Skriftlige opgaver beviser ikke længere noget som helst

25. februar 2026 af Maja Horst og Niels Lehmann

Følgende tekst er en kronik bragt i Politiken den 25. februar 2026

For bare to år siden var det svært at producere en god tekst. Det krævede tid, erfaring og faglig indsigt. I dag kan enhver med adgang til ChatGPT eller lignende værktøjer generere velformulerede rapporter, analyser og argumenter på få minutter. Mennesker er stadig bedst til at vurdere kvaliteten af tekst - til at skelne mellem en overbevisende og en svag argumentation, til at spotte faktuelle fejl og logiske brister. Men selve tekstproduktionen er ikke længere en vanskelig udfordring.

Denne forandring rammer meget mere end universiteterne. Konsulentfirmaer kan ikke længere være sikre på, at en velskrevet rapport er produceret af en erfaren og fagligt dygtig konsulent. HR-afdelinger ved ikke, om ansøgninger er autentiske. Offentlige sagsbehandlere kan ikke vide, om borgernes henvendelser er skrevet af dem selv eller af en chatbot.

Men det er på uddannelsesinstitutionerne, at problemet melder sig først og mest presserende. Der er brug for at tænke nyt, at eksperimentere og at finde løsninger - ikke bare for vores egen skyld, men for hele samfundets. Vi vil på universiteterne gerne byde os til som laboratorier for, hvad vi gør, når skriftlige opgaver ikke længere beviser noget som helst.

Tre udfordringer på én gang

Generativ AI skaber tre samtidige udfordringer for uddannelsessystemet. Den første er den, vi startede ved: Vi kan ikke længere bruge skriftlige opgaver som pålidelig måling af den enkelte studerendes faglige niveau. Med de værktøjer, der er tilgængelige i dag, kan selv en relativt svag studerende producere et imponerende speciale på under en uge - hvis vedkommende kan formulere de rigtige spørgsmål til AI'en.

Den anden udfordring melder sig som et krav om, at vi skal forberede studerende til det arbejdsmarked, de skal ud på. Og arbejdsmarkedet er gennemsyret af AI-værktøjer. Stort set alle akademiske job i dag involverer anvendelse af generativ AI. Vi kan ikke lade, som om det ikke eksisterer. Vi skal undervise i det.

Den tredje udfordring repræsenterer også en mulighed - nemlig at fagene selv må transformeres. Tag arkæologi som eksempel. For 20 år siden var det et håndværk baseret på udgravninger og arkivstudier. I dag arbejder arkæologer med simuleringer af folkevandringer, med geografisk scanning og med datamodeller, der kan vise, hvor historiske bygrænser har gået. Selv de mest traditionelle humanistiske fag må omfavne de digitale værktøjer.

På Arts-fakultetet på Aarhus Universitet begyndte vi for mange år siden at tænke digitalisering ind i uddannelserne under overskriften 'Digital Literacy', og alle landets universiteter har haft lignende projekter. Men fremvæksten af generativ AI har sat turbo på. Det har også gjort det klart, at digital transformation ikke er noget, man gør én gang for alle. Det er en konstant forandringsproces. Og den kræver mere end gode intentioner.

Fundamentet er der allerede

Heldigvis står vi ikke tomhændede. På de humanistiske uddannelser har vi i årtier undervist studerende i præcis den kompetence, der nu bliver afgørende: evnen til kritisk at vurdere og evaluere indhold.

I kunsthistorie lærer man bl.a. at analysere værker i lyset af kulturhistoriske rødder og bliver derfor i stand til at vurdere betydningen af visuel kommunikation. I filosofi trænes man i at dissekere argumenter, identificere logiske fejl, skelne mellem stærke og svage ræsonnementer. I litteraturvidenskab bliver man skarp til at vurdere kvaliteten af litterære fortolkninger.

Denne tradition for kritisk evaluering er ikke ny. Men den bliver nu central på tværs af alle fag og alle sektorer. Når produktionen af tekst bliver let, flytter værdien sig til vurderingen. Udfordringen er at omsætte denne gamle tradition til en ny kontekst, hvor det skriftlige produkt ikke er det bærende.

AI som redskab i en eksplosion af viden

Men før vi kaster os over de konkrete løsninger, er det værd at stoppe op ved en vigtig pointe: Selvom generativ AI stiller enorme krav om omstilling er den også et redskab, der kommer til at hjælpe os.

