AI-modeller bliver stadig bedre til at ræsonnere, men de gør det på en måde, der både er dyr og uigennemsigtig. Tre nye forskningsbidrag adresserer netop dette problem – og resultaterne kan få betydning for virksomheder, der overvejer at lægge komplekse beslutninger i hænderne på AI.

Det første bidrag, SELR (Self-Explainable Latent Reasoning), præsenterer en metode, hvor en AI-model trænes til at tænke i komprimerede repræsentationer – såkaldt latent reasoning – og samtidig selv kan forklare sine tanker i almindeligt sprog. Tidligere har man skullet vælge mellem effektivitet og forklarlighed: Enten er modellen en uigennemsigtig 'black box', eller også kræver den ekstra moduler til at forklare sig bagefter. SELR løser begge dele i én model og viser ifølge forskerne både højere token-effektivitet og nøjagtighed end eksisterende metoder, samtidig med at forklaringerne er en integreret del af ræsonnementet.

Det andet bidrag, Gambit – Thought-Level Beam Search, angriber et andet problem: at AI-modeller bruger enorme mængder regnekraft på at udforske mange forskellige tankesporskilder parallelt, hvilket er både langsomt og hukommelsestungt. Gambit introducerer en algoritme, der løbende sorterer de lovende tankesporskilder fra og fokuserer regnekraften på de mest lovende. Resultaterne viser op til 6,7 procentpoint højere nøjagtighed på HMMT-24 og 3,3 procentpoint på AIME-25 sammenlignet med andre metoder, samtidig med at token-forbruget reduceres med op til 68,5 procent.

Det tredje bidrag, CaRL (Capability-aligned Reinforcement Learning), tager fat i et problem, mange virksomheder kender: at AI-modeller genererer plausible, men forkerte svar på opgaver, de reelt ikke kan løse. CaRL træner modellen til at erkende sine egne grænser og afstå fra at svare, når den ikke kan – i stedet for at producere vildledende ræsonnementer. Forskerne viser, at metoden markant reducerer 'futile reasoning' (nyttesløs tankevirksomhed) uden at gå på kompromis med ydeevnen på opgaver, modellen faktisk kan løse.

For beslutningstagere er fællesnævneren klar: AI-modeller bliver ikke kun hurtigere og billigere at drive, men også mere pålidelige og lettere at forklare. Det er afgørende for virksomheder, der skal kunne stole på AI's beslutninger – og som måske skal kunne redegøre for dem over for kunder, myndigheder eller ledelser. Ineffektivitet og manglende gennemsigtighed er blandt de største barrierer for bred erhvervsadoption, og disse metoder adresserer begge dele direkte.