AI som lærer: sådan lærer du med ChatGPT og Claude

Du kan bruge AI som lærer ved at lade den forklare, stille spørgsmål og give feedback på dine egne forsøg. Det kræver, at du selv svarer og øver dig. At læse en forklaring og tænke, at den giver mening, er et spinkelt mål for læring.

Start med noget konkret. Du vil kunne bruge en formel i et regneark. Forstå en fagtekst. Tale engelsk med en kunde. Eller lære et nyt system på arbejdet. Giv AI et mål og noget stof, du stoler på. Bed den så hjælpe dig gennem små øvelser.

Du kan gå direkte til ChatGPT Study mode eller bruge prompten her i guiden. Du behøver hverken kode, en ny app eller en betalt skill for at prøve metoden.

Et svar er ikke det samme som læring

Forestil dig, at du skal lære en formel i et regneark. Du kan få AI til at skrive den og sætte den ind. Formlen virker. Du er færdig med opgaven.

Men dagen efter skal du ændre den. Nu ved du måske ikke, hvad de enkelte dele gør. Det færdige ark fortalte noget om resultatet. Det fortalte mindre om, hvad du selv kunne.

Du kan også få AI til at vise et lille eksempel. Derefter skriver du selv en formel til en ny tabel. Du forklarer, hvad den skal gøre, og hvorfor. Hvis resultatet er forkert, får du hjælp til at finde fejlen. Her er det din kunnen, du arbejder på.

Det hænger sammen med hybrid intelligens. Her handler det om at bevare og styrke den faglige dømmekraft i arbejdet med AI. Når du bruger AI som lærer, kan du stille et helt konkret krav: Jeg skal kunne mere bagefter, også når chatten er lukket.

Sådan kommer du i gang

Vælg én lille ting, du gerne vil kunne inden for en uge. Ikke “lære økonomi”. Skriv i stedet: “Jeg vil kunne forklare forskellen på omsætning og overskud og bruge den i et lille eksempel.” Det er lettere at øve og teste.

Find så et fagligt grundlag. Det kan være et afsnit i en bog, en guide fra en fagperson eller en manual til det system, du bruger. Giv AI det relevante uddrag. Bed om, at den siger til, når en forklaring går ud over kilden.

Du må gerne bede om en forklaring først. En lærer skal kunne undervise, ikke kun spørge. Når du har set et eksempel, skal du selv i gang. Bed om en lignende opgave med andre tal eller en anden situation.

Når du går i stå, så bed om et hint. Prøv igen. Hvis du stadig sidder fast, så få trinnet forklaret. Bagefter skal der komme en ny opgave. Ellers ender du med blot at læse løsningen.

Slut med at lukke chatten og løse noget selv. Vend tilbage en anden dag. Den pause gør det muligt at se, hvad du kan huske, når forklaringen ikke længere ligger lige foran dig.

En prompt du kan bruge i ChatGPT og Claude

Prompten her er min tilpasning til en kort samtale. Den er ikke en kopi af Matt Pococks skill eller Mollick-parrets prompts.

Jeg vil lære [emne], så jeg selv kan [konkret opgave].
Jeg kan allerede [det, du ved nu].
Brug dette stof som fagligt grundlag: [indsæt tekst eller fil].

Start med at finde ud af, hvad jeg ved. Stil ét spørgsmål ad gangen.
Vent på mit svar.

Hvis jeg mangler viden, så giv en kort forklaring og et eksempel.
Giv mig så en ny lille opgave, hvor jeg selv skal bruge det.
Vis ikke løsningen, før jeg har forsøgt.

Ved fejl: Peg på, hvad jeg skal se på. Giv et hint, og lad mig prøve igen.
Hvis jeg stadig sidder fast, så forklar trinnet og giv mig en ny opgave.

Bed mig forklare, hvorfor mit svar giver mening.
Ret fejl tydeligt. Giv ikke ros for et forkert svar.
Sig til, hvis vores kilde ikke giver grundlag for dit svar.

Slut med en ny opgave, jeg skal løse uden chatten.
Lav en kort note om det, jeg kunne selv, og det, jeg skal øve igen.

Gem prompten. Hvis du bruger den tit, kan du lægge den i et projekt i ChatGPT eller Claude, lave en Custom GPT eller gemme den som en skill i et værktøj, der understøtter det. Så slipper du for at sætte instruktionerne ind hver gang.

