- Begrepp: HBR-studien av forskare vid konsultfirman BCG (5 mars 2026) kallar mental trötthet av överdriven användning eller övervakning av AI-verktyg ”AI Brain Fry”. Någon medicinsk diagnos är det inte.
- Utbredning: 14 % av AI-användarna i amerikanska storföretag har upplevt det någon gång (1 488 svarande, självrapportering). Det är inte 14 % av alla anställda, och frågan gällde ”någonsin upplevt”.
- Procentvärden: Värdena för tillsyn, trötthet, beslutströtthet, fel och utbrändhet är relativa skillnader i skalvärden, inte andelar av personer. Exempel: Den som övervakar mycket AI anger i genomsnitt 14 % mer mental ansträngning.
- Kontextbyten: Att byten kostar är belagt i laboratorium (Monsell 2003, Rubinstein et al. 2001). I studien är kopplingen till frågorna om uppgiftsbyten mindre tydlig än kopplingen till informationsöverbelastning.
- Motsidan: Mindre rutinarbete genom AI hängde samman med 15 % lägre utbrändhetsvärden. En fältstudie fann i genomsnitt 15 % fler lösta ärenden per timme (Brynjolfsson et al. 2025).
- Arbetstakt: start, fokus, skörd, läs notiser först under skörden och kör bara så många körningar som du hinner granska. För enskilda byggstenar finns indikationer från andra områden (Fitz 2019 om samlade notiser, Masicampo och Baumeister 2011), för tillsyn av AI är ingen av dem prövad.
Vissa dagar kör jag 5 till 6 AI-körningar samtidigt. Att starta dem tar minuter. Sedan kommer resultaten en efter en, och vart och ett vill granskas, rättas eller godkännas. Jag hoppar mellan texter, efterforskningar och utkast. Om det redan är AI Brain Fry kan jag inte säga, för någon diagnos finns inte för det.
Den som använder AI-agenter eller inför AI i företaget kör så småningom flera körningar samtidigt och stöter på samma fråga: Hur många kan jag fortfarande granska på ett vettigt sätt? Det här inlägget skiljer ut vad studien om AI Brain Fry visar, redogör för forskningen om kontextbyten, visar motargumenten och beskriver min arbetstakt.
AI Brain Fry: definition och avgränsning mot utbrändhet
Begreppet ”AI Brain Fry” införs av Bedard, Kropp, Hsu, Karaman, Hawes och Rosen Kellerman i HBR-artikeln ”When Using AI Leads to ‘Brain Fry’” den 5 mars 2026. Alla arbetar vid konsultfirman BCG, 2 av dem doktorerar dessutom vid University of California, Riverside. Deras definition, fritt översatt: mental trötthet av överdriven användning eller övervakning av AI-verktyg utöver den egna kognitiva kapaciteten. På tyska har inget ord etablerat sig. Medier skriver om ”AI-utmattning”, ”AI-utbrändhet” eller ”AI Fatigue”, en facktidskrift rubricerar ”Frittiertes Hirn”.
AI Brain Fry ska inte likställas med utbrändhet. Utbrändhet beskriver författarna som kronisk arbetsstress med känslomässig utmattning. Brain Fry är enligt deras tolkning en akut överbelastning av uppmärksamhet, arbetsminne och styrning av det egna tänkandet. Någon medicinsk diagnos är det inte.
En anmärkning om ursprunget: BCG säljer själva rådgivning om AI-införande. Artikeln rekommenderar att lägga 70 % av ansträngningen i AI-projekt på människor och processer. Det gör inte siffrorna fel, men visar ett egenintresse i ämnet.