Samfundets samlede viden udvikles med enorm hast. Vi ved mere og mere, og det bliver sværere og sværere at holde overblik over alt det relevante. Den forskningsbaserede viden vokser hele tiden - og det gør organisationers viden også. Samtidig bliver verden mere og mere kompleks. Og kompleksitet både øger behovet for overblik og mindsker muligheden for at opnå det.

I den situation er det kærkomment, at generativ AI kan hjælpe os med at skaffe overblik, sortere og sammenfatte store vidensmængder. Selvom mennesker hele tiden bliver mere veluddannede, er der grænser for, hvor meget vi kan få puttet ind i hovedet.

Frem for at fokusere på, om maskiner kan blive ligesom mennesker, bør vi hellere fokusere på, hvordan vi bruger maskinerne, så de hjælper os med det, der er svært. Generativ AI kommer til at transformere alle universitetets fag, og vi er nødt til at undersøge grundlæggende, hvordan vores fag, discipliner og uddannelser skal se ud i fremtiden.

Så det handler ikke kun om den enkelte produktion af tekst. Det handler helt generelt om, hvad vi tror, fremtidens studerende har brug for at lære for at kunne få gode liv og arbejdsliv i et digitalt transformeret samfund.

Men vi kan ikke ændre alt på én gang. Vi er nødt til at dele elefanten op i bidder og derfor må vi starte med de opgaver, der ligger lige for. Det er eksamensformerne vi står med her og nu. Selvom den digitale transformation er omvæltende og har enorme konsekvenser i det lange perspektiv, må vi begynde med det konkrete og håndgribelige.

Fire konkrete skridt fremad

Hvad skal vi så gøre? Her er fire konkrete forslag til, hvordan universiteterne kan tackle udfordringen - og samtidig hjælpe resten af samfundet med at finde nye måder at vurdere kompetencer på.

1. Redesign eksamensformer til at teste vurderingsevne

I stedet for at bede journaliststuderende skrive en feature-artikel kan man sætte dem til at evaluere fem AI-genererede versioner af samme artikel og argumentere for, hvilken der er bedst - og hvorfor. I stedet for at lade historikere skrive en kildeanalyse fra bunden, kan man sætte dem til at vurdere og forbedre en AI-genereret analyse, identificere faktuelle fejl, manglende nuancer og metodiske svagheder.

Procesbaserede eksamener kan synliggøre den kritiske tænkning: Man kan forlange, at studerende afleverer både deres slutprodukt og deres prompt-historik med refleksioner over, hvad de accepterede og forkastede fra AI'en. Portfolio-eksamener over et semester kan vise udviklingen i evnen til at arbejde produktivt sammen med AI-værktøjer.

Mundtlige eksamener får fornyet relevans. Her kan studerende forklare deres valg, forsvare, hvorfor de forkastede bestemte AI-forslag, demonstrere deres forståelse af stoffet på måder, som en chatbot ikke kan kopiere.

Dette er ikke et tilbagefald til gamle eksamensformer. Det er en nytænkning, der anerkender, at kompetencebehovet har ændret sig.

2. Brug erhvervskandidatprogrammer til overgangs-læring

Når nyansattes opgaver i stigende grad overtages af AI, forsvinder den traditionelle indgangsvinkel til arbejdsmarkedet. Den nyuddannede, der traditionelt skulle bruge de første seks eller flere måneder på at skrive simple nyhedsartikler eller lave grundlæggende analyser, står nu over for et problem: Disse opgaver udføres allerede af AI.

Hvis arbejdspladserne griber mulighederne, kan kandidatreformen blive et vigtigt redskab, for på de nye erhvervskandidatuddannelser arbejder studerende halvdelen af tiden i en virksomhed eller anden arbejdsplads. Det giver en unik mulighed for at designe de første år af et job sammen med arbejdsgiverne, så studerende lærer at evaluere AI-output på komplekse opgaver i stedet for selv at udføre de simple.

Dette kræver tæt dialog med arbejdspladserne om, hvilke AI-værktøjer der faktisk bruges - ikke bare ChatGPT, men de specialiserede værktøjer inden for jura, kommunikation, dataanalyse mv.. Og det kræver ærlighed om, hvor 'færdige' vi kan gøre kandidaterne, og hvad der skal læres i selve jobbet.

