Så researchar och faktakollar du med AI: deep research-läge

Kort sagt: deep research-läge är när AI inte svarar direkt, utan själv gör dussintals sökningar, öppnar sidor och sätter ihop en rapport med källor på 5–30 minuter. Det sparar timmar, men tar inte bort behovet av kontroll: modellen kan fortfarande återge en källa fel eller hänvisa till en sida som inte finns. En regel: öppna länkarna själv. Det som följer är inte teori, utan en genomgång av vår egen marknadsstudie — vad vi grävde fram, vad vi kollade igen och vad vi ärligt talat inte fick tag i.

Hur det skiljer sig från en vanlig chatt med sökning

En vanlig chatt med webbsökning gör en eller två sökningar och svarar på sekunder. Researchläget fungerar annorlunda: det delar upp din fråga i delfrågor, söker på varje, läser det som hittas, noterar motsägelser, letar upp det som saknas — och skriver först därefter en strukturerad rapport med fotnoter. Det är en loop av "sök → läs → förfina", varvad många gånger utan dig.

Därav skillnaden i känsla: ett vanligt svar är en beläst samtalspartners åsikt; en deep research-rapport är utkastet till ett analysnotat. Med en källförteckning du kan kontrollera. Eller strunta i att kontrollera — och gå på en nit.

Och här är det du bör fatta direkt. Läget ändrar researchens ekonomi, inte dess natur. Att gå igenom fyrtio sidor kostade dig förr en hel dag. Nu kostar det tio minuters väntan. Men beslutet om vilka fyrtio sidor som över huvud taget var värda att besöka, och vad som följer av dem, är fortfarande ditt. Verktyget gjorde insamlingen billig och gjorde exakt ingenting åt kontrollen. Kontrollen blev kvar där den var — och därför handlar resten av artikeln mest om att kontrollera.

Var du hittar det

• ChatGPT — Deep Research-läge, vanligtvis i betalda abonnemang, med en månatlig gräns för antal körningar.
• Gemini — Deep Research, inbyggt i gränssnittet, visar researchplanen innan den startar.
• Claude — Research-läge med webbsökning och arbete med flera källor.
• Perplexity — byggt för sökning från början, med ett separat researchläge.

Namn och gränser ändras nästan varje månad, så memorera inte varumärket utan principen: visar ett verktyg en lista över källor och lägger minuter i stället för sekunder — då är det det läget. Hur modellerna skiljer sig generellt står i ChatGPT vs Claude vs Gemini.

Så ger du uppdraget för att rapporten ska bli användbar

Det klassiska misstaget är att slänga in ett ämne på en rad ("marknaden för elbilar i Europa") och vänta på ett mirakel. Läget kör visserligen, men ger dig luddigt fyll. Avgränsa uppgiften längs fyra axlar: frågan, gränserna (period, region, källtyper), formatet och vad man gör med osäkerhet.

I stället för att beskriva det abstrakt, se det hända. Tryck på "Kör" nedan, så förvandlar modellen framför ögonen på dig ett vagt ämne till ett riktigt brief. Sedan sätter du in ditt eget ämne i stället.

Du är redaktör för researchbriefer. Här är en förfrågan precis som en
kund skickade den: "Jag behöver en översikt över marknaden för elbilar
i Europa."

Det här är ett dåligt brief. Skriv om det till ett användbart, längs
fyra axlar:

1. FRÅGAN. Dela upp ämnet i 4-6 konkreta frågor som kan besvaras med
   fakta och inte med resonemang. Dålig fråga: "vilka är marknadens
   utsikter". Bra fråga: "hur har elbilarnas andel av nyregistreringar
   förändrats per land under tre år".
2. GRÄNSER. Föreslå en period, en region och en prioritetsordning för
   källtyper. Säg uttryckligen vilka källor som räknas som primära i
   det här ämnet, och vilka som är återberättelser.
3. FORMAT. Beskriv rapportens uppbyggnad och citeringsregeln: vad som
   ska stå bredvid varje siffra.
4. OSÄKERHET. Formulera det avsnitt som utföraren är skyldig att fylla
   i: var källorna går isär, vad som inte gick att hitta, vilka
   påståenden som är svagt underbyggda.

Avsluta med 5 "fallgropar i det här ämnet" — de typiska siffror och
påståenden som i det här fältet vandrar från artikel till artikel utan
en primär källa. Förklara varför var och en är värd att kolla igen.