Du kan svare med stemmen, hvis din app har den mulighed. Det kan være rart, når du skal forklare et begreb med egne ord. Bed stadig om, at AI venter på dit svar. En lang tale fra modellen giver dig ikke mere tid til at tænke selv.

ChatGPT Study mode: en lærer i den chat, du kender

ChatGPT har en funktion til læring, som OpenAI kalder Study mode. Den kan stille spørgsmål, give hints og dele et emne op i små trin. Den kan også bruge det stof, du deler. Du kan starte på chatgpt.com/studymode.

Ifølge OpenAI’s vejledning findes funktionen på tværs af abonnementer. På web kan du skrive @study og vælge Study i forslagene. Du kan også søge efter Study i menuen ved plus. Brug en almindelig chat. Funktionen er ikke tilgængelig i Projects, GPTs eller midlertidige chats.

Fortæl, hvad du vil kunne, og hvad du ved nu. Del det stof, du vil arbejde ud fra. Bed om ét spørgsmål ad gangen og en ny opgave til sidst. Hvis modellen giver løsningen for tidligt, så bed den vende tilbage til hints og egne forsøg.

Det er stadig ChatGPT. Funktionen kan lave fejl og give svar, selv om du bad om spørgsmål. Du skal også selv holde fast i målet. Knapper og menuer kan ændre sig. Oplysningerne her er tjekket den 20. oktober 2026.

Claude Learning mode og en almindelig chat

Anthropic lancerede Learning mode i april 2025 som en del af Claude for Education. Her skulle Claude guide den studerendes tænkning. Den kunne fx spørge til en metode eller bede om belæg for en konklusion.

Det kaldes ofte en sokratisk tilgang. AI stiller spørgsmål, der hjælper dig med at undersøge din egen forståelse. Det er nyttigt, når du har noget at bygge på. Mangler du den helt grundlæggende viden, skal du også have den forklaret.

Jeg har ikke kunnet bekræfte en aktuel Learning-menu for alle private konti i de officielle kilder. Hvis du ikke ser den, kan du bruge prompten ovenfor i en almindelig Claude-chat. Du får instruktionerne med uden at være afhængig af en bestemt knap.

Gem også en kort note om, hvad du øvede. Den kan du dele i næste samtale sammen med kilden. Så behøver du ikke stole på, at chatten husker alt rigtigt fra gang til gang.

Claude Code har en særskilt Learning-funktion til kode. Den kan bede dig skrive små dele selv. Den er rettet mod folk, der arbejder med kode. Du behøver ikke Claude Code for at få forklaringer og øvelser i Claude.

Matt Pococks teach-skill: et forløb, der fortsætter næste uge

Matt Pocock har samlet sine instruktioner til AI-agenter i et offentligt repo på GitHub. Den del, der handler om at lære noget over tid, hedder teach. Den hedder ikke teach-me i den version, jeg har tjekket.

En skill er et sæt instruktioner, som en AI-agent kan følge. Pococks teach-skill gør et emne til et forløb. Agenten holder styr på målet, finder kilder og laver korte lektioner. Den gemmer også noter om det, du har lært, så næste lektion kan bygge videre.

Målet styrer det, du lærer

Forløbet starter med grunden til, at du vil lære emnet. Det er ikke nok, at “SQL kunne være spændende”. Skal du kunne læse en rapport? Finde fejl i et udtræk? Eller selv skrive en forespørgsel? Det afgør, hvad du skal øve først.

Pocock skelner også mellem at forstå noget her og nu og at kunne huske det senere. Derfor bruger skillen øvelser, hvor du skal hente viden frem selv. Den lægger op til pauser mellem forsøg og til at vende tilbage til stof, du har mødt før.

Hvad gemmer skillen?

Den fulde udgave bruger filer. Du behøver ikke kende alle navnene for at forstå idéen, men de gør det lettere at se, hvad forløbet bygger på.

Det er et system til at holde fast i et forløb. Det er ikke et bevis på, at alt, der står i en lektion, er rigtigt. Pococks egen vejledning beskriver også fejl. Kilder og øvelser skal stadig tjekkes.

Kan du bruge den uden at kode?

