Den kendte matematiker Tim Gowers har analyseret, hvilke matematiske opgaver sprogmodeller (LLM'er) faktisk er gode til – og resultatet er overraskende: De klarer sig bedre på avancerede problemer end på simple, intuitive opgaver. Det har betydning for, hvordan virksomheder og organisationer bør bruge AI til problemløsning.
I et blogindlæg forklarer Gowers, at LLM'er ofte fejler på opgaver, der kræver sund fornuft eller basal matematisk intuition – men kan imponere på komplekse, formelle problemer. Det skyldes, at modellerne er trænet på enorme mængder tekst, hvor de har lært mønstre fra avancerede matematiske beviser, men ikke nødvendigvis forstår de underliggende principper.
For beslutningstagere er pointen klar: AI kan være et stærkt værktøj til at løse komplekse, veldefinerede problemer – fx i forskning, finans eller teknik – men man skal ikke forvente, at modellen kan håndtere simple, intuitive opgaver pålideligt. Det betyder, at man bør designe arbejdsgange, hvor AI bruges til det, den er god til, og mennesker til resten.
Gowers' analyse er et vigtigt bidrag til debatten om AI's begrænsninger – og en påmindelse om, at modeller ikke er universalløsninger. For dem, der skal investere i eller bygge på AI, er det afgørende at forstå, hvor modellerne fejler, så man ikke bygger systemer på et skrøbeligt fundament.
