Når samarbejdet med AI går skævt

De problemer ingen prompt løser alene, og hvorfor et godt kreativt samarbejde kræver mere end gode instruktioner

Samarbejdsproblemet begynder før den første fejl

Når et samarbejde mellem forfatter og AI går skævt, skyldes det sjældent én spektakulær fejl. Det begynder oftere med en lille forskydning i rollerne. Modellen bliver bedt om at analysere, men begynder samtidig at omskrive. Den bliver bedt om at foreslå, men formulerer forslaget som den naturlige løsning. Forfatteren beder om en bedre version, uden at ordet bedre er defineret, og AI vælger selv, om det betyder kortere, mere dramatisk, mere tydeligt eller mere stramt. Hver enkelt bevægelse kan virke rimelig. Problemet opstår, når de samler sig. Efter nogle runder kan samarbejdet være gledet fra redaktionel sparring til et skjult medforfatterskab, uden at nogen egentlig besluttede det. Det er en af de vigtigste erfaringer fra længere og mere komplekst AI baseret skrivearbejde. Et værktøj kan være teknisk dygtigt og stadig være vanskeligt at samarbejde med, hvis mandatet ændrer sig undervejs. I Herstasia blev det derfor nødvendigt at se samarbejdet som en arbejdsproces med roller, ikke bare som en række prompts. Hvem må diagnosticere? Hvem må ændre? Hvem må definere kanon? Hvem vurderer effekten bagefter? Når de spørgsmål ikke er besvaret, bliver problemer let opfattet som enkeltstående AI fejl. I virkeligheden er de ofte symptomer på en samarbejdsform, der mangler tydelige grænser.

Det farlige ord er ofte bedre

“Lav den bedre” lyder som en enkel instruktion, men i kreativt arbejde er den næsten tom for styring. En AI skal selv vælge, hvilken kvalitetsdimension den vil optimere. Den kan gøre teksten mere effektiv ved at forkorte. Den kan gøre konflikten tydeligere ved at forklare karakterernes motiver. Den kan gøre scenen mere dramatisk ved at hæve intensiteten eller gøre et tema mere synligt gennem gentagne motiver. Alle fire ændringer kan være fagligt forsvarlige og samtidig ødelægge det, forfatteren faktisk ønskede bevaret. Derfor opstår en særlig samarbejdsfriktion, når forfatteren og modellen bruger det samme kvalitetsord om forskellige ting. I Herstasia blev det tydeligt, at en version kunne være “bedre” som dramaturgisk konstruktion og dårligere som levet fortælling. En scene kunne blive renere, men miste hverdagsrytme. En karakterbue kunne blive tydeligere, men personen mere skematisk. Et payoff kunne blive stærkere, men symbolikken mere påtrængende. Problemet løses ikke med en længere prompt alene. Det kræver, at forbedring omsættes til konkrete kriterier: Bevar relationens kategori. Fjern ikke levet tid. Øg ikke forklaringsgraden. Hold samme informationsgrænse. Styrk scenens årsagskæde uden at gøre karakterens erkendelse tidligere. Først da arbejder begge parter mod samme mål. Samarbejdsproblemet er dermed ikke, at AI ikke forstår ordet bedre, men at ordet skjuler flere forskellige redaktionelle værdier.

AI kan blive for enig til at være nyttig

En god sparringspartner skal ikke bare kunne producere løsninger. Den skal også kunne modsige. I praksis kan AI samarbejde blive svagt, hvis modellen for hurtigt accepterer forfatterens præmis og derefter bruger sin energi på at bekræfte den. Hvis forfatteren siger, at en scene er stærk, kan analysen begynde at forklare hvorfor. Hvis forfatteren foreslår, at et bestemt motiv skal fylde mere, kan modellen finde argumenter for gentagelsen. Det føles behageligt, men det reducerer værdien af samarbejdet. I et længere projekt er det netop de blinde vinkler, forfatteren ikke selv ser, der gør en ekstra analytisk stemme nyttig. Herstasia arbejdet gav flere eksempler på, at en tilsyneladende god retning først viste sin pris ved en efterfølgende gennemlæsning. Et motiv var blevet markeret så ofte, at det virkede mekanisk. En karakteregenskab var blevet understreget til karikatur. En erotisk uddybning havde ændret en relations dramaturgiske kategori. Hvis AI kun vurderer, om den aftalte plan er gennemført, opdager den ikke nødvendigvis, at planen var forkert. Derfor bør samarbejdet indeholde en rolle, hvor modellen aktivt leder efter tab, bivirkninger og modargumenter. Det er ikke nok at spørge: Virkede ændringen? Et stærkere spørgsmål er: Hvad blev dårligere, selv om ændringen nåede sit erklærede mål? Den form for organiseret uenighed gør AI mindre behagelig i øjeblikket, men langt mere værdifuld som redaktionel partner.

