- Begreb: HBR-studiet fra forskere fra rådgivningsfirmaet BCG (5. marts 2026) kalder mental træthed ved overdreven brug eller overvågning af KI-værktøjer for „AI Brain Fry“. En medicinsk diagnose er det ikke.
- Udbredelse: 14 % af KI-brugerne i amerikanske store virksomheder har oplevet det én gang (1.488 adspurgte, selvrapportering). Det er ikke 14 % af alle ansatte, og spørgsmålet lød på „nogensinde oplevet“.
- Procentværdier: Værdierne for overvågning, træthed, beslutningstræthed, fejl og burnout er relative forskelle i skalaværdier, ikke andele af personer. Eksempel: Den, der overvåger meget KI, angiver i gennemsnit 14 % mere mental anstrengelse.
- Kontekstskift: At skift koster, er påvist i laboratoriet (Monsell 2003, Rubinstein et al. 2001). I undersøgelsen er sammenhængen med spørgsmålene om opgaveskift mindre entydig end sammenhængen med informationsoverbelastning.
- Modsiden: Mindre rutinearbejde pga. KI hang sammen med 15 % lavere burnout-værdier. Et feltstudie fandt i gennemsnit 15 % flere løste sager i timen (Brynjolfsson et al. 2025).
- Arbejdsrytme: start, fokus, høst, læs beskeder først i høsten og kun så mange kørsler, som du kan nå at tjekke. For enkelte byggesten findes der indikationer fra andre områder (Fitz 2019 om samlede beskeder, Masicampo og Baumeister 2011), for tilsyn med KI er ingen af dem afprøvet.
Nogle dage kører der 5 til 6 KI-kørsler samtidig hos mig. Det tager minutter at starte dem. Derefter kommer resultaterne ind efter hinanden, og hvert enkelt skal tjekkes, rettes eller godkendes. Jeg springer frem og tilbage mellem tekster, research og udkast. Om det allerede er AI Brain Fry, kan jeg ikke sige, for der findes ingen diagnose for det.
Den, der bruger KI-agenter eller indfører KI i virksomheden, kører på et tidspunkt flere forløb samtidig og støder på det samme spørgsmål: Hvor mange kan jeg stadig fornuftigt kontrollere? Dette indlæg adskiller, hvad undersøgelsen af AI Brain Fry viser, nævner forskningen i kontekstskift, viser modargumentet og beskriver min arbejdsrytme.
AI Brain Fry: definition og afgrænsning fra udbrændthed
Begrebet „AI Brain Fry“ indfører Bedard, Kropp, Hsu, Karaman, Hawes og Rosen Kellerman i HBR-artiklen „When Using AI Leads to ‘Brain Fry’“ fra 5. marts 2026. Alle arbejder hos rådgivningsfirmaet BCG, 2 af dem tager desuden en ph.d. ved University of California, Riverside. Deres definition, frit oversat: mental træthed ved overdreven brug eller overvågning af KI-værktøjer ud over ens egen kognitive kapacitet. På dansk har intet ord slået igennem. Medier skriver om „KI-udmattelse“, „KI-udbrændthed“ eller „AI Fatigue“, et fagportal bruger overskriften „Frituret hjerne“.
AI brain fry er ikke det samme som burnout. Forfatterne beskriver burnout som kronisk arbejdsstress med følelsesmæssig udmattelse. Brain fry er efter deres læsning en akut overbelastning af opmærksomhed, arbejdshukommelse og styring af ens egen tænkning. Det er ikke en medicinsk diagnose.
Et bemærk om oprindelsen: BCG sælger selv rådgivning om indførelse af KI. Artiklen anbefaler at lægge 70 % af indsatsen i KI-projekter i mennesker og processer. Det gør ikke tallene forkerte, men det viser en egeninteresse i emnet.