Ja, du kan bruge metoden i en almindelig chat. Kopiér målet, kilderne og en kort log mellem samtaler. Bed om én lektion ad gangen, et eget forsøg og feedback. Du får ikke hele filsystemet med, men du kan bevare rytmen i forløbet.

Den fulde skill kræver en agent, der kan læse og skrive filer. Følg i så fald repoets vejledning, og giv forløbet sin egen mappe. Det er en anden opsætning end at indsætte et link i ChatGPT. Et link får ikke i sig selv en chatbot til at installere noget.

Repoet har MIT-licens. Instruktionerne kan tilpasses. Behold licens og navn, hvis du deler en kopi eller en større del af dem. Brug af en AI-tjeneste følger stadig dens egne vilkår og grænser.

Pococks skill grill-me bruger også spørgsmål, men den går den anden vej. Der er det AI’en, der skal kende din situation, før den laver en opgave. Det handler guiden om grill me om.

Ethan og Lilach Mollick: flere måder at lære med AI

Ethan Mollick og Lilach Mollick fra Wharton beskrev i 2023 syv roller for AI i undervisning. De delte også prompts til rollerne. Tre af dem er oplagte at bruge, når du vil lære noget på arbejdet.

AI som tutor. Du får hjælp til et emne gennem forklaringer og spørgsmål. Det passer til at lære nyt stof eller arbejde med noget, du er kørt fast i.

AI som coach. Du ser tilbage på et forløb. Hvad prøvede du? Hvad skete der? Hvad vil du gøre anderledes næste gang? Her er det din egen erfaring, der skal foldes ud.

AI som elev. Du prøver at lære noget fra dig. Modellen spiller en person, som har brug for en enkel forklaring. Det kan vise, hvor du springer trin over eller bruger ord, du ikke selv kan forklare.

Du kan bruge deres prompts som udgangspunkt. Ethan Mollick beskriver også, hvad der kan gå galt: AI kan finde på noget, gå i ring eller hænge fast i spørgsmål. Du må gerne afbryde den og ændre retning.

Deres papir er et forslag til god brug af AI med prompts. Det er ikke et forsøg, der beviser effekten af hver prompt. Roller er en hjælp til at forme samtalen. De er ikke en garanti for læring.

En prompt, hvor du skal forklare

Brug den på noget, du allerede har arbejdet med. Modellen skal spille elev, men feedback skal stadig kunne tjekkes mod en kilde.

Jeg vil øve mig i at forklare [emne]. Spil en ny kollega,
som ikke kender emnet. Her er vores faglige grundlag: [kilde].

Lad mig forklare først. Stil derefter ét spørgsmål til noget,
jeg sprang over eller ikke gjorde klart. Vent på mit svar.

Efter samtalen: Træd ud af rollen. Tjek min forklaring mod kilden.
Peg på konkrete fejl og huller. Giv mig så et nyt eksempel,
hvor jeg selv skal bruge det, jeg har forklaret.

Det er en øvelse, ikke en rigtig kollegas vurdering. En AI kan overse fejl eller lave egne fejl i sin kritik. Er emnet svært at bedømme, så få et menneske med faglig viden til at tjekke forklaringen.

Hvorfor egne forsøg og pauser betyder noget

Det er let at forveksle genkendelse med viden. Du læser en forklaring, og alt virker klart. Senere skal du bruge den uden teksten. Så er der huller, du ikke så, mens du læste.

Henry Roediger og Jeffrey Karpicke undersøgte det i 2006. I to forsøg læste studerende tekster og øvede enten genlæsning eller at huske stoffet uden teksten. På prøver efter to dage og en uge klarede de, der havde øvet genkaldelse, sig bedre. De, der læste igen, følte sig ellers mere sikre.

Det er ikke et AI-studie. Men det forklarer, hvorfor en god AI-samtale bør rumme mere end en klar forklaring. Modellen kan give dig mange små chancer for at hente stoffet frem selv. Det kaldes ofte retrieval practice. På dansk kan vi bare sige: øv dig i at huske uden at kigge.

John Dunlosky og fire medforfattere gennemgik i 2013 ti måder at lære på. Øvelser med at teste sig selv og sprede øvelsen over tid fik en høj vurdering på tværs af flere typer læring. Det støtter brugen af korte forsøg på flere dage. Det beviser ikke, at en vilkårlig chatbot gør det godt.