Den sista axeln — osäkerhet — är den mest värdefulla, och nästan ingen ber om den. Den förvandlar rapporten från "självsäker text" till en karta över det kända, där man ser var marken är fast och var det är träsk. Grunderna för att bygga förfrågningar finns i vad en prompt är, genomgångna exempel i vår samling av prompter.

Den största fallgropen: källor som inte finns

Språkmodeller hittar på källor. Inte ibland, och inte bara "dåliga modeller" — det är systematiskt: modellen genererar en trolig fortsättning på texten, och en trolig URL med en trolig artikeltitel hittar den på lika lätt som en äkta. Mekaniken reds ut i AI-hallucinationer: varför modeller hittar på.

Researchläget sänker risken eftersom det faktiskt går in på sidorna. Men det tar inte bort den. Tre vägar som påhitt sipprar in i en färdig rapport på:

• En död länk. Källan har flyttat eller har aldrig funnits — i rapporten ser båda lika solida ut.
• Länken fungerar, men påståendet finns inte där. Det vanligaste och lömskaste fallet: sidan öppnas, ser relevant ut, men siffran från rapporten finns helt enkelt inte där — modellen har fyllt i betoningen.
• En kedja av återberättelser. Rapporten hänvisar till en blogg, bloggen till en nyhet, nyheten till "en studie" som ingen har sett. Formellt finns en fotnot. Faktiskt finns ingen primär källa.

Den obekväma men ärliga slutsatsen: en fotnot är inte en kontroll, den är ett löfte om kontroll. Att kontrollera är upp till dig.

Sex fall från vår egen research

Det som följer är inte läroboksexempel. Vi gjorde själva en studie av marknaden för AI-kurser (data hämtade 2026-07-17): vi drog ut priser och kursmått ur ett internt Udemy-API, samlade in anmälningsstatistiken på Coursera och läste vad missnöjda kursdeltagare faktiskt skrev. Det är ett behändigt material för att visa alla fallgropar på en gång, för vi trampade i allihop.

Fall 1. Den primära källan mot "alla vet"

Den gängse uppfattningen: Udemy-kurser kostar 200 dollar, men det är alltid rea med 90% rabatt. Fråga vilken modell som helst — den upprepar det med övertygelse, för tusentals artiklar säger det. Vi gick in i det råa API-svaret (slutpunkten price_text) och såg detta:

Du är en analytiker som läser råa API-svar och inte tror på
marknadsföringen på dess ord. Här är ett utdrag av API-svaret för en
kurssida (hämtat av oss 2026-07-17):

{
  "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
}

Dina uppgifter:
1. Vad bevisar det här utdraget, och vad gör det inte? Håll de två
   sakerna strikt åtskilda.
2. Det gängse påståendet är: "på den här plattformen är det alltid
   rea; en kurs för 200 euro går för 20." Motbevisar utdraget det
   påståendet? Helt eller bara delvis?
3. Ge tre alternativa förklaringar där både utdraget och det gängse
   påståendet ändå kan vara förenliga.
4. Nämn tre ytterligare fält eller förfrågningar du skulle kräva för
   att stänga frågan slutgiltigt. Säg för var och en vilket konkret
   tvivel det undanröjer.
5. Formulera slutsatsen så som den kunde tryckas: en mening, utan
   överdrift, med ett uttryckligt förbehåll om datans gränser.

Vad vi såg: det finns ingen rabatt. saving_price: 0.0, has_discount_saving: false, discount_percent: 0. Kursen kostar 24,99 €, och 24,99 € är samtidigt dess fulla pris. Av de tolv mest sålda kurserna vi hämtade kostar elva 19,99 €; en (The Complete AI Guide) 24,99 €. Ingenstans ett "var 199,99 €".

Det är hela lektionen om primära källor i ett stycke. En massuppfattning fanns, hade publicerats tusentals gånger och lät fullständigt trovärdig. Ingen deep research hade vält den: modellen hade hittat samma tusentals artiklar och plikttroget sammanfattat dem. Det enda som motbevisar den är ett maskinläsbart serversvar som någon var tvungen att gå och hämta. Deep research hittar konsensus utmärkt och hittar nästan aldrig det som konsensus missade.