Studiets tal og hvordan du læser dem
Der blev spurgt 1.488 fuldtidsansatte i store amerikanske virksomheder, én gang og via selvrapportering. Et spørgeskema eller et working paper med metoden har jeg ikke fundet. Vigtigt for hvert tal er, hvad det egentlig måler:
| Studiets udsagn | Sådan læser du tallet |
|---|---|
| 14 % af KI-brugerne svarede ja til, at de allerede én gang havde oplevet Brain Fry | Andel af personer, men kun blandt KI-brugere i amerikanske storvirksomheder, og spørgsmålet lød „har nogensinde oplevet“. Forkert ville være: „Hver syvende lider af det.“ |
| Højt i stedet for lavt tilsyn med KI: 14 % mere mental anstrengelse, 12 % mere mental træthed, 19 % mere informationsoverbelastning | Relative forskelle i skalaværdier fra selvrapportering mellem 2 grupper, ikke andele af personer. |
| Med brain fry: 33 % mere beslutningstræthed, 11 % flere små og 39 % flere store fejl | Det er også skalaværdier fra selvrapportering, ikke optalte fejl. “Brain Fry giver 39 % flere alvorlige fejl” ville være forkert. |
| Opsigelsesintention: 25 % uden, 34 % med brain fry | Andele af personer sammenlignet. Den relative tal, som HBR nævner hertil, kan jeg ikke regne efter ud fra de rapporterede værdier, derfor står det ikke her. |
| Pr. funktion: 26 % af medarbejderne i marketingfunktioner, 6 % i juridiske funktioner oplyste at have oplevet Brain Fry | Funktioner hos store amerikanske virksomheder, ikke brancher. |
| KI-værktøjer brugt samtidig: Den oplevede produktivitet stiger tydeligt fra 1 til 2, derefter svagere, og falder en smule fra det fjerde | Det, der er målt, er oplevet produktivitet. Om der blev talt værktøjer eller agenter, er uklart. En grænse for agenter følger ikke heraf. |
I hverdagen er 2 fund vigtigere end ethvert procenttal. Det første: Med belastning og mental træthed hang først og fremmest det løbende tilsyn med KI's output sammen, dertil en arbejdsmængde, der er vokset på grund af KI. I centrum af studiet står tilsynet. Det andet angår kontekstskift: De frie tekstsvar nævner informationsoverbelastning og opgaveskift som vigtige faktorer. Den statistiske sammenhæng med spørgsmålene om opgaveskift er dog mindre entydig end den med informationsoverbelastning. Som “hovedårsag” duer kontekstskift ikke i dette studie.
Endnu et forbehold: Forfatterne skriver, at KI-brug „may be causing“ udmattelsen, og at overvågningen „predicted“ den. Det er forsigtige ord med god grund. I tværsnittet kan den modsatte retning også tænkes: Den, der allerede er overbelastet, oplever måske overvågning som mere belastende.
Kontekstskift og overvågning: hvorfor de koster så meget opmærksomhed
At opgaveskift koster tid og nøjagtighed har psykologien forsket i i årtier, dog ikke i arbejdet med KI. Oplysningerne stammer fra studiernes sammenfatninger, hos Mark fra artiklerne.
- Skiftomkostninger: Efter et opgaveskift svarer mennesker i laboratoriet langsommere og for det meste med flere fejl. Forberedelse sænker omkostningerne, men fjerner dem ikke (Monsell 2003, oversigtsartikel om enkle opgaver). De stiger med reglernes kompleksitet, falder med signaler og er højere ved ukendte opgaver (Rubinstein, Meyer, Evans 2001).
- Opmærksomhedsrester: Opmærksomheden slipper dårligt ufærdige opgaver, og præstationen på den næste opgave lider. Fagudtrykket er „Attention Residue“ (Leroy 2009, 2 eksperimenter).
