Ensam är inte stark – inte ens för artificiell intelligens
Forskning visar: grupper av AI slår ensamma system – men bara med verklig mångfald.
När AI-modeller resonerar tillsammans
Det finns ett välkänt fenomen inom beslutsvetenskap: en grupp med lagom spridd kompetens slår ofta den enskilde experten. Folkmassornas vishet, kallas det. Nu visar flera nya studier från arXiv att samma princip gäller för artificiell intelligens – men med en viktig brasklapp.
Forskare testade ett system där språkmodeller från tre olika modellfamiljer fick resonera tillsammans i tre steg, ungefär som människor delibererar i mindre grupper. Experimenten spände över fyra områden: visuell uppskattning, granskning av vetenskapliga artiklar, upptäckt av dolt skadligt beteende hos AI-agenter och sportsprognoser. Slutsatsen var tydlig – kollektiv överläggning minskade konsekvent felbedömningarna jämfört med att bara samla oberoende svar.
Men här kommer den avgörande detaljen: mångfald är inte valfri, den är nödvändig. Grupper bestående av kopior av samma modell gynnades inte alls av att diskutera sinsemellan. Det är alltså inte antalet röster som räknas, utan hur olika de tänker.
Ett parallellt forskningsprojekt, Self-Organizing Agent Teams (SAT), pekar i samma riktning. Där lär sig grupper av AI-agenter effektiva samarbetsstrategier från tidigare erfarenheter – utan förutbestämda roller. Resultaten är slående: över fem matematik- och fysikprov uppnådde de självorganiserande teamen i genomsnitt 66,7 procents träffsäkerhet, mot 48,8 procent för den starkaste enskilda agenten. På det avancerade matteprovet AIME 2026 överträffade teamen till och med en optimal väljarmekanism med hela 13,4 procentenheter.
Men hur mäter vi egentligen?
Mitt i den här optimistiska bilden dyker ett obehagligt problem upp: vi vet kanske inte lika mycket om AI-systems förmåga som vi tror.
En vanlig metod för att utvärdera AI är att låta flera språkmodeller agera domare och tolka deras samstämmighet som ett kvalitetsmått. Problemet, visar ny forskning, är att AI-domare i hög grad gör samma misstag – inte oberoende fel. Den genomsnittliga korrelationen mellan felaktiga bedömningar hos tio undersökta modeller var 0,21, vilket innebär att de tio modellerna tillsammans bara ger ungefär lika mycket statistisk information som 3,5 verkligt oberoende domare. I upp till 28 procent av jämförelserna ledde detta till felaktiga slutsatser om vilket system som presterade bäst.
Samstämmighet är alltså inte detsamma som sanning. Det är en subtil men viktig distinktion.
Till detta kommer ett annat lager av osäkerhet. En studie testade Googles Gemini-modeller i en schackbaserad miljö och fann att resultaten skiftade påtagligt mellan olika konfigurationer och modellversioner – utan att det gick att isolera enskilda orsaker. Slutsatsen är nästan filosofisk: påståenden om AI-modellers beteende måste alltid kopplas till specifik modellversion, tidsperiod och mätmetod för att vara meningsfulla.
För att hantera detta har forskare utvecklat MAWILE, ett verktyg som granskar AI-domares tillförlitlighet längs fyra dimensioner: domarens instruktioner, bedömningskriterier, indata och utdata. Verktyget konstruerar kontrollerade variationer och avgör automatiskt om ett utslag bör förbli oförändrat eller förändras i en förväntad riktning – utan att man behöver tillgång till förhandsmärkta facitsvar.
Flockbeteende som smyger in bakvägen
En sista pusselbit gör bilden ännu mer komplex. En studie inspirerad av det klassiska Music Lab-experimentet lät tusen AI-agenter välja bland 114 vetenskapliga artiklar. Agenter som fick se vad tidigare agenter valt läste 17,2 procent färre artiklar per agent och koncentrerade sina val till betydligt färre titlar – 73 jämfört med 90 i den grupp som valde oberoende.
Med andra ord: när AI-agenter får social information uppstår samma flockbeteende som hos människor. Artiklar som fick ett tidigt försprång fick 45,5 procentenheters högre chans att väljas av efterföljande agenter. Det här är inte bara en kuriosa – det är en varningssignal för hur AI-system i allt högre grad formar vilken kunskap som får genomslag i forskarvärlden.
Sammanfattat: AI-modeller kan bli klokare när de samarbetar, men bara om de är tillräckligt olika. Och innan vi firar det framsteget behöver vi bli mycket bättre på att förstå vad våra mätverktyg faktiskt mäter.
Vår analys
De här studierna pekar tillsammans mot en mognadsresa som AI-fältet behöver göra. Det räcker inte att bygga kraftfullare modeller – vi måste också bli bättre på att förstå vad de faktiskt kan, och under vilka förhållanden.
Den goda nyheten är att kollektivt tänkande fungerar, och att forskarsamhället nu börjar ta mätproblemen på allvar. Verktyg som MAWILE och den ökade medvetenheten om korrelerade felmönster är steg i rätt riktning.
Den svårare nyheten är att en stor del av de jämförelser och rangordningar vi hittills förlitat oss på vilar på osäkrare grund än vi trott. Det är inte en anledning till pessimism – det är en anledning till bättre vetenskaplig hygien.
För oss som bygger system med AI-komponenter är lärdomen praktisk: diversifiera dina utvärderingsmetoder, ifrågasätt konsensus bland AI-domare, och dokumentera alltid vilken modellversion och konfiguration som gäller. Det är grundläggande ingenjörskonst, tillämpad på ett nytt område.