De fleste forskningsteams kender denne session. En forsker eller ingeniør åbner en ny samtale med AI'en, forklarer projektet igen, gentager metodens begrænsninger, indsætter sidste uges resultater og retter den samme fejl, hun rettede i tirsdags. AI'en er dygtig. Den husker ikke.
Det er standardadfærden for de fleste AI-værktøjer, og den er let at undervurdere, fordi omkostningen er spredt ud over mange små øjeblikke, og ingen ser summen. Dette indlæg forklarer, hvor glemslen kommer fra, hvad den koster et forskningsteam, og hvad der ændrer sig, når det arbejde, dit team bekræfter, bliver til erfaring, som AI'en bevarer.
Hvor glemslen kommer fra
En model lærer det, den ved, under træningen. Når træningen slutter, ligger den viden fast. Modellen kan ræsonnere om et nyt problem, skrive analysekode og læse de dokumenter, du giver den, men intet, den ser i én session, ændrer det, den ved i den næste.
Forskning mærker dette hul mere end det meste andet arbejde. Den viden, et team er afhængigt af, er som regel dets nyeste: en måling, der kom tilbage i går, en korrektion, en ekspert lavede i morges, en driftsgrænse, som nogen bekræftede i sidste uge. Intet af det kan være i en models træningsdata. Det fandtes ikke, da modellen blev trænet.
Inden for en session kan AI'en holde noget af dette i sin kontekst. Når sessionen slutter, forsvinder det. Den næste session, en kollegas agent eller næste kvartals model starter igen fra den dag, træningen stoppede. At lære selve modellen noget nyt betyder at forberede et datasæt og køre endnu en træningscyklus, hvilket få forskningsteams gør for hver lektie.
Hvad det koster et forskningsteam
Omkostningen ved at glemme dukker sjældent op som en post i et budget. Den viser sig fire steder.
- At forklare forfra. Forskere og ingeniører bruger begyndelsen af hver session på at gentage målet, beslutningerne og begrænsningerne, og agenten stiller spørgsmål, som teamet besvarede for længe siden.
- Gentagne fejl. En ekspert retter agenten, og korrektionen er væk ved næste session. Den samme ekspert laver den igen, eller en kollega, der ikke så den, lader fejlen slippe igennem.
- Arbejde, der betales to gange. En kørsel, der fejlede under bestemte betingelser, foreslås igen, fordi intet bevarede fejlen. Regnekraft, materialer og instrumenttid går til at genopdage det, teamet allerede vidste.
- Forældede fakta. En ny måling erstatter en gammel, men den gamle værdi ligger stadig i en indsat udskrift eller en notefil, og den dukker op igen i et svar, som om den var aktuel.
Forestil dig, at et teams agent anbefaler indstillinger til en tilbagevendende analyse, og at intet bevarer det, den lærer. Over en måned kan mønsteret se sådan ud:
- Første uge: en korrektionEn ekspert afviser en anbefaling, fordi den ignorerer en kendt begrænsning ved metoden, og forklarer hvorfor. Agenten gør det rigtigt resten af den session.
- Anden uge: den samme fejlI en ny session kommer agenten med den samme anbefaling. En anden bedømmer fanger den og forklarer begrænsningen igen.
- Tredje uge: en fejlslagen kørsel, gentagetEn kollegas agent, med en anden model, foreslår en konfiguration, der fejlede to uger tidligere. Kørslen gennemføres og fejler af samme grund.
- Fjerde uge: en gammel værdiEn ny kalibrering har erstattet en referenceværdi. Agenten citerer den gamle, fordi den stod i de noter, en forsker eller ingeniør indsatte.
- I altTo ekspertforklaringer, én spildt kørsel og ét forkert svar, alt sammen for lektier, teamet allerede havde betalt for én gang.
Ingen af disse øjeblikke er dramatiske i sig selv. På tværs af et team og et år løber de op i eksperttid og budget brugt på arbejde, der allerede var gjort. Den mest stille omkostning er den sidste, der viser sig: eksperter holder op med at rette AI'en, fordi korrektionerne ikke bliver hængende, og teamet mister vanen med at lære den op.
Hvad teams gør i dag, og hvor det stopper
Teams arbejder uden om problemet. Mange har en instruktionsfil eller en notefil til deres AI, vedligeholder et promptbibliotek eller forbinder et genfindingssystem til deres dokumenter. Hver af disse hjælper, og hver er værd at have.
En notefil indeholder det, nogen har skrevet ned. Den virker, så længe den er kort og opdateret. Efterhånden som den vokser, fyldes den med linjer, som ingen er sikker på stadig holder, og en gammel linje bliver stående, indtil nogen sletter den. Modellen genlæser det hele og vurderer selv, hvad der gælder.
Genfinding finder passager, der ligner spørgsmålet, hvilket er nyttigt til at finde dokumenter. Den siger ikke, om en passage gælder under dagens betingelser, og når en kendsgerning har ændret sig, kan både den gamle og den nye version komme tilbage.
Finjustering ændrer, hvad en model ved over hele linjen, og den har stadig sin plads til den opgave. Den lærer af et forberedt datasæt og en træningskørsel, så den bevæger sig i træningscyklussernes tempo frem for arbejdets tempo, og en ny modelversion betyder, at man skal starte forfra.
- 0 % mod 57 %forældede svar, efter at fakta ændrede sig: MS Duplex ved siden af almindelig genfinding, i MatterSpaces kontrollerede test
Det tal fra MatterSpaces kontrollerede test måler den fjerde omkostning på listen: svar, der citerer en værdi, teamet allerede har erstattet. Det er den omkostning, der skjuler sig bedst, fordi et forældet svar lyder lige så sikkert som et aktuelt.
Hvad der ændrer sig, når bekræftede resultater bliver til erfaring
Alternativet er at bevare resultatet i stedet for samtalen. MS Duplex sidder ved siden af den model, dit team allerede bruger, med dens vægte uændrede, og lærer af de resultater, dit arbejde bekræfter. En test består, en måling kommer tilbage, en ekspert godkender en konklusion eller retter en og siger hvorfor. Det bliver til erfaring, der anvendes fra næste forespørgsel.
Hvert stykke erfaring bevarer det, et forskningsteam har brug for for at kunne stole på det:
- Det resultat, den måling eller den ekspertvurdering, det kom fra.
- De betingelser, det blev bekræftet under, så det anvendes, hvor de betingelser matcher.
- Begrundelsen bag en korrektion, så agenten kontrollerer det punkt først i det næste tilfælde.
- Dets historik, så når en nyere bekræftet værdi erstatter en ældre, gælder den nyere, og ændringen forbliver dokumenteret.
Det ændrer, hvad agenten gør derefter. Hvor betingelserne matcher, anvender den det, der er lært. Hvor et tilfælde er beslægtet, men anderledes, markerer MS Duplex, hvad der adskiller sig. Det, der virkede, bliver det første, agenten prøver, og det, der fejlede, holder op med at blive foreslået.


