Den klareste måde at finde ud af, om en AI, der lærer, vil hjælpe dit team, er at se den lære af dit teams arbejde. En demo kører på en andens problem. Et pilotprojekt kører på dit, og de personer, der kender arbejdet bedst, afgør, om det hjalp.
Denne guide gennemgår planlægningen af et MS Duplex-pilotprojekt i den rækkefølge, en forskningsleder bør tænke over den: det arbejde, der skal vælges, de fire trin, arbejdsgangene og forbindelsen, hvem der bedømmer, og hvad der skal måles, og hvad dit team modtager. Den forudsætter ikke et bestemt fagområde. Uanset hvor dit team kører eksperimenter, simuleringer, analyser eller designgennemgange med AI, er planen den samme.
Start med den forskning, din AI skal blive bedre til
MS Duplex får den AI, dit team allerede bruger, til at lære af bekræftede resultater, ekspertkorrektioner og beslutninger. Værdien viser sig mest dér, hvor de samme slags beslutninger kommer igen og igen, så pilotprojektet bør starte dér. En beslutning, der træffes én gang, giver systemet lidt at lære af. En beslutning, dit team træffer hver dag, giver det noget at forbedre sig på hver gang.
Gode kandidater til et pilotprojekt har nogle træk til fælles:
- Beslutningerne gentager sig: den samme slags valg kommer igen på tværs af projekter, personer eller kørsler.
- Udfald bliver bekræftet: en test, en måling eller en ekspertgennemgang viser, om AI'ens forslag holdt.
- Fejl koster noget: en forkert eller unødvendig kørsel bruger regnekraft, instrumenttid, materialer eller en eksperts opmærksomhed.
- Eksperter retter allerede AI'en: den samme rettelse er lavet mere end én gang af de samme personer.
- Arbejdet strækker sig over sessioner eller personer: en overdragelse eller en ny session betyder i dag, at projektet skal forklares igen.
I de fleste forskningsorganisationer peger det på velkendt arbejde: at anbefale indstillinger til næste kørsel, rangere kandidater til test, planlægge en serie kørsler mod et mål, vælge hvilket værktøj eller hvilken metode der skal bruges til en analyse, eller gennemgå analyser, før de markeres som endelige. Vælg en eller to arbejdsgange. Et snævert pilotprojekt med en klar målestok fortæller dig mere end et bredt med en vag målestok.
Lad os sige, at et teams agent anbefaler indstillinger til en tilbagevendende analyse, og at en seniorforsker eller -ingeniør bliver ved med at rette den, fordi den ignorerer en kendt begrænsning ved metoden. Det er en stærk kandidat til et pilotprojekt. Beslutningen gentager sig, udfaldet bekræftes ved måling, og rettelsen har en ejer, der kan bedømme, om den holder.


Et pilotprojekts fire trin
Hvert MS Duplex-pilotprojekt følger de samme fire trin. De er sat op, så resultatet holder over for dine egne eksperter og over for enhver, de rapporterer til.
- Vælg arbejdetVælg tilbagevendende forskningsarbejdsgange, hvor beslutninger gentager sig, og hvor en forkert eller unødvendig kørsel er dyr. Udpeg de personer, der ejer disse arbejdsgange, da de skal bekræfte udfald og bedømme resultaterne.
- Aftal målestokkenAfklar med dine eksperter, før noget kører, hvordan pilotprojektet skal bedømmes: omkostningen ved hvert accepteret, reproducerbart resultat og den eksperttid, det kræver at nå dertil. Når det skrives ned først, forbliver sammenligningen fair.
- Kør det side om sideBrug den samme model, de samme værktøjer, data og budget med og uden MS Duplex, så læringslaget er den eneste forskel. Hvor dit miljø understøtter det, så tilføj en styret forbindelse, så dine regler gælder, før kostbare trin begynder.
- Bedøm det blindtDine eksperter scorer resultaterne uden at vide, hvilken opsætning der frembragte dem. Deres scorer, målt mod den målestok, du aftalte, er pilotprojektets resultat.
Rækkefølgen betyder noget. En målestok, der vælges, efter at resultaterne foreligger, inviterer til diskussion. En sammenligning uden en matchet baseline kan ikke skelne læringslaget fra en bedre model eller et større budget. Blind bedømmelse holder alles forventninger, også vores, ude af dommen.
Valg af arbejdsgange og forbindelse
MS Duplex kobles på den AI, dine forskere og ingeniører allerede bruger, så de beholder de værktøjer, de kender. Beslut, hvilke af disse de valgte arbejdsgange kører gennem:
- Claude, Codex, Cursor eller en anden agent, der taler MCP, den åbne standard for at give AI-agenter værktøjer.
- Dine egne forskningsagenter og pipelines via MS Duplex-API’et og Python-SDK’et.
Vælg derefter forbindelsen. Med en standardforbindelse kalder din agent MS Duplex for at hente relevant erfaring, følge planen og registrere de udfald, du tillader. Det er den nemmeste måde at komme i gang på. I understøttede miljøer med hooks sender en styret forbindelse de trin, du vælger, gennem MS Duplex, så dine regler gælder, før en kostbar simulering eller kørsel begynder, og de trin, du markerer til godkendelse, venter på en person.
Afklar tre ting med ejerne af arbejdsgangene før første kørsel. For det første, hvilke udfald der gemmes: beståede test, målinger, godkendte konklusioner, rettelser med deres begrundelser. For det andet, hvem der bekræfter dem. For det tredje, hvilke regler der gælder fra start, såsom en budgetgrænse eller et trin, der kræver godkendelse. MS Duplex lærer af de udfald og rettelser, dit team vælger at gemme, så denne liste former, hvad pilotprojektet kan vise.


