Forskare från Stockholms universitet och University of Hong Kong följde 26 811 kinesiska elever i årskurs 7–12 under 30 månader. Efter ungefär ett halvår med AI var läxresultaten 18 procent bättre. Tiden per läxa hade minskat från 64 till 45 minuter. På de månatliga proven utan hjälpmedel låg resultaten samtidigt 20 procent under utgångsnivån.

Tappet växte med tiden. Efter två år med AI låg resultaten på inträdesproven 24 procent lägre till gymnasiet och 18 procent lägre till universitetet.

En grupp tappade nästan ingenting: elever som använde AI men lade lika mycket egen tid på läxorna som innan. De hade samma verktyg som de andra men använde det på ett annat sätt.

Samma mönster i flera studier

• OECD Digital Education Outlook 2026 beskriver en studie i Turkiet med nära 1 000 gymnasieelever. Med en vanlig chattbot gick matteövningarna upp till 127 procent bättre. På provet efteråt, utan AI, fick de 17 procent sämre resultat än de som övat utan. En AI-handledare som var byggd för att inte ge färdiga svar minskade tappet.
• Anthropic lät 52 programmerare lära sig ett nytt kodbibliotek. De som hade AI-hjälp fick 17 procent sämre resultat på testet efteråt, ungefär två betygssteg. De blev inte heller märkbart snabbare. Störst var skillnaden i felsökning.
• Barcaui (2025) lät 120 studenter plugga med eller utan ChatGPT. På ett oanmält prov 45 dagar senare fick ChatGPT-gruppen 57,5 procent rätt och kontrollgruppen 68,5 procent.
• Akgun och Toker (2025) jämförde ChatGPT, Google och e-bok med 123 studenter. AI och sök gav bättre resultat direkt på enklare uppgifter, men vid ett senare test var fördelen borta.

Varför det blir så

Att kunna något betyder att du kan plocka fram det ur långtidsminnet utan hjälp. Det är ansträngningen när du tänker själv som bygger minnet. Forskningen kallar det önskvärda svårigheter.

När AI gör analysen får du resultatet utan att träna på att ta fram det. Texten ser bra ut och känns bekant, och det ger en känsla av att kunna som försvinner när AI inte finns där.

Begrepp från källorna:

• Kognitiv skuld: små genvägar som byggs på över tid och märks först när du ska klara dig själv.
• Never-skilling: förmågan byggs aldrig eftersom AI gjorde uppgiften första gången. Deskilling är när en förmåga du redan hade försvinner. Mis-skilling är när du lär dig AI:ns fel.
• Expertparadoxen (Erik Winerö, Göteborgs universitet): för att avgöra om AI:ns svar är bra behöver du redan kunskapen. Den som saknar den ser inte felen.

Winerö pekar också på att elever med god studievana redan använder AI för att testa sig själva, medan andra tar genvägar. Då riskerar skillnaderna mellan eleverna att växa.

Det som skilde dem som lärde sig

Anthropic-studien delade in AI-användarna i sex mönster utifrån skärminspelningar. Spridningen var stor.

Under 40 procent rätt:

• Lät AI skriva all kod.
• Började med några frågor och lämnade sedan över allt.
• Bad AI rätta fel gång på gång utan att försöka förstå varför.

65–86 procent rätt:

• Ställde bara frågor om begreppen och skrev koden själv.
• Bad om kod tillsammans med en förklaring.
• Lät AI skriva koden och ställde sedan följdfrågor tills de förstod den.

Det sista mönstret liknar att låta AI göra allt. Det som skilde var följdfrågorna.

Två detaljer till:

• Gruppen utan AI stötte på fler fel, i snitt 3 mot 1, och lärde sig mer av att lösa dem.
• Att skriva av AI:ns kod för hand gav inte bättre förståelse än att klistra in den. Det som gjorde skillnad var tankearbetet.

