeidsmodellen som fungerer: deep research kartlegger feltet (hvem sier hva, og hvor) → du bruker 5 minutter på å sjekke nøkkelpåstandene → du ber modellen skrive om rapporten slik at bare det bekreftede står igjen, og separat liste opp det som ble fjernet. Ut kommer en kort tekst du kan stå inne for linje for linje.

Nettopp slik er filen som denne artikkelen stammer fra, bygget. Den har en seksjon som heter "hva vi ikke har": prisen på ChatGPT Plus (403), Courseras anmeldelsesfilter (på klientsiden), Reddit (utilgjengelig for crawleren vår), og en merknad om at de tre kildene våre til ett bestemt spørsmål er avanserte brukere, ikke nybegynnerne det handler om for oss — et lite utvalg, og det sa vi. Den seksjonen er ubehagelig, for den lister opp hullene våre offentlig. Og den er også den eneste grunnen til at de øvrige tallene fortjener noe tillit: hos en forfatter som innrømmer tre hull, er det fjerde lettere å finne enn hos en forfatter der alt gikk pent opp.

Be rapporten din om det samme. Ikke "er du sikker?" — modellen sier ja. Spør: hvilke påstander her ville du droppet hvis du måtte vedde penger på hver enkelt? Svarene er som regel konkrete, og som regel de samme tre påstandene du var i ferd med å bygge en beslutning på.

Ha også den grunnleggende hygienen i bakhodet: ikke fyll sensitive eller andres data inn i researchmodus — personvern når du jobber med AI gjelder her akkurat som i en vanlig chat. Er du fortsatt i ferd med å bli fortrolig med chatten — start med guiden til ChatGPT. Og gikk rapporten din galt i resonnementet snarere enn i faktaene, er det en annen historie: hvordan modeller hoper opp feil trinn for trinn.