Der er en bestemt type træthed, som er begyndt at melde sig i teams der arbejder seriøst med AI. Den kommer ikke af at skabe noget, men af at vurdere det, maskinen har skabt. Udkastene lander hurtigere end nogensinde - koden, kontraktudkastet, kampagneteksten - og for enden af samlebåndet står et menneske, der skal tage stilling til hvert enkelt. Arbejdet føles produktivt og drænende på samme tid, og de fleste tilskriver det sig selv. Det er den forkerte diagnose. Problemet er ikke personen, det er loopet.
Produktionen blev billig, godkendelsen fulgte ikke med
Tallene fra softwareverdenen viser dynamikken tydeligst. AI står nu for 42 procent af al kode der committes, viser Sonars store udviklerundersøgelse - men 96 procent af udviklerne stoler ikke fuldt på den. Kun 48 procent verificerer konsekvent koden før den ryger ind, og teams bruger næsten en fjerdedel af arbejdsugen på at kontrollere og rette AI-output.
Hver godkendelse er en mikrobeslutning, der kræver kontekst og dømmekraft. Koden er blevet billig at generere, men vurderingen kostede det samme som altid - Stack Overflow kalder det decision fatigue. Hos Pydantic vågnede en udvikler op til 30 AI-genererede pull requests, der alle ventede på et menneskes blik.
Køen kan måles. LinearB analyserede 8,1 millioner pull requests fra 4.800 organisationer og fandt, at AI-genereret kode venter 4,6 gange længere på review end menneskeskrevet kode. Faros' engineering-rapport for 2026 viser samme mønster: ventetiden før nogen overhovedet åbner et pull request er vokset 157 procent, og selve reviewtiden er tredoblet. Og så det tal, der burde få alarmklokkerne til at ringe: andelen af kode der merges helt uden review er steget 31 procent. Når godkendelserne kommer som en konstant strøm, ender mange med at klikke godkend pr. refleks - eller springe kontrollen over. I det øjeblik er kontrollen reelt afskaffet, den ser bare stadig ud som en proces på papiret.
Hurtigere betyder ikke mindre arbejde
Et studie fra UC Berkeley Haas fulgte medarbejdere i en techvirksomhed gennem ni måneder og nåede en konklusion, der burde bekymre enhver leder med et AI-budget: AI reducerede ikke arbejdsbyrden, den intensiverede den. Medarbejderne arbejdede hurtigere, tog flere opgaver ind og lod arbejdet sprede sig ud over døgnet - uden at nogen havde bedt om det. Forskerne kalder det workload creep.
Det matcher hvad kontrollerede forsøg allerede har vist: erfarne udviklere bliver målbart langsommere med AI-værktøjer, selvom de selv oplever det modsatte. Gevinsten ved hurtig produktion bliver ædt op af det usynlige arbejde med at kontrollere resultatet - og det arbejde optræder ikke i nogen produktivitetsmåling.
Trætheden gør til gengæld. De første burnout-tal fra 2026 peger entydigt på de flittigste AI-brugere: 45 procent af dem rapporterer udbrændthed mod 35 procent af ikke-brugerne. McKinsey fandt samme mønster på tværs af 13.000 medarbejdere i 16 brancher - 55 procent af de tunge AI-brugere viste symptomer på udbrændthed mod 32 procent i det samlede felt. Det er ikke dem, der ignorerer teknologien, der brænder ud. Det er dem, der står i loopet hver dag.
Belønningen blev automatiseret væk
Laura Summers, lead design engineer hos Pydantic, har sat de mest præcise ord på hvorfor det slider. I essayet "The Human-in-the-Loop is Tired" beskriver hun, hvordan arbejdet med at skabe var fuldt af små belønninger - problemet der endelig gav mening, testen der blev grøn. AI-værktøjerne automatiserede præcis de dele og efterlod tilsynet: at læse, vurdere og godkende en maskines output i én uendelighed. Det tilfredsstillende skrumpede, det udmattende voksede.
Hun peger også på noget, de kvantitative studier ikke fanger: arbejdsformen er ensom. Sparringen med kollegaen er erstattet af promptcyklusser, hvor modellen nogle gange rammer plet og nogle gange ikke gør - et uforudsigeligt belønningsmønster, der fungerer som en spilleautomat og gør det svært at stoppe. Bare én prompt mere.
De erfarne rammes først
Review-træthed er ikke et udviklerfænomen. Den findes alle steder, hvor AI producerer udkast og mennesker godkender - jura, økonomi, marketing, kundeservice. Og den rammer skævt, for opgaven med at vurdere maskinens output kræver netop erfaring. Det er derfor de dygtigste folk ender som fuldtidskontrollanter, mens de opgaver man faktisk lærer af, forsvinder et andet sted i organisationen. Virksomheden bruger sine skarpeste hjerner på samlebåndskontrol og undrer sig over, at de mister gnisten.
Summers' eget bud er ikke at skrue ned for AI, men at flytte håndværket. Hun sammenligner med overgangen til responsivt webdesign, hvor designere måtte opgive pixel-kontrol og lære at designe systemer i stedet. De færdigheder, der tager form nu, handler om at flytte dømmekraften frem i processen:
- Pre-mortems - gennemgå AI'ens plan kritisk før den udføres, i stedet for at rette output bagefter
- Instruktionsfiler - destillér års erfaring og review-kommentarer til regler, modellen følger fra start
- Skelneevne - vid hvilken erfaring der stadig gælder, og hvilke vaner der hører en anden tid til
Godkendelseskapacitet er den nye flaskehals
Herhjemme er billedet ekstra skævt. CBS' AI-undersøgelse fra foråret 2026 viser, at 70 procent af lederne bruger AI i deres job mod kun 32 procent af medarbejderne - og at kun 11 procent af arbejdsstyrken har fået formel AI-træning. Ledelsen skruer altså op for produktionen, mens de mennesker, der skal vurdere outputtet, hverken er blevet spurgt eller klædt på til opgaven. Ipsos' danske undersøgelse bekræfter mønstret: halvdelen af medarbejderne har ingen klare forventninger at arbejde ud fra, og kun én ud af fire har fået tilbudt oplæring.
De færreste har gjort regnestykket færdigt: hvis AI tredobler produktionen af udkast, og et menneske stadig skal godkende hvert enkelt, er det godkendelseskapaciteten der sætter loftet - ikke produktionen. Den virksomhed, der kun måler på hvor meget der genereres, opdager først problemet, når de bedste folk siger op eller begynder at godkende i blinde. Begge dele er dyrere end at tage problemet alvorligt i tide.
Flaskehalsen var aldrig koden, kontrakten eller kampagneteksten. Det var menneskelig dømmekraft. Og mennesket i loopet er ikke en uudtømmelig ressource - det er den knappeste ressource, systemet har.
Kilder: Pydantic - The Human-in-the-Loop is Tired, Faros - AI Engineering Report 2026, TechCrunch - AI og udbrændthed, CBS - AI Survey 2026