- Afbrydelser: Hos 24 ansatte i en virksomhed (hver observeret i 3,5 dage, undersøgelsens varighed 13 måneder) var 57 % af arbejdsenhederne afbrudt. Til det afbrudte arbejde vendte de tilbage samme dag i gennemsnit efter 25 min 26 s. Spredningen er enorm (standardafvigelse 54 min 48 s), og 77 % blev overhovedet taget op igen samme dag (Mark, Gonzalez, Harris 2005). I laboratoriet arbejdede afbrudte hurtigere, men med mere stress og anstrengelse (Mark, Gudith, Klocke 2008, 48 deltagere, overvejende studerende).
- Tilsyn med automatisering: Den, der overvåger et automatiseret system, kontrollerer mindre ved flere belastninger på én gang (complacency) og følger forslag for hurtigt, selv som ekspert (automation bias). Træning forhindrer det ikke (Parasuraman og Manzey 2010, oversigtsartikel).
Min læsning: Den, der kører 5 forløb, skifter mellem 5 opgaver og gennemgår samtidig løbende andres resultater. Begge dele sammen passer til det, som undersøgelsen og denne forskning beskriver. Det er ikke bevist for arbejdet med KI. Laboratorie- og kontorundersøgelserne stammer fra tiden før KI-agenter, og afbrydelsesundersøgelserne har små stikprøver.
Modsiden: at give rutine fra sig aflaster
Det samme studie har et andet budskab, der let drukner ved siden af belastningstallene. Ansatte, som havde mindre rutinearbejde på grund af KI, angav 15 % lavere udbrændthedsværdier. Værdierne for mental træthed var ikke lavere. Det er igen en sammenhæng fra selvrapportering, men den taler imod at læse KI-brug generelt som en belastning. Med mindre træthed hang desuden sammen, hvis ledelsen besvarede spørgsmål om KI (15 % mindre), og hvis ansatte havde indtryk af, at deres virksomhed lægger vægt på work-life-balance (28 % mindre).
Et feltstudie peger i samme retning. Brynjolfsson, Li og Raymond analyserede i “Generative AI at Work” (udgivet 2025) data fra 5.172 supportmedarbejdere, hvor en KI-assistent blev indført trinvist i 2020 og 2021. I gennemsnit løste de 15 % flere sager i timen. Mindre erfarne og mindre kvalificerede havde større gavn, og hos de mest erfarne var tempogevinsterne og kvalitetstabene små. Medarbejdernes trivsel blev ikke målt direkte, og support med en assistent fra 2020 er noget andet end at styre flere agenter.
Belastning og aflastning står side om side i dataene. Min læsning: Det afhænger af, hvor meget tilsyn der passer ind i ens egen kapacitet. Mindre KI følger ikke heraf.
Arbejdsrytme: start, fokus, høst
Herfra beskriver jeg min arbejdsmåde. Den er erfaringen fra en enkelt solovirksomhed og ikke en gennemprøvet metode. Hvor der findes belæg fra andre områder for en byggesten, står det ved siden af. Om disse byggesten virker på samme måde ved tilsyn med KI, er uafklaret.
Grundidéen: Jeg begrænser mine berøringspunkter med KI'en og lader kørslernes varighed stå åben. De må vare længe, bare jeg kun kigger ind på faste tidspunkter. Heraf opstår 3 blokke:
| Blok | Hvad der sker | Varighed |
|---|---|---|
| Start | Send alle opgaver af sted efter hinanden, hver med et klart resultat | 15 til 30 min |
| Fokus | En egen opgave, som kun jeg kan løse. Ingen resultater at læse, ingen kørsler at se på | 90 til 120 min |
| Høst | Kontrollér resultaterne, godkend, start rettelser som nye opgaver (det er samtidig den næste start) | 30 til 45 min |
Start: ensartede opgaver som et parti
Ved starten tæller en ren opgave. Opgaver af samme art sender jeg af sted som et parti, 5 til 6 parallelt. Det, der ikke passer ind i partiet, venter på næste start. Forberedelse og signaler sænker skiftomkostninger (Rubinstein, Monsell). Derfor er det værd at tilføje en sætning i opgaven om, hvordan du genkender det færdige resultat, og hvad du vil bruge det til. Det er en overførsel fra laboratoriet.
