Forskningen bag

AI Fluency Index

Metode (alle tal i denne læsning er fra Anthropics AI Fluency Index, februar 2026). Ved hjælp af privatlivsbevarende analyse undersøgte forskerne 9.830 Claude-samtaler med flere runder fra én uge i januar 2026 og testede for 11 af de 24 AI Fluency-adfærdsmønstre, dem der kan observeres direkte i chat. (De andre 13, som ærlighed om AI's rolle i afleveret arbejde, sker uden for samtalen og er formentlig de mest betydningsfulde; kvalitativ undersøgelse af dem er planlagt.) Resultaterne var stabile på tværs af ugens dage og på tværs af seks sprog. Datasættet er siden vokset til over 50.000 samtaler på tværs af chat og agentiske kodeværktøjer.

Fund ét: iteration følges med al anden adfærd

85,7% af samtalerne involverede iteration og forfining, og de samtaler viste omtrent dobbelt så mange AI Fluency-adfærdsmønstre som samtaler uden (2,67 yderligere adfærdsmønstre mod 1,33). Samtaler med iteration var 5,6 gange mere tilbøjelige til at omfatte spørgsmål til modellens ræsonnement og 4 gange mere tilbøjelige til at identificere manglende kontekst. Iteration er den adfærd, der er stærkest forbundet med alle de andre, hvilket gør det at blive i samtalen til den første vane, der er værd at opbygge.

Fund to: artefaktparadokset

I de 12,3% af samtalerne, der producerede artefakter (dokumenter, kode, værktøjer), var samtalerne mere styrende: afklarede mål (+14,7 procentpoint), angav format (+14,5), gav eksempler (+13,4), itererede (+9,7), og mindre evaluerende: identifikation af manglende kontekst faldt 5,2 point, faktatjek faldt 3,7, spørgsmål til ræsonnement faldt 3,1. Når output ser færdigt ud, falder den kritiske evaluering væk, og det er præcis dér, komplekse opgaver gør modeller svagest.

Fund tre: næsten ingen sætter vilkårene

Kun omkring 30% af samtalerne indeholdt nogen instruktion om, hvordan AI skulle interagere. Instruktioner som "sig imod, hvis mine antagelser er forkerte," "før mig gennem dit ræsonnement, før du svarer," og "fortæl mig, hvad du er usikker på" ændrer dynamikken i alt, der følger, og de mangler næsten altid.

Ærlige begrænsninger, angivet af forskerne selv: stikprøven hælder mod tidlige brugere, dækker én platform og én uge, bruger binær klassifikation, kan ikke se evaluering, der sker i brugerens hoved eller uden for chatten, og resultaterne er korrelationelle, ikke kausale.

Et forskningsbaseret kursusforløb

Da indekset blev udvidet på tværs af produkter, viste det, at AI Fluency udvikler sig ad to spor, der opfører sig meget forskelligt. Det har direkte konsekvenser for alle, der bygger AI-træning.

Hvert produkt har et signaturgreb

Den indgangsadfærd, der løfter alle andre AI Fluency-indikatorer, varierer efter overflade. I samtalechat er det at iterere: samtaler, der forfines gennem opfølgninger, scorer højere på alle andre dimensioner, mens samtaler med én enkelt besked næsten ikke viser nogen kritisk evaluering. I agentiske værktøjer, hvor AI arbejder semiselvstændigt, er det at afklare målet før arbejdet starter. Undervis i signaturgrebet først; et kursusforløb, der springer det over, bygger på ingenting.

Description vokser med praksis; Discernment skal undervises

Description-færdigheder, fra formning i øjeblikket (tilføj kontekst, giv eksempler) til holdbar konfiguration (stående instruktioner, projektopsætninger), vokser organisk med erfaring. Folk finder selv frem til dem. Discernment gør ikke: den vokser ikke med anciennitet og overføres ikke fra fortrolighed med funktioner. At se en AI arbejde (læse dens output, køre dens kode) fanger kun fejl, du kan se; det overser forkerte antagelser, manglende kontekst og plausible, men falske påstande. Et resultat, der ser rigtigt ud, kan stadig indkode den forkerte tilgang.

Kursusmodellen på tre linjer: undervis i signaturgrebet først; lad Description udvikle sig langs sit naturlige spektrum fra øjeblikkelig til holdbar; og vend tilbage til Discernment ved hvert eneste trin.

En guide til teamdiskussion

Til teams af enhver størrelse: ledergrupper, fakulteter eller enhver gruppe, der arbejder med AI. Afsæt 45 til 60 minutter, lad folk skimme den første læsning på forhånd, og vælg to eller tre emner plus én aktivitet.

Emne 1: det dit team allerede gør godt

De fleste samtaler viser allerede reelle AI Fluency-adfærdsmønstre: 86% omfatter iteration, omkring halvdelen omfatter målafklaring, omkring 41% omfatter eksempler. Hvilke adfærdsmønstre tror du er stærkest i dit team, og hvilke er svagest? Itererer folk og siger imod, eller accepterer de det første output, og hvad driver det?

Emne 2: iterationseffekten

Iteration korrelerer med alt, men korrelation er ikke kausalitet. Hvad kan forklare forbindelsen? Hvilke barrierer stopper folk fra at iterere: tidspres, oplevet indsats, ikke at vide hvad man skal spørge om som næste skridt? Hvis du designede en teamnorm for at opmuntre til iteration, hvordan ville en god opfølgningsbesked se ud?

Emne 3: artefakteffekten

Har du nogensinde accepteret et AI-output, fordi det så poleret ud, og først senere opdaget problemer? Hvor sker dit teams reelle evaluering: i samtalen eller bagefter? Hvad ville hjælpe folk med at bevare et kritisk blik, når output ser færdige ud?

Emne 4: at dyrke AI Fluency i din organisation

Af de tre anbefalinger (iterér mere, stil spørgsmål til polerede output, sæt vilkårene), hvilken er mest handlingsnær for dit team nu? Hvordan ser jeres nuværende udvikling af AI-færdigheder faktisk ud: formel træning, kollegial læring, ved at prøve sig frem? Hvis I kunne opbygge én AI Fluency-kompetence næste kvartal, hvilken, og hvad er det første konkrete skridt?

Tre aktiviteter

• Iterationsudfordringen (15 min). Alle kører en reel opgave og skal sende mindst tre opfølgningsbeskeder, der forfiner, siger imod eller omdirigerer, før outputtet kaldes færdigt. Gennemgang: hvad ville du have overset ved at stoppe ved det første svar?
• Find hullet (15 min). Få AI til at generere en artefakt om et emne, gruppen kender godt. Find sammen det, der ser rigtigt ud, men kan være forkert, det der mangler, og de antagelser der ikke blev tjekket.
• Sæt vilkårene (10 min). Alle skriver en kort, genbrugelig indledning til samarbejdet: hvordan de vil have modellen til at interagere, hvilken modstand de ønsker, og hvad den skal markere. Del og sammenlign.