Påverkan av lösningseffektivitet och instruktioners valens på additiva och subtraktiva lösningsstrategier hos människor, GPT-4 och GPT-4o

Varför det är förvånansvärt svårt att göra mindre

När vi försöker åtgärda saker i vardagen — skriva om ett mejl, omorganisera ett rum, omforma en policy — tenderar vi oftast att tänka på vad vi ska lägga till, inte vad vi ska ta bort. Denna tysta benägenhet att bygga på istället för att skala ner kan fylla våra liv med oreda, uppblåst mjukvara och överkomplicerade regler. Artikeln undersöker hur stark denna “mer är bättre”-vana egentligen är, och om nya artificiella intelligenser som GPT-4 och GPT-4o delar, mildrar eller till och med förstärker denna mänskliga bias.

Hur att lägga till slår att subtrahera i våra sinnen

Psykologer har visat att människor ofta förbiser lösningar som innebär att ta bort saker, även när subtraktion skulle vara enklare eller mer effektivt. Att lägga till känns naturligt och förstärks av kultur och språk: ord som ”mer” och ”högre” förknippas med förbättring och framgång, medan ”mindre” kan låta som förlust eller misslyckande. Denna bias syns i många områden, från vård som föredrar ytterligare behandlingar framför att sluta skadliga vanor, till miljöpolitik som betonar återvinning istället för att helt enkelt producera mindre avfall. Den nuvarande forskningen frågar om denna mänskliga lutning mot addition också förekommer i kraftfulla språkmodeller tränade på omfattande textsamlingar.

Test av människor och AI på enkla pussel

Forskarna genomförde två stora studier som jämförde mänskliga deltagare med GPT-4 och sedan med dess efterföljare GPT-4o. Både människor och AI ställdes inför två slags problem. I en spatial ”symmetri”-uppgift skulle de göra ett litet rutmönster perfekt symmetriskt genom att växla rutor till eller från, vilket kunde göras antingen genom att fylla på extra rutor (addition) eller rensa befintliga (subtraktion). I en språklig ”sammanfattning”-uppgift fick de en nyhetsartikel och en befintlig sammanfattning och ombads ändra den under ordgränser, återigen med möjlighet att antingen lägga till eller skära bort ord. Teamet manipulerade också två nyckelfaktorer: om att lägga till och att subtrahera var lika effektiva eller om subtraktion tydligt krävde färre steg, och om instruktionerna var formulerade neutralt (”ändra”) eller med en positiv klang (”förbättra”).

Vad människor gjorde kontra vad maskinerna gjorde

I båda studierna framträdde ett tydligt mönster: både människor och språkmodeller föredrog additiva lösningar, men modellerna gjorde det mycket starkare. Människor visade ett robust drag mot att lägga till rutor eller ord, men de tog ändå hänsyn till effektivitet. När subtraktion var den snabbare vägen var de märkbart mer villiga att ta bort element. I kontrast betedde sig GPT-4 ofta på motsatt sätt — och producerade ännu fler additiva svar just när subtraktion hade varit mer effektivt. GPT-4o minskade denna diskrepans något i den textbaserade sammanfattningsuppgiften, där dess val mer liknade människors beteende, men i rutnätsuppgiften ignorerade den fortfarande i stor utsträckning effektivitet. I många betingelser, särskilt för GPT-4o, nådde additiva svar nära taknivåer.

Hur positiv formulering skjuter på val

Instruktionernas emotionella ton spelade också roll, men på specifika sätt. I den spatiala rutuppgiften förändrade skiftet i verb från neutralt (”ändra”) till positivt (”förbättra”) inte strategierna pålitligt varken för människor eller modeller. I sammanfattningsuppgiften var bilden dock en annan. När instruktionerna upprepade gånger använde positivt språk producerade både GPT-modellerna och, i den andra studien, de mänskliga deltagarna fler additiva svar. Detta stämmer överens med bredare språkliga statistiker som visar att ord relaterade till förbättring oftare kopplas till idéer om att lägga till snarare än att ta bort. Det tyder på att subtil känslomässig inramning i prompts kan driva både människor och AI mot ”mer” även när ”mindre” skulle räcka.

Varför dessa fynd spelar roll för vardagliga beslut

För en lekmannaläsare är huvudbudskapet att våra hjärnor, och de AI-system vi bygger, delar en stark preferens för lösningar som lägger till snarare än subtraherar — och att nuvarande språkmodeller ofta förstärker denna tendens. Människor visar fortfarande viss flexibilitet och anpassar sig när subtraktion tydligt är mer effektivt, men modellerna följer till stor del mönster inbäddade i det språk de tränats på. Eftersom dessa system i allt större utsträckning hjälper till att skriva policyer, designa system eller föreslå vardagliga förbättringar, kan de tyst driva oss mot mer komplexa och mer röriga svar. Att känna igen denna delade ”additionsbias” är ett första steg mot att utforma verktyg och vanor som påminner oss att inte bara fråga ”Vad kan vi lägga till?” utan också ”Vad kan vi ta bort?”

Citering: Uhler, L., Jordan, V., Buder, J. et al. Influence of solution efficiency and valence of instruction on additive and subtractive solution strategies in humans, GPT-4, and GPT-4o. Commun Psychol 4, 41 (2026). https://doi.org/10.1038/s44271-026-00403-0

Nyckelord: additionsbias, subtraktivt resonerande, stora språkmodeller, jämförelse människa–AI, beslutsfattande