Derfor bør AI ikke kun spørge: “Forstår du?” Bed den give dig en opgave, hvor den kan se dit forsøg. Et ja fortæller mindre end en forklaring eller en løsning.

Hvad viser forskningen om AI og læring?

Studierne måler ikke alle det samme. Nogle ser på et svar, der er lavet med hjælp. Andre tester, hvad folk kan uden AI. Nogle bygger på folks egne svar om deres arbejde. Det er afgørende at skelne mellem dem.

De forsøg, jeg gennemgår her, er heller ikke test af Pococks skill eller prompten i denne guide. De positive resultater kommer fra konkrete forløb. Vi kan bruge dem til at vælge en retning. Vi kan ikke låne deres tal som et løfte om din egen læring.

Matematik i Tyrkiet: bedre øvelser kunne skjule dårligere læring

Hamsa Bastani, Osbert Bastani, Alp Sungu og tre medforfattere testede to AI-værktøjer i matematik. Studiet udkom i PNAS i 2025. Næsten 1.000 elever på én skole deltog. De fik enten ingen AI, en ret fri chat eller en tutor med hints og stof fra lærerne.

Med den frie chat steg resultaterne på øvelser med 48 procent mod gruppen uden AI. Med tutoren steg de med 127 procent. Men da eleverne skulle klare sig uden hjælp, lå gruppen med fri chat 17 procent under dem, der ikke havde haft AI.

Tutoren fjernede stort set det tab. Den viste dog ikke en gevinst på prøven uden hjælp. Hints og fagligt stof var altså en beskyttelse i dette forsøg. De var ikke et bevis på bedre læring i alle fag.

Tallene er relative ændringer, ikke procentpoint. Forsøget gælder én skole og prøver tæt på øvelserne. Det taler for at tjekke, hvad eleven kan uden AI, selv om arbejdet med AI ser flot ud.

Fysik på Harvard: en tutor gav større fremgang

Greg Kestin og fire medforfattere testede en tutor på Harvard. Det foregik i et fag i fysik. Studiet udkom i Scientific Reports i 2025. 194 studerende indgik i analysen. De prøvede både AI-forløbet og aktiv undervisning i klassen, på hver sit emne.

Den målte fremgang i medianen var mere end dobbelt så stor med AI-tutoren. Den typiske tid med AI var 49 minutter. Forskerne regnede med 60 minutters læring i klassen, når prøver var trukket fra. Det er mindre tid, men det er ikke halv tid.

Tutoren havde trin, løsninger og feedback bygget ind af fagfolk. Studiet målte læring lige efter forløbet. Det viser en gevinst ved det design. Det viser ikke, at fri chat altid slår en lærer, eller at gevinsten varer ved i flere år.

Nigeria: et kort forløb med AI og lærere

Martín De Simone og fem medforfattere undersøgte et forløb på ni skoler i Nigeria. I seks uger brugte elever Copilot i ekstra timer med støtte fra lærere. Forsøget fandt sted i 2024. Her bruger jeg Verdensbankens arbejdspapir fra 2025, revideret i december samme år.

1.328 elever blev fordelt ved lodtrækning. 759 tog den sidste prøve. Analysen af den samlede prøve brugte 654 svar. Forløbet gav en fremgang på 0,31 standardafvigelse i den samlede prøve. Den dækkede engelsk, AI og digitale færdigheder. Gevinsten i engelsk var cirka 0,24.

En standardafvigelse er et mål for spredning i resultater. Det er ikke procent. I omtalen blev gevinsten omsat til 1,5 til 2 års normal skolegang. Det var en sammenligning med et mål for læring, ikke to års observeret fremgang.

Der mangler svar fra cirka 43 procent af de udtrukne elever. Der var også forskel på frafaldet mellem grupperne. Forfatterne lavede ekstra analyser, som støttede en positiv effekt. Men frafaldet er en grund til forbehold. Det var desuden hele pakken med ekstra timer, lærere og AI, der blev testet.

MIT-studiet: essayhjælp og lavere aktivitet i bestemte mål

Nataliya Kosmyna, Pattie Maes og seks medforfattere undersøgte essays skrevet med og uden hjælp. Der var 54 deltagere i de første tre sessioner. 18 deltog i en fjerde. Grupperne brugte enten en sprogmodel, en søgemaskine eller ingen af delene.