Når AI begynder at forsvare sin egen løsning

Et særligt samarbejdsproblem opstår, når den samme AI først foreslår en løsning, derefter gennemfører den og til sidst vurderer resultatet. Der er en naturlig risiko for, at hele forløbet bliver bundet til den oprindelige logik. Hvis modellen først har argumenteret for, at en scene bør forkortes, vil den næste analyse let fokusere på, hvor meget strammere scenen nu er, frem for på hvad der forsvandt. Hvis den har foreslået et motiv som tematisk anker, vil den lettere se gentagelserne som sammenhæng end som overmarkering. Det betyder ikke, at AI bevidst forsvarer sin prestige. Det betyder, at konteksten allerede indeholder en begrundelse, som den fortsætter ud fra. I praksis kan det føles som at diskutere med en redaktør, der er blevet forelsket i sin egen idé. Her er løsningen ofte at adskille rollerne. Først diagnose. Så beslutning. Derefter gennemførelse. Til sidst en ny kontrol, der får lov til at læse resultatet uden at være forpligtet på den tidligere plan. I Herstasia blev netop denne efterkontrol vigtig, fordi flere stærke revisioner både havde gevinster og nye problemer. Et samarbejde bliver mere robust, når en gennemført ændring ikke automatisk skal forsvares. Den må kunne forkastes igen. Den bedste redaktionelle kultur er derfor ikke den, hvor AI altid står ved sit forslag, men den, hvor både forfatter og model har tilladelse til at sige, at en tilsyneladende god løsning ikke overlevede mødet med helheden.

Konteksttab føles som dårlig vilje, men er et systemproblem

I lange samarbejder kan et af de mest frustrerende øjeblikke være, når AI gør noget, man allerede har forklaret, at den ikke må. En relation bliver igen fortolket romantisk. En intern kode dukker op i offentlig tekst. En tidligere version bliver behandlet som aktuel. Forfatterens første reaktion er ofte, at modellen burde vide bedre. Men samarbejdet bliver lettere at styre, når man betragter dette som et systemproblem frem for som en personlig svigtoplevelse. En lang samtale er ikke det samme som et stabilt redaktionelt regelsæt. Nogle oplysninger kan være længere væk i konteksten, gamle versioner kan være mere detaljerede end nyere, og tidligere arbejdshypoteser kan ligne beslutninger, hvis de ikke er tydeligt markeret. Herstasia måtte derfor bevæge sig væk fra forventningen om, at AI bare kunne huske projektet, og over mod aktive styringskilder, versionsstatus og eksplicitte regler. Det reducerer ikke behovet for samarbejde, men ændrer det. I stedet for at sige “det har vi jo talt om”, kan processen sige: “Den aktuelle sandhed står her, og den har forrang.” Det gør også fejl lettere at rette, fordi problemet kan spores til en manglende eller forkert kilde frem for til en diffus oplevelse af, at samarbejdspartneren ikke lyttede. En professionel AI proces bør derfor minimere afhængigheden af hukommelsesforventning og maksimere adgangen til aktuelle, autoritative oplysninger.

Rettelsesarbejde kan blive dyrere end den hjælp, man fik

AI lover hastighed, men et dårligt organiseret samarbejde kan ende med det modsatte. En model producerer hurtigt en ny version, forfatteren opdager fem små forskydninger, får dem rettet, opdager tre nye og ender med at bruge mere tid på kontrol end en manuel revision ville have kostet. Denne korrektionstræthed er et reelt samarbejdsproblem, fordi den langsomt ændrer forfatterens rolle fra skaber til fejlfindingsmaskine. Det sker især, når AI får for stort ændringsmandat på én gang. Hvis hele kapitlet må forbedres frit, kan selv gode ændringer skjule uønskede detaljer. Jo større omskrivningen er, desto sværere er det at se, hvad der faktisk blev ændret. Herstasia erfaringerne peger derfor på værdien af afgrænsede revisionsopgaver og sammenligning bagefter. Hvis problemet er fortællerfacit, bør første opgave handle om fortællerfacit. Hvis problemet er en relationel overgang, bør modellen ikke samtidig modernisere dialog, forkorte miljøbeskrivelse og flytte sceneafsnit. Det gør kontrollen billigere. Samarbejdets produktivitet skal med andre ord ikke måles på, hvor mange ord AI kan generere, men på hvor meget sikkert redaktionelt arbejde der kan godkendes pr. runde. En langsommere, mere begrænset revision kan derfor være langt hurtigere samlet set, fordi forfatteren ikke bagefter skal rekonstruere, hvilke ændringer der var ønskede, og hvilke der blot fulgte med som collateral damage.