Så innan du startar en körning, ställ dig själv en obehaglig fråga: står mitt svar sannolikt nedskrivet någonstans, eller lever det i en databas, ett register, ett API, en prislista, ett domstolsprotokoll? Är det det senare, räcker rapporten dig en vackert källbelagd sammanfattning av det alla tror, och du har inte lärt dig något.

Fall 2. Siffran vi inte kunde få tag i

Vår studie innehåller en rad som jag gillar bättre än alla siffror i den: det exakta priset på ChatGPT Plus — obekräftat, alla OpenAI-domäner returnerade 403. Vi känner till det priset ungefär, som alla gör. Men den primära källan gav oss det inte, så i vår interna fil är det markerat som andrahands och förbjudet att använda som faktum.

Samma markering bär priset på Udemy Personal Plan: 20,00 €/månad, 10,00 €/månad på kampanj — hämtat från landningssidan, eftersom udemy.com returnerade 403 till vår crawler. Siffran finns i rapporten, men dess ursprung står precis bredvid.

Det är det här deep research-rapporter gör sämst. Modellen hatar att komma tomhänt tillbaka. Är den primära källan otillgänglig skjuter den tyst in en siffra från en återberättelse och säger inte ett ord om det. Skillnaden mellan "vi kontrollerade detta" och "vi hittade ett omnämnande av detta" försvinner spårlöst i dess prosa. Kräv uttryckligen ett avsnitt "vad jag inte kunde hitta" — av sig själv dyker det aldrig upp.

Och lägg märke till felets form. Det är ingen hallucination. Siffran är förmodligen rätt. Det som saknas är etiketten. En korrekt siffra utan etikett och en fel siffra utan etikett ser identiska ut på sidan — och just därför betyder etiketten mer än siffran.

Fall 3. En auktoritativ källa med en hålig metod

När vi förberedde lokaliseringen stötte vi på EF English Proficiency Index — världens mest citerade rankning av engelskkunskaper. Den placerar Rumänien på elfte plats i världen. Varje AI-rapport om språk släpar in den först: den finns överallt, ser ut som statistik, medier citerar den.

Vi slängde ut den i sin helhet. Och här är varför. Dess urval är självvalt — EF skriver det själv i metoden: testet görs av folk som själva bestämde sig för att kolla sin engelska på en språkskolas webbplats. Genomsnittsdeltagaren är 26. Jämför nu med källor med ett sannolikhetsurval: Eurobarometer 540 (n = 26 523) och Eurostat AES 2022 säger båda att Rumänien är sämst i EU — 51,2% av befolkningen talar inget främmande språk alls, och 25% talar engelska. Elfte i världen och sämst i EU är inte en spridning i skattningar. Det är oförenliga påståenden, och ett av dem framställdes av en hålig metod.

Därav en regel som är mer värd än någon checklista: se på hur en siffra togs fram, inte på vem som publicerade den. Deep research rangordnar källor efter auktoritet och synlighet — och en hålig metod är just det som gör en källa synlig, eftersom den ger rena, citerbara siffror. En noggrann undersökning redovisar intervall och konfidensintervall; ett självvalt quiz redovisar en topplista. Gissa vilken som vinner citeringsloppet.

Fall 4. En studie som inte säger det den verkar säga

Det enda peer-reviewade experiment vi hittade om vårt ämne: Bälter, Kann, Mutimukwe & Malmström, Applied Linguistics Review 15(6): 2373–2396, 2024. En randomiserad kontrollerad studie, n = 2 263 svenska studenter, en onlinekurs i programmering, slumpmässigt fördelade till den svenska eller den engelska versionen.

Resultatet: avhopp på 57% på svenska mot 71% på engelska (φ = 0,2; p < 0,00001). Genomsnittspoäng bland dem som stannade: 16,9 mot 14,3, effektstorlek δ = 0,085 — försumbar.

Se nu vad som hände där. På poängen finns i praktiken ingen skillnad. Frestelsen är att skriva "språket påverkar inte resultatet" — siffran finns, signifikansen inte. Men på avhoppet är skillnaden enorm. Engelskan försämrade inte förståelsen; den fick folk att lämna. Det är olika påståenden, och det andra ser du bara om du tittar på vad studien mätte, och på vem. Självskattad färdighet skyddade för övrigt inte mot avhopp.