Forskerne målte blandt andet signaler fra hjernen med EEG. Gruppen med sprogmodellen viste svagere forbindelser i de mål, de brugte. Deltagerne havde også sværere ved at citere deres egne tekster og følte mindre ejerskab til dem.

Den version, jeg har tjekket, er et preprint fra 2025. Det er et udkast uden bekræftet fagfællebedømmelse. Forsøget er lille og handler om at skrive essays med hjælp. Det måler ikke intelligens eller varig skade på hjernen. Det tester heller ikke AI som tutor.

Microsoft og CMU: tillid til AI hang sammen med mindre kritisk indsats

Hao-Ping Lee, Advait Sarkar og fem medforfattere spurgte 319 vidensarbejdere om deres brug af AI. De samlede 936 eksempler fra arbejdet. Studiet blev udgivet på CHI i 2025.

Høj tillid til AI hang sammen med mindre kritisk tænkning i folks egne beskrivelser. Høj tillid til egen evne til opgaven hang sammen med mere. Arbejdet med at tænke kritisk flyttede også mod at tjekke svar og sætte dem ind i en sammenhæng.

Det er relevant for arbejdspladser, men det er en undersøgelse af egne svar. Det er ikke en prøve af folks evner over tid. Man kan ikke bruge det til at sige, at Microsoft har bevist, at AI gør mennesker dummere.

Hvad kan vi bruge resultaterne til?

Der er grund til at tage risikoen for mindre øvelse alvorligt. Der er også grund til at prøve AI som lærer. Forsøgene peger på, at designet betyder noget. En tutor med stof fra fagfolk og plads til egne forsøg er noget andet end fri adgang til løsninger.

De fleste forsøg her handler om elever og studerende. Overført til en voksen på et dansk kontor er de et fagligt afsæt, ikke en garanti. Mål derfor på den opgave, du selv vil kunne løse.

Et gennemgående eksempel: lær en formel i et regneark

Det her er et konstrueret eksempel. Vi antager, at du vil lære en sum med én betingelse. Du har en tabel med ordrer og vil finde summen for én kunde. Brug programmets egen guide som kilde, så navne og tegn passer til din version.

Først beder du AI vise en lille tabel og forklare princippet med ord. Du svarer på, hvilke rækker der skal med i summen. Før du skriver en formel, ved du derfor, hvilket tal du forventer at få.

Så får du en ny tabel. Nu skal du selv skrive formlen og forklare dens dele. Hvis den rammer forkert, skal AI give et hint til den del, du bør tjekke. Den skal ikke straks udskifte hele formlen.

Til sidst ændres opgaven lidt. Kunden skifter navn, eller området får en ekstra række. Du skal selv vurdere, om formlen stadig gør det rigtige. Kør den i programmet og tjek resultatet. Modellens ros er ikke kontrollen.

Næste dag bygger du et nyt lille ark uden chatten. Kan du forklare og bruge princippet der, har du et mere konkret tegn på læring end et flot svar fra dagen før.

Når læreren selv kan tage fejl

En AI kan forklare noget forkert med rolig stemme og pæne eksempler. Den kan også stille et spørgsmål, der bygger på en fejl. Spørgeformen gør ikke modellen mere sandfærdig.

Giv den derfor et grundlag, du kan vende tilbage til. Bed om at få vist det afsnit, som en rettelse bygger på. Tjek, at afsnittet findes og støtter rettelsen. Et link er ikke nok, hvis indholdet siger noget andet.

Brug en lille opgave, hvor resultatet kan ses. En formel kan køres. En forklaring kan sammenholdes med en kilde. En udtale kan vurderes af nogen, der taler sproget. Hvor du ikke selv kan tjekke, får du brug for en fagperson.

Når AI roser alt

Hvis modellen siger “præcis” til et forkert svar, bliver øvelsen misvisende. Bed om en konkret vurdering: Hvad var korrekt? Hvor er fejlen? Hvad i kilden støtter rettelsen? Bed derefter om en ny opgave, så du kan prøve igen.

Du behøver ikke en hård tone. Du har brug for klar feedback. En venlig lærer kan godt sige, at et svar er forkert.