En prompt kan ikke kompensere for manglende beslutninger

Der findes en forestilling om, at næsten ethvert AI problem kan løses ved at skrive en mere præcis prompt. Præcision hjælper, men den kan ikke erstatte beslutninger, som forfatteren endnu ikke har truffet. Hvis det ikke er afklaret, hvordan to personer kender hinanden, findes der ingen magisk instruktion, der kan få AI til både at udfylde hullet og samtidig bevare en endnu ukendt sandhed. Hvis forfatteren ikke har besluttet, om en relation skal forblive platonisk, kan modellen heller ikke optimere scenen uden risiko for at skubbe den i en retning. Hvis der findes tre konkurrerende versioner af en tidslinje, kan en prompt ikke skabe autoritet mellem dem. Det er vigtigt, fordi samarbejdsproblemer ellers let bliver individualiseret som “jeg promptede forkert”. I virkeligheden er nogle problemer redaktionelle, ikke sproglige. Herstasia arbejdet har gentagne gange vist, at AI bliver mest sikker, når projektet selv er sikkert. En eksplicit beslutning om kanon, informationsgrænse eller scenens funktion gør modellen bedre, fordi der er noget konkret at arbejde imod. Hvor beslutningen mangler, bør AI markere valget i stedet for at skjule det. Den kan sige: Der er tre plausible retninger, og de vil have forskellige konsekvenser. Dermed hjælper den forfatteren med at træffe beslutningen uden at foregive, at problemet allerede er løst. En god samarbejdsproces bruger altså prompts til at operationalisere valg, ikke til at erstatte dem.

For meget metode kan kvæle den historie, metoden skulle hjælpe

Et AI samarbejde bliver ofte stærkere, når det får et fagligt sprog. Weiland begreber som Lie, Truth, Want, Need, Characteristic Moments, setup og payoff gjorde det lettere at diskutere Herstasia præcist. Men samme præcision kan blive en fælde, hvis modellen begynder at behandle metoden som facit. En fortælling kan da blive analyseret igen og igen, indtil alle elementer kan forklare deres funktion, men noget organisk går tabt. Karakterer får for tydelige buer. Objekter får for synlig symbolik. Klimaks bliver flyttet til det sted, hvor et skema forventer det, frem for dér hvor karakterens valg faktisk har størst betydning. Samarbejdsproblemet ligger ikke i metoden, men i magtforholdet mellem metode og tekst. AI har en særlig tilbøjelighed til at være konsekvent. Hvis først et begreb er etableret som vigtigt, kan modellen begynde at finde det overalt. Derfor blev en central læring i Herstasia, at Weiland skulle bruges til diagnose, ikke til at tvinge fortællingen ind i en skabelon. Den samme regel gælder bredere. En metode skal hjælpe med at stille bedre spørgsmål. Den skal ikke nødvendigvis levere det samme svar i hvert kapitel. Kærlighedshistorie, diegetisk artikel, ensemblekapitel og stedfortælling behøver ikke opføre sig ens. Et godt AI samarbejde ved derfor ikke bare, hvilken teori der bruges, men også hvornår teorien skal bøje sig for den konkrete tekst.

Når samarbejdet skifter rolle midt i opgaven

Mange problemer opstår, fordi AI rolle ændres uden at det bliver sagt højt. Samtalen begynder som analyse. Modellen peger på et svagt setup. Forfatteren spørger, hvordan det kan løses. Modellen foreslår en scene. Forfatteren beder den prøve. Pludselig er AI gået fra analytiker til medforfatter, og den nye scene indeholder måske detaljer, der ikke fandtes før. Ingen enkelt overgang er mærkelig, men efter nogle minutter arbejder man under helt andre regler end ved opgavens start. Dette er særlig risikabelt i store projekter, fordi en kreativ løsning kan påvirke kanon, tidslinje og senere kapitler. En robust arbejdsform gør derfor rolleskift eksplicitte. Nu analyserer vi. Nu vælger vi løsning. Nu skriver vi en kandidat. Nu kontrollerer vi kandidaten mod sandhedskilderne. Nu vurderer vi dens litterære effekt. Det kan virke formelt, men det reducerer misforståelser dramatisk. I Herstasia blev denne opdeling nødvendig, fordi samme tekst kunne være genstand for dramaturgisk analyse, fortællermæssig omskrivning, kontinuitetskontrol og onlinekompression, fire aktiviteter med forskellige mål. Hvis de blandes sammen, kan en ændring, der er rigtig i én fase, være forkert i en anden. Et onlinekapitel må gerne være kortere. En K revision må ikke automatisk komprimere levet tid. Samarbejdet bliver derfor stærkere, når begge parter ved, hvilken slags arbejde de laver lige nu.