Så använder du AI för att lära dig mer

OECD kallar det långsam AI: AI som håller dig tänkande med frågor, försök och omtag. Konkret ser det ut så här.

1. Försök först. Skriv ditt eget svar, även om det bara är halvt. Be sedan AI granska det.

Här är mitt svar. Säg vad som saknas eller är fel, men skriv inte om det åt mig.

2. Be om förklaringen. Fråga varför, steg för steg.

Förklara steg för steg varför det blir så. Stanna efter varje steg och kolla att jag hänger med.

3. Be om sokratisk metod.

Ge mig inte svaret. Ställ en fråga i taget som leder mig dit. Ge en ledtråd om jag kör fast.

4. Ställ följdfrågor tills du kan förklara själv.

Vad händer om …? Hur hänger det här ihop med …? Vad brukar folk missförstå här?

5. Låt AI förhöra dig. Enligt Winerö är övningstester den metod som fungerat bäst för långtidsminnet i över hundra år av forskning. Upprepa förhöret efter några dagar.

Ge mig fem frågor på det här kapitlet. En i taget. Vänta med facit tills jag svarat.

6. Förklara tillbaka.

Här är min förklaring med egna ord. Var har jag luckor eller fel?

7. Var källkritisk. Språkmodeller räknar fram sannolika svar och kan ha fel med samma säkra ton som när de har rätt. Fråga dig om svaret är rimligt och kontrollera det mot en annan källa.

Vilka delar av ditt svar är du mest osäker på? Var kan jag kontrollera dem?

Två saker till:

• Försök lösa felen själv innan du frågar AI. Det var där gruppen utan AI lärde sig mest.
• Flera AI-tjänster har ett studieläge som bygger in det här, till exempel ChatGPT:s Study Mode och Claude Codes Learning-läge.

Alla uppgifter är inte lika

Lin och Al-Hada (2026) delar in uppgifter i tre nivåer:

• Ytnivå: söka, sammanfatta, formatera och rätta språk. Här sparar AI tid utan stor risk, så länge det du lämnar över inte är det du ska lära dig.
• Mellannivå: förstå, tillämpa och lösa standarduppgifter. AI fungerar som stöd om du själv måste förklara och motivera.
• Djup nivå: analysera, värdera och skapa. Här bör AI bara vara en samtalspartner som ställer frågor och kommer med motargument. Analysen gör du själv.

Författarna skiljer också på tillfällig och vanemässig avlastning. Att medvetet lämna över en enstaka uppgift är ofta okej. Problemen börjar när AI blir första reflexen.

Ett enkelt test

Stäng AI-fönstret och förklara det du just arbetat med, högt eller på papper. Om du inte kan det har du fått ett svar men inte lärt dig.

För lärare

• Mät kunskap utan hjälpmedel ibland: prov på papper, muntligt eller i en låst digital miljö.
• Följ processen och arbetsinsatsen. Läxresultatet ensamt säger lite.
• Lär ut strategierna ovan. Elever med studievana hittar dem själva, andra gör det sällan.
• Prata om AI före en examination. Enligt Winerö har det effekt när läraren visar att hen inte är naiv och eleverna själva får säga att de inte ska fuska.

Film om samma sak, 4 minuter: https://youtu.be/g7kKOsnfsrM

Källor

• Strömberg, Lei och Wu (2026), The Generative AI Learning Penalty, sammanfattad av Tankesmedjan Balans
• OECD Digital Education Outlook 2026
• Shen och Tamkin (2026), How AI Impacts Skill Formation
• Lin och Al-Hada (2026), The critical-thinking paradox in generative AI-integrated learning, Frontiers in Psychology
• Akgun och Toker (2025), Short-Term Gains, Long-Term Gaps, Stanford SCALE
• Erik Winerö i Pedagog Stockholm, ”AI leder till sämre resultat”
• AI in Education Beyond Learning Outcomes (arXiv 2026)
• Marc Diks, Never-skilling: the risk nobody measures