Fokus: læs meddelelser først i høsten
I fokusblokken læser jeg ingen resultater og ser ingen kørsler. Meddelelser må gerne komme ind, men de læses først i høsten. Det er mindre end at samle: De kommer fortsat enkeltvis, jeg lader dem bare ligge.
Til at samle findes der et feltforsøg på smartphone. Fitz og kolleger (2019) lod 237 personer modtage notifikationer som hidtil, samlet 3 gange om dagen eller slet ikke. Den samlede gruppe rapporterede mere opmærksomhed, bedre humør og mindre stress. Gruppen helt uden notifikationer havde næsten ingen fordele, men mere angst og mere frygt for at gå glip af noget. At samle var altså bedre end at slå fra. Den, der vil støtte fokusblokken på den måde, lader beskeder levere samlet. Om det blot at lade dem ligge giver det samme, viser undersøgelsen ikke. Indstillingerne til iPhone og Pixel står i indlægget om konstant tilgængelighed.
Høst: kontrollér, godkend, notér ændringer
I høsten kontrollerer jeg resultaterne efter hinanden, godkender og sender rettelser af sted som nye opgaver. Samtidig begynder den næste start. Den, der skifter mellem 2 resultater eller tilbage til sin egen opgave, kan notere i 1 sætning, hvor og hvordan vedkommende fortsætter. Masicampo og Baumeister viste i 2011 i laboratorieeksperimenter, at en konkret plan for, hvornår og hvordan et mål bliver nået, stopper den forstyrrende virkning af et uafsluttet mål. Om det gælder for KI-resultater, der er blevet liggende, har jeg ikke fundet noget studie.
Efter høsten og den nye start, før den næste fokusblok begynder, hjælper en rigtig pause. En metaanalyse (22 stikprøver, 2.335 personer) fandt, at mikropauser øger vitaliteten og sænker trætheden, begge dele i lille omfang (Albulescu et al. 2022). For præstationen ved krævende arbejde er effekten ikke sikker, anbefalingen støtter sig til velvære.
Så mange forløb, som du kan nå at kontrollere
Flaskehalsen er at tjekke, ikke at starte. En dag er fuld, når høsten ikke længere kan være i arbejdstiden. Det stemmer med erfaringsrapporter. Addy Osmani kobler antallet af agenter til sin review-rate og skriver, at det for de fleste er et lavt etcifret tal (The Orchestration Tax, 2026). Simon Willison kan efter eget udsagn kun koncentrere sig om at tjekke og overtage én større ændring ad gangen (2025).
HBR-studiets tærskel ved 3 værktøjer duer ikke som målestok for kørsler, fordi det er uklart, hvad der blev talt. Som test er en enkel regel nok: Start kun så mange kørsler, som du kan tjekke grundigt i den næste høstblok. Se efter en uge, hvor mange resultater der er blevet liggende.
Studiegrundlagets grænser
Brain Fry-studiet bygger på selvrapportering og et tværsnit, det stammer fra USA og fra storvirksomheder og er udkommet i et managementmagasin uden fagfællebedømmelse. Brain Fry-spørgsmålet er et enkelt ja/nej-item med „nogensinde“, ikke et afprøvet spørgeskema. De 33 % mere beslutningstræthed er en skalaværdi. Mekanismen bag (ego depletion) lod sig i 2 store replikationsstudier ikke påvise robust (Hagger et al. 2016, Vohs et al. 2021).
For modmidlerne ser det tyndere ud. Fitz, Masicampo og Albulescu undersøgte smartphones, laboratorieopgaver og pauser, ikke tilsyn med KI. Om enkeltmandsvirksomheder med flere agenter har jeg ikke fundet noget studie. Min oplevelse er et enkelt datapunkt. Den, der kører lignende forløb, kan teste rytmen som hypotese og måle den på sin egen høst.
