AI på jobbet kan ge ”hjärntrötthet”, enligt forskare
Användningen av generativ AI i arbetslivet växer snabbt – från kundtjänst och marknadsföring till programmering och juridik. Samtidigt pekar ny forskning på en mindre uppmärksammad baksida: att arbetstagare kan uppleva en form av kognitiv överbelastning, ibland beskriven som ”brain fry” eller hjärntrötthet, när AI blir en integrerad del av arbetsflödena. Det handlar inte nödvändigtvis om att AI gör arbetet svårare i sig, utan om hur verktygen förändrar tempot, kraven på uppmärksamhet och behovet av att kontrollera och korrigera maskinens output.
För svenska företag som investerar i automatisering och AI-stöd blir frågan relevant även ur ett produktivitets- och arbetsmiljöperspektiv. På marknader där AI lyfts som en effektiviseringsmotor kan nya kostnader uppstå i form av mental belastning, fler avbrott och större krav på kontinuerlig kvalitetsgranskning.
Vad forskarna menar med ”brain fry”
Begreppet ”brain fry” används i forsknings- och debattsammanhang som en vardaglig beskrivning av mental utmattning kopplad till intensivt kognitivt arbete. I kontexten AI handlar det ofta om en kombination av:
- Högre arbetstakt och fler iterationer. När AI kan generera text, kod eller analyser på sekunder ökar förväntan att leverera snabbare, vilket kan minska tiden för reflektion.
- Kontinuerlig granskning. AI kan producera övertygande men felaktiga svar. Att hela tiden behöva verifiera, faktagranska och korrigera kan bli mentalt krävande.
- Splittrad uppmärksamhet. Arbete med AI innebär ofta en dialog: prompta, läsa, jämföra, justera och testa. Det skapar fler mikromoment av beslut och omställning.
- Ansvar utan full kontroll. Den anställde ansvarar för resultatet, men har inte full insyn i modellen eller dess felmönster. Det kan skapa osäkerhet och stress.
I flera studier om digital arbetsmiljö – även före generativ AI – har forskare pekat på att verktyg som ökar informationsflödet och antalet beslutspunkter kan driva kognitiv belastning. Det som sticker ut med generativ AI är att den kan göra processen snabbare och samtidigt mer svårbedömd: output ser ofta ”rätt” ut, även när den inte är det.
Från effektivisering till kontrollarbete
I praktiken beskriver många kunskapsarbetare att AI inte alltid ersätter arbetsmoment, utan omformar dem. Ett exempel är textproduktion: i stället för att skriva från grunden blir arbetsuppgiften att välja riktning, mata in instruktioner, bedöma kvalitet, kontrollera sakuppgifter och anpassa ton. För programmerare kan AI-kodassistenter spara tid på standardlösningar, men samtidigt skapa behov av mer testning och kodgranskning när förslagen inte passar systemets helhet.
Det finns en etablerad term för detta: ”automation bias”, tendensen att lita för mycket på automatiserade system. För att motverka den biasen krävs ofta mer aktiv granskning, vilket kan upplevas som mentalt dyrt – särskilt när AI-verktyget används hela dagen, i många små uppgifter.
Här uppstår en paradox: AI kan sänka tröskeln för att producera mycket, men höja kraven på att snabbt avgöra vad som är användbart och vad som är fel. Den som tidigare la energi på att skapa kan behöva lägga energi på att filtrera.
Nya kompetenskrav: promptning är inte hela bilden
Under 2023–2025 har ”prompt engineering” ofta presenterats som en ny nyckelkompetens. Forskarbilden som växer fram pekar dock mot att den verkliga flaskhalsen ofta är kognitivt beslutsarbete: att definiera problem, specificera mål, bedöma rimlighet, kontrollera källor och förstå risker.
Det skapar en arbetsmiljö där:
- juniora medarbetare kan producera mer, men riskerar att lära sig mindre om de inte förstår grunderna bakom AI:s förslag,
- seniora medarbetare kan få mer granskningsansvar, vilket flyttar deras tid från strategiskt arbete till kvalitetssäkring,
- organisationer kan få en större spridning i output-kvalitet beroende på hur bra individer är på att kontrollera och styra verktygen.
För företag innebär det att AI-utrullningar inte bara är en IT-fråga utan även en fråga om utbildning, arbetsprocesser och ansvarsfördelning. Om mental trötthet ökar kan det i sin tur påverka felrisker, personalomsättning och sjukfrånvaro.
Koppling till krypto: snabbare informationsflöden och högre felkostnad
I kryptosektorn blir temat extra tydligt. Marknaden präglas redan av hög informationshastighet, global handel dygnet runt och stor känslighet för rykten. AI används allt oftare för att:
- sammanfatta nyheter och on-chain-data,
- generera marknadskommentarer,
- stötta tradingstrategier och riskbedömning,
- automatisera kunddialoger på börser och wallet-leverantörer.
När AI blir en del av beslutsunderlaget kan konsekvenserna av fel bli dyra. Ett felaktigt nyhetssammandrag, en missuppfattad governance-omröstning eller en bristfällig riskmodell kan leda till felprioriteringar. Det ökar trycket på analytiker och handlare att snabbt verifiera och triangulera information – ett arbetssätt som i sig kan förstärka hjärntrötthet.
Samtidigt är just krypto ett område där AI ofta marknadsförs som ett sätt att hantera komplexitet. Det gör att spänningen mellan ”mer kapacitet” och ”mer kognitiv last” blir tydlig: AI kan ge fler signaler, men kräver också mer mänsklig bedömning för att undvika överförtroende.
Arbetsgivare och reglering: produktivitet kontra arbetsmiljö
Forskningsläget ger arbetsgivare en praktisk fråga: hur implementeras AI utan att skapa ett konstant läge av avbrott, kvalitetskontroll och osäkerhet? Här går det att dra paralleller till tidigare digitala skiften, som införandet av chattverktyg och ständig notifieringskultur. Skillnaden är att generativ AI ofta bjuder in till fler iterationer – ”bara en prompt till” – och att varje iteration kräver en ny bedömning.
I Europa kan även regelverk och arbetsrättsliga frågor påverka. AI-system i arbetslivet berör integritet, transparens och ansvar. För en anställd kan känslan av att övervakas eller bedömas via AI-drivna system addera stress. För företaget kan otydliga ansvarsgränser – vem bär risken när AI föreslår fel? – skapa intern friktion.
För börsnoterade bolag som bygger AI i kärnprocesser kan detta också bli en investerarfråga. Effektiviseringar är attraktiva i rapporter och presentationer, men om implementeringen leder till kvalitetsproblem eller personalrelaterade kostnader kan den finansiella effekten bli mer komplex än vad de initiala kalkylerna antyder.
Vad utvecklingen säger om kunskapsarbete
Att forskare nu kopplar AI-användning till hjärntrötthet pekar på en bredare förändring i kunskapsarbete: från att producera innehåll eller lösningar till att hantera ett flöde av förslag. I en sådan arbetsmiljö blir det centralt att designa processer där AI används mer selektivt, med tydliga kontrollpunkter och rimliga förväntningar på svarstid och volym.
För individer handlar det inte bara om att ”använda AI mer”, utan om att avgöra när AI faktiskt min
About the Author