Når AI kun spørger

Hvis du aldrig har hørt om emnet, kan ti spørgsmål føles som en gætteleg. Bed om en kort forklaring og et gennemgået eksempel. Derefter kan du prøve selv. Målet er passende støtte, så du kan tage det næste trin.

Når øvelserne bliver for lette

Bed om et nyt eksempel, hvor du skal vælge metode selv. Ikke bare samme opgave med et andet navn. Forklar, hvad du valgte og hvorfor. Det gør det sværere blot at følge et mønster fra den seneste forklaring.

Når AI mangler kilden

Hvis materialet ikke svarer på spørgsmålet, skal modellen sige det. Den kan hjælpe dig med at finde en kilde. Men du skal ikke fortsætte en hel lektion på en forklaring, som ingen har tjekket.

Det er også her, grænsen fra guiden om hybrid intelligens bliver konkret. Du må gerne lære nyt med AI. Men du har brug for et fagligt grundlag og nogen eller noget, der kan hjælpe dig med at opdage fejl.

Hvis I vil bruge metoden på arbejdet

Start med et emne, hvor en fejl i øvelsen er til at rette. Brug et stofområde, som en kollega kan tjekke. Det kan være et trin i et system, en fagtekst eller et begreb, I ofte bruger forskelligt.

Lad den, der lærer, gøre arbejdet synligt. Vedkommende kan forklare en metode, rette en fejl eller vise en opgave uden hjælp. Tæl ikke blot chats og lektioner. De siger mindre om, hvad personen nu kan.

Brug kun stof, I må dele i det valgte AI-værktøj. Har I interne manualer, så følg jeres regler for dem. Øvelser kan ofte laves med små fiktive eksempler, så I får træningen uden rigtige kundedata.

AI kan give mere øvelse mellem samtaler med en kollega. Den erstatter ikke den del af oplæring, hvor nogen ser dig udføre arbejdet og hjælper med det, som manualen ikke beskriver.

Prøv metoden på én ting i denne uge

Vælg en lille opgave. Find en kilde, du stoler på. Brug prompten i denne guide, og arbejd med en forklaring, dit eget forsøg og feedback. Slut, mens du stadig kan overskue emnet.

Gem tre korte linjer: Det kunne jeg selv. Det lavede jeg fejl i. Det vil jeg prøve igen. Notér også kilden, så du kan finde tilbage til den.

Næste dag starter du uden chatten. Prøv en ny opgave, og forklar metoden. Åbn først samtalen bagefter. Brug den til at arbejde med det, der stadig driller. Så bliver AI en hjælp til din øvelse, og du kan selv se, om den fører et sted hen.

Kilder og videre læsning

Værktøjer og kilder er tjekket den 20. oktober 2026. Menuer kan ændre sig. Her kan du finde de enkelte studier og læse om hvert værktøj.

• Matt Pococks repo med skills og teach i den tjekkede version. Instruktioner, ikke et studie af effekten.
• OpenAI: Using study mode in ChatGPT. Aktuel vejledning til adgang og brug.
• Anthropic: Introducing Claude for Education. Beskriver Learning mode ved lanceringen i 2025.
• Ethan og Lilach Mollick: Assigning AI, 2023. Roller og prompts til at lære med AI.
• Bastani m.fl.: Generative AI without guardrails can harm learning, PNAS, 2025. Forsøget med matematik i Tyrkiet.
• Kestin m.fl.: AI tutoring outperforms in-class active learning, Scientific Reports, 2025. Forsøget med fysik på Harvard.
• De Simone m.fl.: From Chalkboards to Chatbots, Verdensbanken, 2025, revideret december 2025. Arbejdspapir om forløbet i Nigeria.
• Kosmyna m.fl.: Your Brain on ChatGPT, 2025. Preprint om essayhjælp, EEG og egne tekster.
• Lee m.fl.: The Impact of Generative AI on Critical Thinking, CHI, 2025. Egne beskrivelser fra 319 vidensarbejdere.
• Roediger og Karpicke: Test-enhanced learning, 2006. Om at huske stof gennem egne forsøg.
• Dunlosky m.fl.: Improving Students’ Learning With Effective Learning Techniques, 2013. Gennemgang af blandt andet test og øvelse fordelt over tid.