Få forskningsorganisationer arbejder inden for én disciplin. En enkelt virksomhed kan have én gruppe, der planlægger kørsler, en anden, der rangerer kandidater til test, en tredje, der gennemgår analyser, og en fjerde, der evaluerer designs, hver med sine egne værktøjer, instrumenter og sit eget ordforråd. Når hver gruppe sætter sin AI op på egen hånd, ender organisationen med flere separate opsætninger, og det, én gruppe lærer, bliver, hvor det blev lært, eller forsvinder, når sessionen slutter.
MS Duplex er designet til den organisation. Det er ét læringslag til alle de fagområder, et team arbejder i, koblet til den AI, hver gruppe allerede bruger. Dette indlæg forklarer, hvorfor det samme lag kan lære i alle fagområder, hvad der går videre fra én slags arbejde til en anden, og hvordan hvert teams erfaring forbliver dets egen.
Hvad forskning har til fælles på tværs af fagområder
Emnerne varierer fra gruppe til gruppe. Arbejdets form ændrer sig meget mindre. Et team beslutter, hvad det vil prøve, udfører det, kontrollerer, hvad der kom tilbage, og beslutter igen. Undervejs opbygger det fire slags viden, og alle fagområder har dem:
- Metoder: procedurer, der er bekræftet at virke, såsom en rækkefølge af trin, et valg af indstillinger eller et sæt kontroller.
- Betingelser: det område, et resultat blev bekræftet inden for, og uden for hvilket ingen bør stole på det.
- Resultater: hvad en test, en måling eller en ekspert bekræftede, eller rettede med en begrundelse.
- Beslutninger: hvad teamet valgte, og den evidens, valget byggede på.
Det er dem, MS Duplex lærer af. Et bekræftet resultat bliver til erfaring, bevaret med sin evidens og sine betingelser. En procedure, der virker, bliver til en metode, som dine agenter genbruger. En beslutning bevarer evidensen bag sig, så en anden forsker kan genopbygge den ud fra dokumentationen. Intet af dette afhænger af arbejdets emne. Det afhænger af, hvad dit team bekræfter.
Ekspertisen bliver, hvor den allerede hører hjemme: hos dine forskere og ingeniører, dine værktøjer og de modeller, de vælger. En gruppe med egne simulatorer, egen analysekode og egne instrumenter når dem fortsat via sine egne forbindelser. MS Duplex lærer af, hvordan arbejdet faldt ud, og tager det med til næste kørsel, så laget bliver bedre til hvert teams arbejde ved at lære af netop det teams resultater.


Den samme cyklus, uanset emnet
MS Duplex gør agenter bedre på samme måde inden for alle fagområder. Dit team fortsætter med at udføre arbejdet, og det, det bekræfter, læres én gang og bruges fra da af. Lad os sige, at tre grupper i én organisation bruger agenter til forskellige opgaver: én anbefaler indstillinger til næste kørsel, én rangerer kandidater til test, og én gennemgår analyser, før de rapporteres. Hver af dem gennemgår de samme trin.
- Agenten foreslårDen anbefaler en indstilling, rangerer en liste over kandidater eller markerer et trin i en analyse og arbejder gennem gruppens egne værktøjer, som den gør i dag.
- Et resultat eller en ekspert bekræfterEn kørsel kommer tilbage, en test bestås, eller en ekspert godkender konklusionen. Hvor agenten tog fejl, retter eksperten den og forklarer hvorfor.
- Lektien bevaresMS Duplex omdanner det bekræftede udfald til erfaring: en metode, en rettelse eller en betingelse, hver med evidensen bag sig.
- Næste tilfælde starter derfraDet næste matchende tilfælde, i enhver session, på enhver agent, gruppen godkender, og på enhver model, starter fra den erfaring.
- Forskelle markeresHvor det nye tilfælde afviger fra de betingelser, lektien blev bekræftet under, siger MS Duplex det, og metoden tilpasses og foreslås til kontrol.
For gruppen, der anbefaler indstillinger, kan lektien være, at en bestemt indstilling svigter over en kendt grænse. For gruppen, der rangerer kandidater, kan det være, at en scoringsmetode kun holder inden for et bestemt interval. For dem, der gennemgår analyser, kan det være en kontrol, der fanger en almindelig fejl tidligt. Indholdet er forskelligt hver gang. Det, MS Duplex gør med det, er det samme, og det samme er det, teamet får: færre gentagne fejl, færre spildte kørsler og dokumentation for hver ændring i agentens adfærd med begrundelsen.
Betingelser er det, der lader en lektie rejse
At huske et resultat er den lette del. Forskning kræver noget sværere: at vide, hvor resultatet holder. En indstilling, der virkede i ét interval, kan spilde en kørsel i et andet, og en metode, der er bekræftet på én slags input, kan vildlede på den næste. Hvert fagområde har sin egen udgave af dette problem, og derfor bevarer MS Duplex hvert resultat med de betingelser, det blev bekræftet under.
Det giver en lektie tre mulige veje i et nyt tilfælde. Hvor betingelserne passer, anvendes den direkte. Hvor tilfældet er beslægtet, men noget er anderledes, tilpasses metoden og foreslås til kontrol, før nogen forlader sig på den. Hvor evidensen er sparsom, eller tilfældet ikke ligner noget, der er set før, går beslutningen til din model eller til en forsker, med begrundelsen.
Den samme omhu gælder, når en kendsgerning ændrer sig. En ny måling erstatter den gamle, den nyeste bekræftede værdi gælder fra næste forespørgsel, og historikken over, hvad der ændrede sig, forbliver dokumenteret. Inden for ethvert fagområde koster en forældet værdi en kørsel brugt på den forkerte antagelse, og teamet bør kunne se, hvornår og hvorfor en værdi ændrede sig.
Hvert teams erfaring forbliver dets egen
Selv ét lag på tværs af fagområder holder hver lektie hos de personer, den tilhører. Alt, hvad MS Duplex lærer, ligger i et lag:
- Personligt: en forskers eller ingeniørs egne arbejdsvaner og præferencer former deres egen agent og kun den.
- Team: det, et team bekræfter, deles med det team, så dets agenter bygger videre på teamets egne resultater.
- Organisation: det, organisationen indfører som standard, gælder i alle teams og på alle agenter.
Dine regler afgør, hvad der flyttes mellem lagene. Gruppen, der rangerer kandidater, holder sine scoringslektier i sit eget teamlag, og gruppen, der gennemgår analyser, holder sine kontroller i sit eget. Personer og agenter når kun den erfaring, deres adgangsområde tillader, og intet af det deles med en anden virksomhed.
Noget viden er værd at dele på tværs af grupper, og den deling sker ved en beslutning. Lad os sige, at to grupper inden for forskellige discipliner begge kører en kostbar type simulering, og at den ene bekræfter en kontrol, der fanger en dårlig opsætning, før den starter. Gruppens leder kan dele metoden med den anden gruppe, eller organisationen kan indføre den som standard. Metoden bevarer sin kilde, når den flyttes, og den verificeres igen dér, hvor den bruges, fordi en kontrol, der holdt i én gruppes arbejde, skal bevise sit værd igen i den næste.