3. Skab plads til at eksperimentere

Vi er alle blevet taget på sengen af udviklingen. Ingen kunne vide, at fremskridtet ville gå så hurtigt, siden den sidste AI-vinter blev afløst af forår i slutningen af 2022. På universitetet har underviserne brug for konkrete værktøjer og understøttelse, men mest af alt har vi brug for at give plads til eksperimenter og afprøvning.

Det er svært at innovere eksamensformer, fordi de medfører både ønskede og uønskede forandringer. Og vi er nødt til at 'bygge skibet, mens vi sejler' - vi kan ikke vente på at have perfektioneret metoderne, før vi går i gang. Men vi skal give rum til at fejle og lære undervejs.

Vi skal også involvere vores studerende, for ofte har de allerede eksperimenteret sig frem til ny viden. Vi skal innovere sammen med de studerende, men som ledelse skal vi naturligvis også tage ansvaret for at sætte nogen rammer, så de studerende ikke føler sig på gyngende grund, når de går til eksamen. Men rammerne vil komme til at ændre sig løbende, efterhånden som vi lærer af vores eksperimenter.

4. Lær sammen med resten af samfundet

Vi kan imidlertid ikke finde på løsningerne alene bag universitetets mure. Eksperimenterne skal ske i tæt dialog med arbejdsmarkedets parter, med fagforeninger, med virksomheder og med andre uddannelsesinstitutioner. Det er i mødet mellem den akademiske tilgang og praktikernes erfaringer, at de brugbare innovationer opstår. Derfor skal vi inddrage eksterne parter fra starten - ikke bare som modtagere af vores løsninger, men som medskabere.

Vi skal lære af hinanden. Universiteterne kan bidrage med vores tradition for kritisk tænkning og systematisk evaluering. Men vi kan også lære fra virksomheder, der allerede har fundet måder at arbejde produktivt sammen med AI på. Fra organisationer, der har implementeret AI så det understøtter formål og udvikling.

Transformationen kræver åben vidensdeling i begge retninger. Vi forestiller os ikke at universiteterne udvikler løsninger og derefter overgiver dem til samfundet. Tværtimod ønsker vi at indgå i fælles læring, hvor vi alle bidrager med vores erfaringer og fejl, og hvor nye metoder udvikles i dialogen mellem sektorer.

Et valg mellem to veje

Vi står ved en skillevej. Den ene vej er at forsøge at skrue tiden tilbage: overvågede eksamener med pen og papir, forbud mod AI-værktøjer, fokus på udenadslære og eksamen uden hjælpemidler. Problemet med den vej er, at studerende altid vil koncentrere sig om at lære det, de skal til eksamen i. Hvis vi fokuserer på udenadslære, bliver det det, de træner - ikke de komplekse former for informationsbearbejdning, refleksion, analyse og syntese, som samfundet har brug for.

Den anden vej er at omfavne transformationen. At anerkende, at kompetencerne har ændret sig, og at vi skal uddanne til den verden, der kommer - ikke den, der var. Det betyder at sætte kritisk evaluering i centrum, at redesigne eksamener, at samarbejde tæt med arbejdsmarkedet, at give undervisere tid til at udvikle nye metoder.

Vi er helt bevidste om, at det haster med at ændre eksamensformerne, så vi ikke svigter de unge ved at gøre det for let at snyde. Men det er ikke muligt at forandre eksamensformer på en fornuftig måde uden at gennemtænke, hvordan vi kan inkorporere AI-kompetencer i læringen, og hvordan fagets substans skal tilpasses.

Vi må gøre det hele på én gang. Og vi må gøre det nu.

Den digitale transformation vi står overfor, er enorm i sin rækkevidde. Eksamensformerne er bare en forpost - et første skridt på en lang rejse. Men det er ikke desto mindre et væsentligt skridt, fordi det giver os erfaring og momentum til de næste faser. Når vi lærer at vurdere studerendes kompetencer på nye måder, lærer vi samtidig noget fundamentalt om forholdet mellem mennesker og maskiner, om hvad der gør menneskelig kunnen særlig, og om hvordan vi kan bruge teknologien til at forstærke - i stedet for at erstatte - menneskelig intelligens.

For de udfordringer, vi står overfor på universiteterne, er ikke unikke for os. De er symptomer på en fundamental ændring i, hvordan vi kan - og skal - vurdere menneskelig kunnen i en tid, hvor maskiner kan producere det meste af det, vi tidligere brugte som bevis for indsigt, kvalifikationer og kompetencer. Hvis vi finder løsninger, gavner det ikke bare vores studerende. Det gavner hele samfundet.