Research der ikke er overfladisk.

Når folk bruger AI til research, ender de typisk med en af to ting. Enten en sammenfatning der lyder klog men er overfladisk, eller en liste af punkter der kunne være klippet fra de første fem søgeresultater på Google.

Det er ikke fordi Claude er dårlig til research. Det er fordi research er et af de områder hvor folk særligt bruger AI som producent. De beder om output i stedet for at gå i samtale. Resultatet bliver et middelmådigt referat af det hele internettet allerede ved.

Hvis du vil have Claude til at lave research der reelt har værdi, skal du bruge den anderledes.

Det forventningsproblem du skal kende

Det vigtigste først: Claude er ikke en søgemaskine. Når Claude svarer på spørgsmål om verden, trækker den enten på det den blev trænet på (som har en cutoff-dato), eller på den web search-funktion der henter live søgeresultater.

Det har to konsekvenser:

Træning-baserede svar er vidende men ikke aktuelle. Hvis du spørger Claude om en branche, er svaret typisk velinformeret men kan være 6-18 måneder bagud. Det er ofte fint til kontekst og forståelse, men ikke til specifikke aktuelle tal.

Web search-baserede svar er aktuelle men sårbare. Når Claude søger online, finder den de samme resultater som du selv ville. Hvis SEO-spam dominerer top-10, er det det Claude bygger sit svar på.

Går du ind med en forventning om at Claude er en bedre Google, bliver du skuffet. Går du ind med en forventning om at Claude er en velinformeret kollega der kan hjælpe dig tænke igennem det den ved, er den brugbar.

Hvad Claude er reelt god til research-mæssigt

Tre ting.

1. At forklare et fagområde du ikke kender

Hvis du arbejder med en kunde i en branche du ikke kender (fx du er bureauet og kunden er en producent af industrielle ventiler) så er Claude ekstremt nyttig til at få en strukturet introduktion til området.

Min kunde laver industrielle ventiler. Jeg ved
ikke meget om branchen. Hjælp mig med at få et hurtigt
grundlag at stå på, så jeg kan have meningsfulde
samtaler med dem på fredag.

Specifikt:
- Hvem køber industrielle ventiler? Hvad bruger de
  dem til?
- Hvem er de typiske konkurrenter på markedet?
- Hvad er de strømninger der har ramt branchen de
  sidste 5-10 år?
- Hvilke spørgsmål bør jeg stille kunden for at
  forstå deres position?

Det her giver dig en passende introduktion. Det er ikke dyb research, men det er det grundlag du har brug for for ikke at virke uvidende på et indledende møde. Det er det godt til.

2. At sammenfatte en længere tekst eller et dokument

Hvis du har en lang rapport, et brief, eller en akademisk artikel, så er Claude god til at give dig essensen, især hvis du er specifik om hvad du leder efter.

Det her er en 40-siders rapport om e-handel i Europa.
Læs den og giv mig:

1. Hovedkonklusionerne i 5 punkter
2. De tre statistikker fra rapporten der mest sandsynligt
   ville fange en marketingchefs interesse
3. De steder rapporten modsiger sig selv eller har
   logik-huller (hvis der er nogen)
4. En vurdering af hvor solid metoden ser ud til at være

Vær konkret. Hvis du ikke kan finde konkrete data
til et af punkterne, så sig det.

Det her er research som tager 30 sekunder for Claude og ville tage dig en time. Men det forudsætter at du har dokumentet. Claude kan ikke selv finde rapporten.

3. At identificere mønstre du ikke selv kan se

Det her er det allermest undervurderede. Hvis du har en bunke kvalitative data, fx 30 kunde-interviews, 100 spørgeskema-svar, eller 50 LinkedIn-posts der har performet, så er Claude god til at finde mønstre i dem.

Jeg har 50 LinkedIn-posts der har performet over
gennemsnit for vores virksomhed. Jeg vil gerne forstå
hvad der er fælles for dem.

Jeg paster dem ind nedenfor. Læs dem og find:

- De 3-5 strukturelle mønstre der går igen
- De temaer der dominerer
- De åbnings-typer der virker bedst
- Det der overrasker dig, noget jeg sandsynligvis
  ikke selv har lagt mærke til

[paste data]

Det her er researchopgaver hvor Claude faktisk er bedre end de fleste mennesker, fordi den kan holde 50 tekster i hovedet på én gang og finde mønstre på tværs.

Hvad Claude er dårlig til

Tre ting du skal være forsigtig med.

Specifikke aktuelle tal og statistikker. Claude er kendt for at fabrikere tal der lyder rigtige. "75% af marketingchefer bruger AI dagligt", sådan en sætning kan godt komme ud, og den kan være forkert. Hvis du har brug for et konkret tal til en præsentation, så bed Claude søge online efter det og vis kilden. Brug ikke tal Claude husker.

Specifikt for danske data: Claude er svagere på dansk research. Den danske corpus er mindre, og specifikke danske statistikker bør altid tjekkes op.

Citerede eksperter og udsagn. Hvis du siger "Hvad har McKinsey skrevet om det her?" så får du måske et plausibelt svar, men det er ikke nødvendigvis baseret på en faktisk McKinsey-rapport. Bed altid om kilden, og verificér den.

Kontroversielle eller meget specialiserede emner. Hvis du laver research på et emne hvor der er reel uenighed mellem eksperter, kan Claude give dig en sammenfatning der ser balanceret ud men misser nuancerne. Det her er typisk et område hvor du skal kombinere AI-research med at læse selv.

Den arbejdsform der virker

En typisk research-workflow med Claude kan se sådan her ud:

1. Etabler hvad du ved og hvad du ikke ved. Start med at fortælle Claude hvad konteksten er, og hvad du specifikt prøver at finde ud af.
2. Få overblik først. Bed om en struktureret introduktion til området, ikke om specifikke tal endnu.
3. Identificér de spørgsmål du ikke kan svare på. Når du har overblik, finder du de spørgsmål hvor du har brug for konkrete data.
4. Bed om kilder. For de specifikke spørgsmål beder du Claude søge og vise kilder. Klik dig ind på kilderne for at verificere.
5. Sammenstil selv. Den endelige sammenstilling laver du selv. Det er her du bygger den fortælling du har brug for, og hvor du kan stå inde for det du skriver.

Det er ikke hurtigt, men det er godt. Og det er meget hurtigere end at gøre det hele selv fra scratch.

Hvad nu?

Næste artikel handler om noget hvor research møder produktion: slides. Hvordan laver du slides der ikke skriger AI på en kilometers afstand?