Deep research-rapporter går sönder precis här, och tillförlitligt. De sammanfattar slutsatsen från abstraktet, inte studiens uppbyggnad. Och ett abstrakt är själv en återberättelse — bara en skriven av författarna. Om ett påstående betyder något för dig är de två saker värda att läsa metodavsnittet och tabellen. Allt annat i en artikel är prosa.

Fall 5. En siffra som ser ut som ett svar men inte är det

När vi mätte marknaden per språk stötte vi på Udemys kursräknare: så och så många kurser på spanska, noll på svenska. En fin siffra, en färdig slide. Bara det att den mäter utbud, inte efterfrågan. Noll svenska kurser är antingen en tom nisch man genast bör rusa mot, eller beviset på att det inte finns någon marknad där. En siffra, två motsatta slutsatser, och inga data för att välja mellan dem. Så skrev vi också: tvetydigt.

En nyttig vana: innan du sätter en siffra i en slutsats, fråga dig vilket motsatt beslut samma siffra också skulle stödja. Stödjer den båda är det inget argument — det är dekoration. Deep research producerar den sortens dekoration i mängder, för en siffra med en källa vidhängd klarar varje ytlig test som finns.

Fall 6. Effektstorlek mot rubrikstorlek

Lokaliseringsbranschen lovar en tillväxt på "+40–70%". Vi letade efter oberoende bekräftelse och hittade exakt två mätningar. eBay vid införandet av maskinöversättning: +10,9% export (Brynjolfsson, Hui & Liu, Management Science 65(12), 2019) — och effekten sjönk i takt med att varans pris steg. Ett A/B-test från Wikimedia: +3,64%. Bakom löftet om "+40–70%" står inget oberoende.

Klyftan mellan 3,64% och 70% är ingen oenighet om en siffra. Det är skillnaden mellan en mätning och en reklam. Och lägg märke till detaljen om att effekten krymper när priset stiger: den finns bara i artikeln och försvinner i varje återberättelse, eftersom den förstör rubriken. Förbehållen dör först — de är det första som amputeras i en kedja av återberättelser, långt innan siffran själv förvrängs.

Kontrollera en rapport på 5 minuter

1. Skriv ner de påståenden som något beror på. Vanligtvis 3–7 per rapport, inte fyrtio. Resten är kontext, där ett fel inte kostar något.
2. Öppna länken till var och en. Laddar den? Sedan Ctrl+F på siffran eller nyckelordet. Inte där? Påståendet är obestyrkt. Punkt.
3. Gå tillbaka till den primära källan. Leder fotnoten till en nyhet om en rapport — hitta själva rapporten. Siffror muterar på vägen, och förbehåll faller bort.
4. Kolla datumet. En "färsk" rapport sätts lätt ihop av fem år gamla artiklar om du inte avgränsade perioden.
5. Kolla metoden, inte varumärket. Hur togs siffran fram? Vilka tillfrågades, och hur valdes de ut? Vårt EF-fall handlar precis om detta.
6. Be om motsatsen. Kör en andra runda: "hitta argument mot slutsats X och data som motsäger den." Dyker inget alls upp söktes det förmodligen ytligt.

De första fem minuterna betalar sig genom att du inte citerar ett påhitt. Det sjätte steget betalar sig genom att du inte citerar en sanning som inte betyder något.

Här är en färdig granskare för steg 1–3. Prompten står på egna ben — rapporten är inbyggd i den, så kör den som den är.

Du är faktagranskare. Du har fått ett utdrag av en AI-rapport. Din
uppgift är inte att kontrollera fakta (du har inget internet), utan
att bygga en kontrollplan och sortera påståendena efter risk.

RAPPORTUTDRAG:
"Marknaden för AI-kurser online genomgår en boom. Enligt
branschuppskattningar når marknaden 47 miljarder dollar till 2030
(källa: en marknadsföringsbyrås blogg, 2025). Kurserna säljs med i
genomsnitt 87% rabatt — plattformarna ger praktiskt taget bort dem.
Den största kursen samlade över 400 000 deltagare. Experterna är
eniga om att video förblir det föredragna formatet för de flesta som
lär sig. En studie har visat att lokalisering av innehåll ökar
konverteringen med 40-70%."