Hvem bedømmer, og hvad skal måles
Bedømmerne bør være de eksperter, der ejer arbejdet: de personer, der ellers ville rette AI'en, godkende dens konklusioner og afgøre, hvad der går videre. Vælg dem, før pilotprojektet starter, og hold dem uden for opsætningen, så de scorer resultaterne uden at vide, hvilken opsætning der frembragte dem.
Den primære målestok er den, der blev aftalt i andet trin: omkostningen ved hvert accepteret, reproducerbart resultat og den eksperttid, det kræver. »Accepteret« betyder, at dine eksperter ville handle på det. »Reproducerbart« betyder, at en anden forsker kunne genopbygge det ud fra dokumentationen. Begge er vurderinger, dit team allerede foretager. Pilotprojektet beder dig foretage dem konsekvent og blindt.
Ud over den primære målestok kan du bede bedømmerne og ejerne af arbejdsgangene om at notere, hvad de ser i dokumentationen:
- Rettelser, en ekspert måtte lave mere end én gang
- Kørsler foreslået på tilgange, teamet allerede havde set slå fejl
- Beslutninger, MS Duplex afgjorde direkte, og dem, den overlod til modellen eller en person, med begrundelsen
- Hvordan en ny session eller en overdragelse tog arbejdet op
- Om hver anbefaling kunne spores til sin kilde
Disse noter erstatter ikke målestokken. De forklarer den, og de viser, hvor læringslaget hjalp mest, og hvor det gjorde lille forskel, hvilket er det, du har brug for til at beslutte, hvor du skal bruge det næste gang.
Hvad dit team modtager
Et velplanlagt pilotprojekt efterlader dit team med evidens, det kan forsvare, og erfaring, det beholder.
- En sammenligning side om side på dit eget arbejde, bedømt blindt af dine egne eksperter mod den målestok, du aftalte
- Dokumentationen for, hvad MS Duplex lærte, brugte og godkendte under pilotprojektet, hvert element med sin kilde, klar til gennemgang og eksport
- Den erfaring, der er opbygget undervejs: bekræftede resultater med deres betingelser, ekspertkorrektioner med deres begrundelser, beslutninger med deres evidens og verificerede metoder
- Et klart overblik over, hvilke arbejdsgange der vandt mest, som rettesnor for, hvor dit team går hen næste gang
Den erfaring tilhører din organisation, uanset hvilken model eller leverandør du bruger. Personlige lag, teamlag og organisationslag og de regler, der afgør, hvad der flyttes mellem dem, kan sættes op, så de passer til den måde, din organisation allerede deler sit arbejde på. Hver forskers vaner forbliver personlige, og det, et team bekræfter, deles med det team.
Almindelige spørgsmål
Skal vores forskere og ingeniører ændre den måde, de arbejder på?
De beholder den AI, de allerede bruger. MS Duplex kobles på Claude, Codex, Cursor og andre agenter, der taler MCP, eller på dine egne agenter via API’et og Python-SDK’et. Det vigtigste nye er at bekræfte udfald og registrere rettelser med deres begrundelser, hvilket de fleste eksperter allerede gør i en eller anden form.
Ændrer pilotprojektet vores model?
MS Duplex lærer ved siden af modellen, med dens vægte uændrede. Den samme model kører i begge opsætninger, der sammenlignes, så den forskel, dine eksperter ser, kommer fra læringslaget.
Kan vi bruge mere end én model i pilotprojektet?
Ja. Erfaringen ligger i MS Duplex, så forskellige modeller kan trække på den samme erfaring. Hold modellen ens mellem de to opsætninger, der sammenlignes, så sammenligningen forbliver fair.
Hvordan kommer vi i gang?
Kom med den forskning, din AI skal blive bedre til. Sammen vælger vi arbejdsgangene, aftaler målestokken med dine eksperter og planlægger kørslen side om side, med dine eksperter som bedømmere.


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.