Studiens siffror och hur du läser dem
Tillfrågade var 1 488 heltidsanställda i stora amerikanska företag, vid ett enda tillfälle och genom självrapportering. Något frågeformulär eller någon working paper med metoden har jag inte hittat. Viktigt för varje siffra är vad den egentligen mäter:
| Studiens påstående | Så läser du siffran |
|---|---|
| 14 % av AI-användarna svarade ja på att de någon gång upplevt Brain Fry | Andel personer, men bara bland AI-användare i amerikanska storföretag, och frågan löd ”någonsin upplevt”. Fel vore: ”Var sjunde lider av det.” |
| Hög i stället för låg tillsyn över AI: 14 % mer mental ansträngning, 12 % mer mental trötthet, 19 % mer informationsöverbelastning | Relativa skillnader i skalvärden ur självrapportering mellan 2 grupper, inte andelar av personer. |
| Med Brain Fry: 33 % mer beslutströtthet, 11 % fler små och 39 % fler stora fel | Även det är skalvärden från självskattning, inte räknade fel. ”Brain Fry ger 39 % fler allvarliga fel” vore fel. |
| Uppsägningsavsikt: 25 % utan, 34 % med Brain Fry | Andelar av personer i jämförelse. Den relativa siffra som HBR anger kan jag inte räkna fram ur de redovisade värdena, därför står den inte här. |
| Per funktion: 26 % av de anställda i marknadsföringsfunktioner, 6 % i juridiska funktioner uppgav att de upplevt Brain Fry | Funktioner hos stora amerikanska företag, inga branscher. |
| Samtidigt använda AI-verktyg: Den upplevda produktiviteten ökar tydligt från 1 till 2, därefter svagare, och sjunker lätt från det fjärde | Det som mäts är upplevd produktivitet. Om verktyg eller agenter räknades är oklart. Någon gräns för agenter följer inte av det. |
För vardagen är 2 fynd viktigare än varje procentsiffra. Det första: Med belastning och mental trötthet hängde framför allt den löpande tillsynen över AI:ns resultat samman, dessutom en arbetsmängd som ökat genom AI. Tillsynen står i studiens centrum. Det andra gäller kontextbyten: Fritextsvaren nämner informationsöverbelastning och uppgiftsbyten som viktiga faktorer. Det statistiska sambandet med frågorna om uppgiftsbyten är dock mindre entydigt än det med informationsöverbelastning. Som ”huvudorsak” duger kontextbyten inte i den här studien.
Ännu en reservation: Författarna skriver att AI-användning ”may be causing” utmattningen och att tillsynen ”predicted” den. Det är försiktiga ord av goda skäl. I ett tvärsnitt är även motsatt riktning tänkbar: Den som redan är överbelastad upplever kanske tillsynen som mer betungande.
Kontextbyten och tillsyn: varför de kostar så mycket uppmärksamhet
Att uppgiftsbyten kostar tid och precision har psykologin forskat om i decennier, dock inte på arbete med AI. Uppgifterna kommer från studiernas sammanfattningar, för Mark från uppsatserna.
- Bytiskostnader: Efter ett uppgiftsbyte svarar människor i labbet långsammare och oftast med fler fel. Förberedelse sänker kostnaderna men tar inte bort dem (Monsell 2003, översiktsarbete om enkla uppgifter). De ökar med regelkomplexiteten, minskar med signaler och är högre vid obekanta uppgifter (Rubinstein, Meyer, Evans 2001).
- Uppmärksamhetsrester: Uppmärksamheten släpper dåligt från ogjorda uppgifter, och prestationen på nästa uppgift försämras. Fackordet för det är ”Attention Residue” (Leroy 2009, 2 experiment).
- Avbrott: Hos 24 anställda på ett företag (observerade 3,5 dagar vardera, studietid 13 månader) avbröts 57 % av arbetsenheterna. Till det avbrutna arbetet återvände de samma dag i genomsnitt efter 25 min 26 s. Spridningen är enorm (standardavvikelse 54 min 48 s), och 77 % återupptogs över huvud taget samma dag (Mark, Gonzalez, Harris 2005). I labbet arbetade avbrutna personer snabbare, men med mer stress och ansträngning (Mark, Gudith, Klocke 2008, 48 deltagare, till största delen studenter).
- Tillsyn över automatisering: Den som övervakar ett automatiserat system kontrollerar mindre vid flerfaldig belastning (complacency) och följer förslag för snabbt, även som expert (automation bias). Träning förhindrar inte det (Parasuraman och Manzey 2010, översiktsarbete).
Min tolkning: Den som kör 5 körningar växlar mellan 5 uppgifter och granskar samtidigt hela tiden andras resultat. Båda sakerna tillsammans stämmer med det studien och den här forskningen beskriver. Bevisat är det inte för arbetet med AI. Laboratorie- och kontorsstudierna är från tiden före AI-agenter, och avbrottsstudierna har små urval.
Motsidan: att lämna ifrån sig rutin avlastar
Samma studie har ett andra budskap som lätt försvinner vid sidan av belastningssiffrorna. Anställda som fick mindre rutinarbete genom AI uppgav 15 % lägre utbrändhetsvärden. Värdena för mental trötthet var inte lägre. Det är återigen ett samband från självrapportering, men det talar mot att se AI-användning generellt som en belastning. Med mindre trötthet hängde dessutom ihop att ledningen besvarade frågor om AI (15 % mindre) och att anställda fick intrycket att deras företag värderar work-life balance (28 % mindre).