Ét lag for hele organisationen
For en forskningsleder ændrer et lag, der virker inden for alle fagområder, regnestykket for at indføre AI. Hver gruppe har ikke længere brug for sin egen læringsopsætning, sin egen måde at registrere godkendelser på og sin egen historik over, hvad AI'en blev lært. Organisationens AI-arbejde samler sig i ét lager, som den ejer, og det fører nogle praktiske ting med sig:
- Regler og godkendelser samlet ét sted, med hver godkendelse registreret, og hvem der godkendte hvad.
- Én historik over, hvad der blev lært, brugt og godkendt, klar til gennemgang og eksport.
- Metoder, der flyttes mellem grupper efter dine regler, hver med det resultat, der beviste den.
- Frihed for hver gruppe til at bruge den AI, den foretrækker: Claude, Codex, Cursor, en anden agent, der taler MCP, eller sine egne agenter via API’et og Python-SDK’et.
- Erfaring, der bliver i organisationen, når en model, en agent eller en leverandør skifter.
Det ændrer også, hvad der sker, når folk skifter. Når en forsker går videre, bliver de metoder, vedkommende har bekræftet, hos teamet, og et nyt medlems agent starter med teamets bedste metoder ved hånden. Knowhow, som det tog én gruppe måneders forsøg og fejl at opbygge, bliver i den organisation, der betalte for den.
Almindelige spørgsmål
Skal MS Duplex bygges til vores fagområde, før vi kan bruge den?
MS Duplex lærer af de udfald og ekspertkorrektioner, dit team vælger at gemme, inden for ethvert fagområde, hvor du kører eksperimenter, simuleringer, analyser eller designgennemgange med AI. Fagekspertisen bliver hos dine forskere og ingeniører, dine værktøjer og dine modeller, og MS Duplex bliver bedre til dit arbejde ved at lære af dine resultater.
Kan grupper inden for forskellige discipliner dele én MS Duplex?
Ja. Hver forsker, hvert team og organisationen har sit eget lag af erfaring. Et teams lektier bliver hos det team, og dine regler afgør, hvad der deles med et andet team eller indføres som organisationsstandard, med kilden bevaret.
Hvordan ved vi, at det virker på vores type forskning?
Med et pilotprojekt på dit eget arbejde. Vælg tilbagevendende arbejdsgange, hvor beslutninger gentager sig, aftal målestokken med dine eksperter, før noget kører, kør din nuværende opsætning og MS Duplex side om side, og lad dine eksperter bedømme resultaterne blindt.


Bygget af MatterSpace
MatterSpace bygger MS Duplex til forskere, videnskabsfolk og ingeniører inden for alle fagområder, så den AI, de allerede bruger, lærer af hvert resultat, de bekræfter.









