Verktyg baserade på stora språkmodeller som katalysatorer för kollektiv kognition i kollaborativ nyproduktutveckling: en kvasi-experimentell studie

Varför detta är viktigt för vardagligt teamarbete

Moderna team — från start-ups till studentgrupper — vänder sig alltmer till AI-chattbotar för att hjälpa dem att tänka, planera och skapa. Men vi vet förvånansvärt lite om hur dessa verktyg faktiskt förändrar sättet människor samarbetar på. Denna studie undersöker noggrant hur stora språkmodeller (LLM), såsom avancerade chattbotar, formar gruppers tänkande när team utformar nya produkter tillsammans, och var mänskligt omdöme fortfarande tydligt överträffar AI.

Hur team vanligtvis tänker tillsammans

När människor samarbetar kring en ny produkt gör de mer än att bara dela uppgifter; de bygger gradvis en gemensam förståelse för problemet och möjliga lösningar. Författarna kallar detta "kollektiv kognition" — sättet som individuella idéer och perspektiv smälter samman till en gemensam mental bild. Tidigare forskning visade att detta delade tänkande utvecklas genom cykler av informationsinsamling, diskussion, vägning av alternativ och beslut, men de cyklerna beskrevs ofta i stora drag. För att studera verkliga samtal i detalj förfinade forskarna en äldre modell till det de kallar 2I2A-ramverket, som delar upp samarbetet i fyra överlappande rum: identifiera information och ledtrådar, interagera för att organisera idéer, analysera alternativ och avvägningar, samt ackommodera — att omvandla insikter till fungerande lösningar.

Närmare om experimentet

Forskarna rekryterade 44 avancerade design- och ingenjörsstudenter och parade ihop dem till 22 tvåpersonersgrupper. Varje par hade 90 minuter på sig att skapa en innovativ produkt för barn medan de tänkte högt. Hälften av teamen fick fritt använda en LLM (ChatGPT-4 eller ett liknande system) på en bärbar dator; den andra hälften hade bara papper och penna. Allt talat samtal spelades in och kodades sedan noggrant rad för rad med hjälp av 2I2A-modellen. Varje mening eller utbyte markerades som tillhörande ett av de fyra rummen och en av åtta mer finfördelade kommunikativa typer, såsom att ta emot information, strukturera frågor, utvärdera idéer eller kombinera lösningar. Dessutom deltog de som använde LLM i semi-strukturerade intervjuer, vilka forskarna analyserade med grounded theory för att avslöja vanliga teman i hur människor upplevde att arbeta med AI.

Var AI hjälper mest

Data visar att LLM starkt förstärker de tidiga stadierna av gruppens tänkande. Jämfört med team som arbetade utan AI tillbringade LLM-assisterade grupper mer av sin samarbets tid i Identifierings- och Interaktionsrummen. De bad LLM om bakgrundsfakta, exempel och inspiration, och använde sedan dess svar som råmaterial för att rama in och omformulera designfrågor. Det gjorde att de uppfattade mer relevant information, valde och ackumulerade fler alternativ och mer aktivt omorganiserade idéer. Intervjuerna stöder detta: många deltagare sa att LLM snabbar upp deras research, föreslog riktningar de inte övervägt och fungerade som en snabb "konceptpartner" som hjälpte dem att bryta kreativa blockeringar. Kort sagt, AI utvidgade teamens kognitiva gränser och hjälpte dem att snabbare nå en gemensam utgångspunkt.

Var mänskligt omdöme fortfarande leder

I kontrast förändrade inte LLM hur ofta team ägnade sig åt djupare resonemang eller slutlig syntes i någon större utsträckning. I Analys- och Ackommodationsrummen — där människor utvärderar för- och nackdelar, förhandlar skillnader och väver ihop idéer till en enhetlig design — uppträdde LLM- och icke-LLM-grupper likartat i stort, och i vissa delområden var de mänskliga teamen mer aktiva. Utan AI tillbringade samarbetande par mer tid med att kritiskt bedöma alternativ och diskutera avvägningar. Intervjuade nämnde ofta att chattbotens förslag kunde vara ytligt, ibland felaktigt och för lättöverensstämmande, sällan backa upp som en kritisk teammedlem skulle göra. Vissa kände att AI ibland "ersatte" deras eget tänkande eller fick dem att följa dess idéer för nära, vilket kunde snäva in snarare än vidga lösningsutrymmet. Detta hjälper förklara varför slutresultatets kreativitet inte tydligt var högre med AI trots livligare idéarbete i ett tidigt skede.

Förskjutningar i teamdynamik och dolda risker

Genom att titta på hur team rörde sig mellan de fyra tänkerummen över tid fann forskarna att LLM-assisterade grupper visade mer flytande, fram-och-tillbaka-övergångar, särskilt mellan att identifiera information och att interagera för att strukturera den. AI uppmuntrade snabba cykler av att fråga, ta emot och omforma idéer, vilket gav samarbetet en mer agil känsla. Men denna flexibilitet kom med avvägningar. Några deltagare rapporterade att frekventa skiften, driven av enkla AI-svar, gjorde det svårare att sakta ner för djupare reflektion. Andra var oroade över växande beroende av verktyget, förlust av "naturlig" människa-till-människa-diskussion och behovet att dubbelkolla AI-innehåll för fel eller saknad kontext. Intervjuerna pekade också på bredare sociala effekter: AI kan automatisera rutinuppgifter och frigöra människor för mer kreativa uppgifter, men det kan också förändra maktdynamiken genom att ge vissa roller — som produktchefer som styr AI-användning — större inflytande inom team.

Vad detta betyder för att använda AI i verkliga team

För en icke-specialist är kärnbudskapet enkelt: LLM är mycket bra på att hjälpa team att komma igång och hålla sig mentalt flexibla, men de är inte en genväg till djup förståelse eller kloka beslut. Dessa verktyg fungerar som kraftfulla accelererare för att samla information, utforska idéer och bygga en initial gemensam bild. Däremot förlitar sig noggrann analys, svåra val och att blanda många perspektiv till en stabil, fungerande design fortfarande i hög grad på mänsklig expertis, kritiskt tänkande och förhandling. Författarna menar att organisationer bör se LLM som ett tidigt-stadium tänkarstöd inom en bredare 2I2A-syn på samarbete — inte som ersättningar för de mänskliga samtal och bedömningar som slutligen avgör om nya produkter lyckas.

Citering: Zhang, D., Luo, S., Liu, Y. et al. Large language model tools as catalysts for collective cognition in collaborative new-product development: a quasi-experimental study. Humanit Soc Sci Commun 13, 382 (2026). https://doi.org/10.1057/s41599-026-06738-7

Nyckelord: stora språkmodeller, kollaborativ design, kollektiv kognition, ny produktutveckling, människa–AI-samarbete