En fältstudie ger indikationer i samma riktning. Brynjolfsson, Li och Raymond analyserade i ”Generative AI at Work” (publicerad 2025) data från 5 172 supportmedarbetare, hos vilka en AI-assistent infördes stegvis 2020 och 2021. I genomsnitt löste de 15 % fler ärenden per timme. Mindre erfarna och mindre kvalificerade tjänade mer på det, hos de mest erfarna var tempovinsterna och kvalitetsförlusterna små. Medarbetarnas välbefinnande mättes inte direkt, och support med en assistent från 2020 är något annat än att leda flera agenter.
Belastning och avlastning står sida vid sida i data. Min tolkning: Det beror på hur mycket tillsyn som ryms inom den egna kapaciteten. Mindre AI följer inte av det.
Arbetstakt: start, fokus, skörd
Härifrån beskriver jag mitt sätt att arbeta. Det är erfarenheten från en enskild soloföretagare och ingen beprövad metod. Där det finns belägg från andra områden för en byggsten står det intill. Om de här byggstenarna fungerar lika bra vid tillsyn av AI är oklart.
Grundidén: Jag begränsar mina kontaktpunkter med AI:n och låter körningarnas varaktighet vara öppen. De får ta lång tid, så länge jag bara tittar in vid fasta tider. Därav 3 block:
| Block | Vad som händer | Varaktighet |
|---|---|---|
| Start | Skicka iväg alla uppdrag efter varandra, vart och ett med ett tydligt resultat | 15 till 30 min |
| Fokus | En egen uppgift som bara jag kan lösa. Inga resultat att läsa, inga körningar att titta på | 90 till 120 min |
| Skörd | Granska resultaten, godkänn, starta korrigeringar som nya uppdrag (det är samtidigt nästa start) | 30 till 45 min |
Start: likartade uppdrag som en sats
Vid starten räknas det rena uppdraget. Likartade uppgifter skickar jag iväg som en omgång, 5 till 6 parallellt. Det som inte passar i omgången väntar till nästa start. Förberedelse och signaler minskar kostnaden för växling (Rubinstein, Monsell). Därför lönar det sig att i uppdraget skriva en mening om hur du känner igen det färdiga resultatet och vad du ska göra med det. Det är en överföring från laboratoriet.
Fokus: läs meddelanden först under skörden
Under fokusblocket läser jag inga resultat och tittar inte på några körningar. Meddelanden får komma in, men de läses först under skörden. Det är mindre än att samla dem: De kommer fortfarande in ett i taget, jag låter dem bara ligga.
För att samla finns ett fältexperiment på smartphone. Fitz och kollegor (2019) lät 237 personer få aviseringar som tidigare, samlade 3 gånger per dag eller inte alls. Den samlade gruppen rapporterade mer uppmärksamhet, bättre humör och mindre stress. Gruppen helt utan aviseringar hade knappt några fördelar, men mer oro och mer rädsla för att missa något. Att samla var alltså bättre än att stänga av. Den som vill stödja fokusblocket på det sättet låter meddelanden levereras samlade. Om det räcker att bara låta dem ligga visar studien inte. Inställningarna för iPhone och Pixel finns i inlägget om ständig tillgänglighet.
Skörd: granska, godkänna, notera byten
Under skörden granskar jag resultaten i tur och ordning, godkänner och skickar iväg korrigeringar som nya uppdrag. Samtidigt börjar nästa start. Den som byter mellan 2 resultat eller tillbaka till sin egen uppgift kan i 1 mening notera var och hur hen fortsätter. Masicampo och Baumeister visade 2011 i laboratorieexperiment att en konkret plan för när och hur ett mål ska genomföras tar bort störningen från ett ogjort mål. Om det gäller för liggande AI-resultat har jag inte hittat någon studie.
Efter skörden och den nya starten, innan nästa fokusblock börjar, hjälper en riktig paus. En metaanalys (22 urval, 2 335 personer) fann att mikropauser höjer vitaliteten och sänker tröttheten, båda i liten omfattning (Albulescu et al. 2022). För prestationen vid krävande arbete är effekten inte säkerställd, rekommendationen bygger på välbefinnandet.
Så många körningar som du kan granska
Flaskhalsen är granskningen, inte starten. En dag är full när skörden inte längre ryms inom arbetstiden. Det stämmer med erfarenhetsrapporter. Addy Osmani kopplar antalet agenter till sin granskningstakt och skriver att det för de flesta är ett lågt ensiffrigt tal (The Orchestration Tax, 2026). Simon Willison kan enligt egen utsago bara koncentrera sig på att granska och godkänna en större ändring åt gången (2025).