Gör fyra saker:

1. UPPDELNING. Skriv varje påstående på egen rad. Sätt en klass på
   var och en: mätbart faktum / prognos / uppskattning / återgiven
   åsikt / marknadsföringsklyscha.
2. RISK. Ge varje påstående en risk att vara påhitt eller
   förvrängning: hög / medel / låg. Motivera med en mening. Var
   särskilt uppmärksam på siffror utan datum och metod och på
   vändningar som "experterna är eniga" och "en studie har visat".
3. PLAN. Skriv för de tre mest riskabla påståendena vilken konkret
   primär källa som skulle stänga frågan, och vilken enda förfrågan
   du skulle rikta till den.
4. OMSKRIVNING. Skriv om utdraget så att bara det man kan stå för
   blir kvar, och allt annat är uttryckligen märkt som obekräftat.
   Hitta inte på något: där det inte finns data, skriv det.

När källorna är människor

Hälften av vår studie är inte siffror, utan recensioner. Vi samlade 26 citat från missnöjda kursdeltagare ordagrant, med författare och datum (plus två från forum, som vi räknar för sig, för ett foruminlägg är inte en kursrecension). Om videokurser till exempel:

"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 viktiga är vad vi gjorde sedan. Vi skrev inte "deltagarna är massivt missnöjda". Vi räknade andelen negativa recensioner (≤3,5★): Generative AI for Beginners — 9,61%; The Complete AI Guide — 10,36%. Alltså ungefär en deltagare av tio. Citaten är starka, men de illustrerar en minoritet, och det måste stå precis bredvid i texten.

Och det andra ärliga förbehållet: på Coursera sker filtreringen av recensioner efter stjärnor i webbläsaren — serverns HTML returnerar alltid den första sidan. Det betyder att våra citat därifrån kommer från standardvyn som varje besökare ser, inte från ett systematiskt urval. Det försvagar påståendet, och det skrev vi.

Regeln: ett citat är bevis på att en åsikt finns, inte på hur utbredd den är. En deep research-rapport som limmats ihop av recensioner låter alltid som en dom — för rop är högre än tystnad, och en negativ recension skrivs långt villigare än en neutral. Kräv nämnaren. Ger rapporten dig fem rasande citat och ingen procent, har den inte berättat något om världen; den har berättat att arg text är lätt att hitta.

Så skiljer du en bra rapport från en snygg

Deep research-rapporter ser nästan alltid övertygande ut: rubriker, punkter, fotnoter, en jämn analytisk ton. Formens skönhet säger ingenting om innehållets kvalitet.

• Hur många olika källor som bär nyckelpåståendena. Vilar hela rapporten på två sidor är det inte research — det är en återberättelse av två sidor.
• Om källtyperna varierar. En rapport byggd bara på bloggar och medier är svag. En med primärmaterial (råa API-svar, statistik, dokumentation, bokslut, vetenskapliga artiklar) är stark.
• Om datum anges. Ett påstående utan datum i ett ämne som ändras snabbt är nästan värdelöst.
• Om metoden anges. Vilka tillfrågades, hur många, hur valdes de ut. Utan det är "en undersökning visade" ett talesätt, inte ett bevis.
• Om osäkerhet erkänns. En bra rapport säger någonstans "data går isär" eller "ingen bekräftelse hittad". En rapport där allt är entydigt är misstänkt: verkligheten ser inte ut så.
• Om fakta skiljs från slutsatser. "Försäljningen växte X%" och "marknaden är på väg mot en boom" är påståenden av olika klass.

Stresstesta din egen slutsats med den här — prompten fungerar utan internet, den angriper textens logik, inte fakta.

Du är djävulens advokat. Ditt jobb är att försöka riva ner slutsatsen
nedan. Var inte artig och sök inte balans.

SLUTSATS: "Video förlorar mot text när vuxna ska lära sig digitala
färdigheter, eftersom video inte kan skummas i egen takt, medan text
per definition har en transkription."

BEVISEN SLUTSATSEN VILAR PÅ (äkta recensioner av de mest sålda
videokurserna, insamlade 2026-07-17):
- "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★, kursen 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 ej angiven
- andel recensioner ≤3,5★ för The Complete AI Guide: 10,36%

Gör fem saker:
1. Nämn den svagaste punkten i det här argumentet.
2. Förklara vad dessa recensioner bevisar och vad de inte gör.
   Separat: vad gör siffran 10,36% med slutsatsens styrka — stärker
   eller försvagar den den?
3. Bygg det starkaste motargumentet: under vilka villkor slår video
   text, och för vem specifikt?
4. Hitta på de data som skulle motbevisa slutsatsen helt. Beskriv den
   studie som skulle ge dem.
5. Skriv om slutsatsen så att den är ärlig mot tillgängliga bevis. Den
   blir förmodligen smalare och tråkigare. Det är okej.