Kør den samme måned igen med MS Duplex på plads. Korrektionen fra første uge gælder fra næste forespørgsel, i enhver session og på enhver model. Konfigurationen, der fejlede, holder op med at blive foreslået, og dokumentationen viser hvorfor. Den nye kalibrering erstatter den gamle værdi fra næste forespørgsel, med historikken over ændringen bevaret. Eksperten forklarer begrænsningen én gang.
Den næste session starter, hvor arbejdet står
Glemsel sker også mellem personer og mellem modeller. En kollega overtager projektet. Teamet skifter til en nyere model. I de fleste opsætninger nulstiller begge ændringer det, AI'en ved om arbejdet.
I MS Duplex følger målet, beslutningerne, de godkendte metoder og fremskridtet med ind i hver ny session som et kompakt billede af arbejdet, med hver kilde registreret. De agenter, du autoriserer, starter fra det samme billede, uanset hvilken model de kører på. Erfaringen ligger i et lager, din organisation ejer, så en ny model starter med alt det, teamet har opbygget.


En AI, der bevarer erfaring, skal også styres. Hver lektie kan gennemgås, rettes eller fjernes for sig. Ret én, og kun den ændres; fjern den, og de anbefalinger, der afhang af den, forsvinder med den, mens alt andet forbliver. Personlige lag, teamlag og organisationslag holder en forskers vaner personlige og et teams bekræftelser inden for det team, efter dine regler, og intet deles med en anden virksomhed.
Almindelige spørgsmål
Hvorfor kan modellen ikke huske af sig selv?
Dens viden ligger fast, når træningen slutter. At lære den noget nyt betyder at forberede et datasæt og køre endnu en træningscyklus, så det, dit team lærer mellem cyklusserne, mangler i hver ny session.
Er en længere notefil nok?
En notefil hjælper, så længe den er kort og opdateret. Efterhånden som den vokser, bliver gamle linjer stående, indtil nogen sletter dem, og modellen må vurdere, hvilke der stadig holder. MS Duplex bevarer bekræftede resultater med deres betingelser og historik, så den nyeste bekræftede værdi gælder.
Hvad sker der, når en kendsgerning ændrer sig?
Den nyeste bekræftede værdi gælder fra næste forespørgsel, og historikken over ændringen bevares. For forældede svar, efter at fakta ændrede sig, målte MatterSpaces kontrollerede test 0 % mod 57 %, MS Duplex ved siden af almindelig genfinding.
Skal vi skifte de AI-værktøjer, vi bruger?
Nej. MS Duplex kobles på Claude, Codex, Cursor og andre agenter, der taler MCP, og på dine egne agenter og pipelines via API’et og Python-SDK’et. Dine forskere og ingeniører beholder den AI, de allerede bruger.


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.