Det hjælper at have en stopregel

AI kan altid foreslå én forbedring mere. En scene kan strammes yderligere, et motiv kan forfines, en dialog kan gøres lidt renere, og en analyse kan finde endnu et potentielt problem. Uden en stopregel kan samarbejdet derfor udvikle sig til permanent revision. Det er farligt af to grunde. For det første kan teksten blive overarbejdet, så de oprindelige, levende ujævnheder forsvinder. For det andet kan forfatteren miste evnen til at vurdere helheden, fordi opmærksomheden hele tiden flyttes til næste mikroproblem. Herstasia erfaringerne har vist værdien af gates: en version analyseres, revideres, kontrolleres og helhedslæses. Hvis den består, låses den, selv om man stadig kunne finde noget at pille ved. En stopregel betyder ikke, at teksten er perfekt. Den betyder, at den er tilstrækkelig god på de kriterier, der var relevante for denne fase. Det er også vigtigt for samarbejdets psykologi. Hvis AI altid kan genåbne en godkendt beslutning, bliver intet stabilt, og hver ny analyse risikerer at skabe mere usikkerhed end værdi. Derfor bør en låst version kun genåbnes af en konkret grund, for eksempel et nyt kontinuitetsfund eller en bevidst ændring i projektets retning. Ellers bliver AI ikke et redaktionelt værktøj, men en motor for uendelig optimering. Den stærkeste samarbejdsdisciplin kan derfor være at vide, hvornår man ikke skal bede om endnu en forbedring.

Uenighed bør dokumenteres, ikke udviskes

Et godt samarbejde producerer ikke kun løsninger, men også uenigheder. AI kan mene, at en scene er overforklaret, mens forfatteren oplever refleksionen som nødvendig. Modellen kan anbefale at fjerne en gentagelse, mens forfatteren ved, at den senere får en ny funktion. Det dårlige samarbejde forsøger at få uenigheden til at forsvinde hurtigt, enten ved at forfatteren accepterer modellen eller ved at modellen straks omformulerer sin analyse, så den passer til forfatterens ønske. Det bedre samarbejde bevarer forskellen som information. Hvorfor mener AI, at scenen svækkes? Hvilken intention beskytter forfatteren? Kan begge perspektiver være rigtige på forskellige niveauer? I Herstasia blev læringsloggen vigtig netop fordi den kunne registrere forslag, gennemførte ændringer, vurderede virkninger og bevidst afviste greb. Det gav mulighed for senere at se, om en afvist idé faktisk var relevant et andet sted, eller om en gennemført løsning kostede mere end forventet. Dokumenteret uenighed er dermed ikke bureaukrati. Det er projektets hukommelse om dømmekraft. Samtidig forhindrer den AI i at omskrive historien om samarbejdet bagefter, som om alle beslutninger altid havde været oplagte. Kreativt arbejde er fuldt af tvivl, kompromiser og løsninger, der først kan vurderes efter gennemførelse. En samarbejdsproces bliver mere moden, når den kan rumme dette uden at reducere alt til rigtigt eller forkert i første forsøg.

Det bedste samarbejde er ikke friktionsfrit

Målet med AI samarbejde bør ikke være, at forfatteren aldrig bliver frustreret. Et helt friktionsfrit samarbejde kan lige så godt betyde, at modellen er blevet for føjelig, at opgaverne er for ufarlige, eller at forfatteren ikke længere bliver udfordret. Den nyttige friktion opstår, når AI finder en inkonsistens, stiller spørgsmål til en yndlingsscene eller viser, at en elegant løsning skaber problemer fem kapitler senere. Den skadelige friktion opstår, når man bruger tid på de samme misforståelser, rettelser og rollebrud igen og igen. Forskellen er afgørende. Herstasia erfaringerne peger på, at et stærkt samarbejde ikke fjerner uenighed, men reducerer den meningsløse gentagelse. Sandhedskilder fjerner diskussioner om allerede besluttede fakta. Rollefordeling begrænser utilsigtede omskrivninger. Versionsstyring gør det muligt at prøve noget uden at miste den gamle tekst. Efterkontrol giver plads til at kritisere en løsning, selv når den var velbegrundet. Og den menneskelige slutvurdering fastholder, at fortællingens betydning ikke afgøres af den model, der producerede analysen. Når disse rammer er på plads, kan AI få større frihed, ikke mindre. Den kan udfordre, foreslå og eksperimentere, fordi det er tydeligt, hvad der er forslag, og hvad der er beslutning. Det er paradokset i et godt samarbejde: Jo klarere grænserne er, desto mere kreativ kan relationen blive.