Hvordan jeg styrer KI-kørsler i hverdagen, og hvad der går galt undervejs, viser jeg i nyhedsbrevet AI Sync, som udkommer hver søndag.
Alt på denne side kan gennemføres uden mig. Nye værktøjer og ændringer skriver jeg ind her, hver søndag kommer der et tip om det i nyhedsbrevet.
Til AI SyncJeg sætter KI-forløb op sammen med dig, der leverer deres resultater samlet til godkendelse på faste tidspunkter, og fastlægger sammen med dig, hvem der kontrollerer hvad. På stedet fra Eisenstadt til Mattersburg og Wiener Neustadt, online i hele det tysktalende område.
Læs mereOfte stillede spørgsmål
Hvad er AI brain fry?
AI Brain Fry er et begreb fra et HBR-studie af forskere fra rådgivningsfirmaet BCG (5. marts 2026). Det dækker over mental træthed ved overdreven brug eller overvågning af KI-værktøjer ud over ens egen kapacitet. Begrebet er ikke en medicinsk diagnose. Studiet bygger på selvrapportering fra 1.488 ansatte i store amerikanske virksomheder.
Hvor udbredt er AI Brain Fry?
I studiet svarede 14 % af KI-brugerne ja til spørgsmålet, om de nogensinde havde oplevet det. Det gælder KI-brugere i store amerikanske virksomheder, spørgsmålet var, om man “nogensinde har oplevet det”. Alt efter funktion lå værdien vidt forskelligt: 26 % af medarbejderne i marketingfunktioner, 6 % i juridiske funktioner. For enkeltmandsvirksomheder eller SMV'er i Østrig kender jeg intet tal.
Er AI Brain Fry det samme som burnout?
Nej. Forfatterne beskriver burnout som kronisk arbejdsstress med følelsesmæssig udmattelse, brain fry som akut overbelastning af opmærksomhed og arbejdshukommelse. I undersøgelsen hang mindre rutinearbejde takket være KI sammen med 15 % lavere burnout-værdier, værdierne for mental træthed var ikke lavere. Medierne skriver alligevel ofte om „KI-burnout“.
Hvor mange KI-værktøjer eller agenter på én gang er for mange?
Et fast tal har jeg ikke fundet i noget studie. I studiet steg den oplevede produktivitet tydeligt fra 1 til 2 værktøjer brugt samtidig, derefter svagere, og faldt en smule fra det fjerde. Det er uklart, hvad der præcis blev talt. Udvikleren Addy Osmani kobler antallet af agenter til sin kontrolkapacitet og nævner for de fleste et lavt ettal. Det er en erfaringsværdi.
Hvad hjælper mod AI brain fry?
For tilsynet med KI findes der ingen afprøvet foranstaltning. Fra andre områder er der tegn på, at samlede notifikationer 3 gange om dagen (Fitz et al. 2019, 237 personer), en konkret plan for det uafsluttede (Masicampo og Baumeister 2011) og korte pauser mod træthed (Albulescu et al. 2022) virker. Studiet selv nævner at give rutinearbejde fra sig og fastlægge grænser for tilsynet. Om det virker ved KI-tilsyn, er uvist.
Gør KI træt, eller aflaster den?
Begge dele forekommer i dataene. Højt frem for lavt tilsyn med KI hang sammen med 12 % mere mental træthed (relativ forskel ved selvrapportering). Mindre rutinearbejde hang sammen med 15 % lavere udbrændthedsværdier. I et feltstudie med 5.172 supportmedarbejdere løste disse med en KI-assistent i gennemsnit 15 % flere sager i timen (Brynjolfsson et al. 2025).
Ændringer i dette indlæg
- 10. november 2026Første version.