Särskilt om kedjan av återberättelser

Den tystaste av felen. Länken är levande, sidan öppnas, siffran står på den — och det finns ingen primär källa någonstans, för alla citerar varandra i en ring. Deep research är maktlös här: formellt är varje fotnot giltig. Ingenting i rapportens struktur kan berätta för dig att hela byggnaden vilar på ett pressmeddelande som inte citerade något.

Här är samma "+40–70%", upplagd steg för steg. AI-rapporten hävdar "lokalisering ökar konverteringen med 40–70%" och länkar till en översättningsplattforms blogg. Bloggen, 2025: "studier visar en ökning på 40–70%" — med länk till en branschförenings pressmeddelande. Pressmeddelandet, 2024: "i en enkät bland marknadsaktörer rapporterar företag en tillväxt på upp till 70%" — helt utan länk.

Se var det gick sönder. Mellan pressmeddelandet och bloggen blev "företag rapporterar en tillväxt på upp till 70%" till "studier visar en tillväxt på 40–70%". Berörda parters självrapportering blev till "studier", "upp till 70%" blev till intervallet "40–70%", och den nedre gränsen kom ur tomma intet. Vid den tredje återberättelsen läses det redan som en mätning. Och inte en enda länk i den kedjan är formellt falsk — och just därför räddar maskinell kontroll av fotnoter dig inte här.

Under tiden låg den riktiga mätningen precis bredvid och kom aldrig in i kedjan: samma +10,9% från eBay, med effekten som sjönk i takt med att priset steg. Den primära källan förlorade mot återberättelsen eftersom den gav en sämre siffra.

När researchläget är fel verktyg

• Du behöver ett enda faktum. En sats, ett datum, en definition — vanlig sökning är snabbare.
• Ämnet är yngre än ett dygn. Indexering och åtkomst till färska sidor fungerar ojämnt; heta nyheter läser du bättre med egna ögon.
• Datan är stängd. Betaldatabaser, interna dokument, artiklar bakom betalvägg — modellen kommer inte in och bygger, ännu värre, en översikt av återberättelser av sammanfattningar. Våra 403-svar från Udemy och OpenAI är precis den kategorin.
• Du behöver det konsensus missade, inte konsensus. Historien om Udemy-rabatten markerar genrens gräns: det som inte står skrivet någonstans kan läget per definition inte hitta.
• Kostnaden för ett fel är medicinsk eller juridisk. En rapport duger som terrängkarta och källista, inte som grund för ett beslut.

Så bygger du in det i arbetet

Arbetsmodellen som fungerar: deep research kartlägger fältet (vem säger vad, och var) → du lägger 5 minuter på att kontrollera nyckelpåståendena → du ber modellen skriva om rapporten så att bara det bekräftade står kvar, och separat räkna upp det som togs bort. Ut kommer en kort text som du kan stå för rad för rad.

Precis så är filen som den här artikeln kommer från byggd. Den har ett avsnitt som heter "vad vi inte har": priset på ChatGPT Plus (403), Courseras recensionsfilter (på klientsidan), Reddit (otillgängligt för vår crawler), och en anteckning om att våra tre källor till en viss fråga är avancerade användare, inte nybörjarna det handlar om för oss — ett litet urval, och det sa vi. Det avsnittet är obekvämt, för det räknar upp våra hål offentligt. Och det är också det enda skälet till att de övriga siffrorna förtjänar något förtroende: hos en författare som erkänner tre hål är det fjärde lättare att hitta än hos en författare där allt gick jämnt ut.

Be din rapport om samma sak. Inte "är du säker?" — modellen säger ja. Fråga: vilka påståenden här skulle du släppa om du var tvungen att satsa pengar på var och en? Svaren är oftast konkreta, och oftast samma tre påståenden som du var på väg att bygga ett beslut på.

Ha också den grundläggande hygienen i åtanke: mata inte in känsliga eller andras data i researchläget — integritet när du arbetar med AI gäller här precis som i en vanlig chatt. Är du fortfarande på väg att bli bekväm med chatten — börja med guiden till ChatGPT. Och gick din rapport fel i resonemanget snarare än i fakta är det en annan historia: hur modeller staplar fel steg för steg.