HBR-studiens tröskel vid 3 verktyg duger inte som mått för körningar, eftersom det förblir oklart vad som räknades. Som test räcker en enkel regel: Starta bara så många körningar som du hinner granska noggrant i nästa skördeblock. Titta efter en vecka på hur många resultat som blivit liggande.
Studieunderlagets gränser
Brain Fry-studien bygger på självrapportering och ett tvärsnitt, den kommer från USA och från storföretag och har publicerats i en managementtidskrift utan granskning. Brain Fry-frågan är ett enskilt ja/nej-item med ”någonsin”, inget prövat frågeformulär. De 33 % mer beslutströtthet är ett skalvärde. Mekanismen bakom (ego depletion) gick inte att visa på ett hållbart sätt i 2 stora replikationsstudier (Hagger et al. 2016, Vohs et al. 2021).
För motmedlen ser det tunnare ut. Fitz, Masicampo och Albulescu undersökte smartphones, laboratorieuppgifter och pauser, inte tillsyn över AI. Om ensamföretagare med flera agenter har jag inte hittat någon studie. Min egen upplevelse är en enskild datapunkt. Den som kör liknande flöden kan testa takten som hypotes och mäta den mot sin egen skörd.
Hur jag styr AI-körningar i vardagen och vad som går fel visar jag i nyhetsbrevet AI Sync, som kommer ut varje söndag.
Allt på den här sidan går att genomföra utan mig. Nya verktyg och ändringar lägger jag in här, och varje söndag kommer ett tips om dem i nyhetsbrevet.
Till AI SyncJag sätter upp AI-flöden med dig som levererar sina resultat samlat vid fasta tider för godkännande, och bestämmer tillsammans med dig vem som granskar vad. På plats från Eisenstadt till Mattersburg och Wiener Neustadt, online i hela den tyskspråkiga regionen.
Läs merVanliga frågor
Vad är AI Brain Fry?
AI Brain Fry är ett begrepp från en HBR-studie av forskare vid konsultfirman BCG (5 mars 2026). Det avser mental trötthet av att använda eller övervaka AI-verktyg utöver den egna kapaciteten. Begreppet är ingen medicinsk diagnos. Studien bygger på självrapporter från 1 488 anställda vid stora amerikanska företag.
Hur vanligt är AI Brain Fry?
I studien svarade 14 % av AI-användarna ja på frågan om de någon gång upplevt det. Det gäller AI-användare i stora amerikanska företag, frågan gällde ”någonsin upplevt”. Beroende på funktion låg värdet vitt skilt: 26 % av de anställda i marknadsföringsfunktioner, 6 % i juridiska funktioner. För ensamföretagare eller småföretag i Österrike känner jag inte till någon siffra.
Är AI Brain Fry samma sak som utbrändhet?
Nej. Författarna beskriver utbrändhet som kronisk arbetsstress med känslomässig utmattning, Brain Fry som akut överbelastning av uppmärksamhet och arbetsminne. I studien hängde mindre rutinarbete tack vare AI ihop med 15 % lägre utbrändhetsvärden, värdena för mental trötthet var inte lägre. Medier skriver ändå ofta om ”AI-utbrändhet”.
Hur många AI-verktyg eller agenter samtidigt är för många?
Något fast tal har jag inte hittat i någon studie. I studien ökade den upplevda produktiviteten tydligt från 1 till 2 samtidigt använda verktyg, därefter svagare, och sjönk lätt från det fjärde. Det är oklart vad som exakt räknades. Utvecklaren Addy Osmani kopplar antalet agenter till sin granskningskapacitet och anger för de flesta ett lågt ensiffrigt tal. Det är ett erfarenhetsvärde.
Vad hjälper mot AI Brain Fry?
För tillsynen över AI finns ingen beprövad åtgärd. Från andra områden finns indikationer för samlade aviseringar, 3 gånger om dagen (Fitz et al. 2019, 237 personer), en konkret plan för det som är ogjort (Masicampo och Baumeister 2011) och korta pauser mot trötthet (Albulescu et al. 2022). Studien själv nämner att lämna ifrån sig rutinarbete och att sätta gränser för tillsynen. Om det fungerar vid AI-tillsyn är oklart.
Gör AI trött eller avlastar den?
Båda förekommer i data. Hög i stället för låg tillsyn av AI hängde ihop med 12 % mer mental trötthet (relativ skillnad vid självrapportering). Mindre rutinarbete hängde ihop med 15 % lägre utbrändhetsvärden. I en fältstudie med 5 172 supportmedarbetare löste dessa med AI-assistent i genomsnitt 15 % fler ärenden per timme (Brynjolfsson et al. 2025).
Ändringar i det här inlägget
- 10 november 2026Första version.
