Inden for blandt andet kommunikations- og medieforskningen i digitale medier har affordancebegrebet fyldt en del, fordi det kan hjælpe os til at forstå relationen mellem teknologi, brug og kommunikationspraksisser. Derfor kan en “affordance”-tilgang måske hjælpe os med at forstå, hvordan brugen af generativ AI vil ændre vores kommunikationspraksisser og den måde, vi producerer digitalt indhold på. Derfor ser jeg i denne blogpost nærmere på, hvad forskerne indtil nu har sagt om generativ AIs affordancer.
Lad mig starte med at forklare hvad ”affordance”-begrebet dækker over. Det kan simplificeret oversættes til et designs iboende brugsmuligheder. F.eks. er en dør primært designet til at åbne og gå igennem (og holde varmen inde i et rum). Men den kan f.eks. også bruges som et bord, hvis den ligges ned (potentiel brug). Som led i brugen af døren, er dørhåndtaget designet til at blive trykket ned, så man kan åbne døren og gå igennem den, og designeren prøver gennem sin udformning af dørhåndtaget at kommunikere til brugeren, at det lige præcist er et tryk nedad, der er muligt.
Affordance-begrebet kan også anvendes på digitale teknologier, og både inden for HCI-forskningen og Medie- og Kommunikationsforskningen har man længe diskuteret, hvad de digitale teknologier, ikke mindst de sociale medie-platformes affordancer er. Inden for medieforskningen har man især fokus på hvilke kommunikative og sociale praksisser affordancer medfører. En væsentlig indsigt inden for affordance-forskningen er i tillæg, at man ikke bare kan forstå affordancer udelukkende fra et teknologisk perspektiv. En ”affordance” bliver først realiseret, når et menneske begynder at bruge en ting, og forskellige mennesker (eller dyr) bruger ting på forskellige måder. Det vil sige at affordance-teorien bygger på en relationel forståelse af brug. Et træ er ”kravlbart” hvilket placeringen af grenene signalerer til os, men et menneske på flugt og en løve på jagt udnytter denne ”kravlbarhed” på vidt forskellige måder. Hvis man ser på ”like-knappen” som et slags objekt med bl.a. affordancen ”at signalere man kan lide et stykke indhold”, så er der stor forskel på hvad ”liket” kommunikerer. At like din chefs indhold på LinkedIN, er noget andet end at like indholdet fra en person, du prøver at flirte med på Instagram. Her bliver man nødt til også at tage den sociale kontekst med for at forstå, hvad der er på spil.
Affordancer kan også forstås på et mere generelt niveau. Her har forskere som Danah Boyd (2010) og Treem og Leornardi (2013) peget på, at de sociale mediers affordancer blandt andet er, at indhold er persistent (bliver på nettet for evigt), at det er redigerbart, skalerbart (indhold kan deles og gå viralt) og ”kopierbart” (man kan genbruge andres indhold – med eller uden kreditering). ”Personalisering” af det indhold, man bliver præsenteret for, på baggrund af algoritmisk læsning af ens adfærdsmønster kan også ses som en affordance. I en analyse af en social medie platform og en bestemt brugergruppe, kan man derfor se på, hvordan f.eks. bevidstheden om, at indhold er ”persistent” eller at man ønsker, at indholdet skal give folk lyst til at dele det videre, påvirker den måde folk kommunikerer på. At forstå affordancer er dog ikke kun et spørgsmål om, hvad de muliggør af handlinger, men også hvilke handlinger, de begrænser eller udelukker. Som Davis i hans bog om affordancer skriver, så både opfordrer, afskrækker, afviser og tilader affordancer bestemte handlinger og sociale vaner (Davis 2020). Hvis man kun kan “like”, men ikke “dislike” eller “hade” indhold, begrænser det også, hvad man kan kommunikere til den person, hvis indhold man interagerer med.
Et logisk næste skridt i affordance-forskningen er at se på, hvad generativ AI-platformes (som f.eks. ChatGPT) affordancer er, og hvordan den påvirker den måde, vi forstår og producerer kommunikation på. Der er ikke så meget forskning i dette emne endnu, men i forbindelse med min undervisning på CBS dette semester, har jeg kigget på, hvad forskerne til nu har peget på som særlige affordancer for denne teknologi / dette værktøj. Hvis man skal syntetisere, hvad de peger på, er nedenstående blandt de specikke affordancer for generativ AI – jeg har selv tilføjet hallucinering. Nogle overlapper de karakteristika ved digitale netværkede medier, som jeg ovenfor har nævnt, andre er unikke.
Tilgængelighed (kan bruges døgnet rundt)
Personalisering (tilpasning til brugeres adfærdsmønstre og roller – fx man er en lærer)
Automatisering (af skabelsen af tekst, billeder og data analyse)
”Samskabelse” af indhold (gennem samtale og iterationer)
Samtidig søgning og kuratering (intelligent søgning og organisering af indhold, du leder efter)
Kontrollerbarhed/tilpasning (af den rolle, genAI skal udfylde, fx som forskningsassistent eller virtuel date)
Hallucinering (der opdigtes indhold, der ikke findes, for at opfylde brugerens ønsker)
Relationsskabelse (forholdet mellem genAI og brugeren udvikler sig over tid, særligt i fht ”dating” genAI)
Her er noget af det helt nye samtalen og samskabelsen som en radikal anderledes måde at genere indhold på. Vi mangler dog stadig forskning i, hvordan de generative AI værktøjers affordancer begrænser det indhold, der bliver skabt (bortset fra helt konkret censur af forbudt indhold). Helt overordnet vil jeg argumentere for, at hvor brugen af sociale medier i høj grad har handlet om kuratere både sin selvfremstilling og det indhold, man ønsker at blive præsenteret for, ligger de generative AI-værktøjer op til, at vi tænker på vores tilgang til digitalt indhold ud fra en ”instruktør”-metafor. Vi kommer ikke længere til at producere indhold alene, men vi instruerer gennem promts AI-en i, hvad den skal gøre for at producere det indhold, vi ønsker, hvorefter vi retter på den, indtil vi har fået det resultat (den performance) vi ønsker. Hvor ”redigerbarhed” har domineret vores kommunikative brug af socialt medie indhold, er det nu instruktioner og iterationer (gentagelsen) som affordancer, der dominerer den måde, vi tænker indholdsproduktion på.
Et interessant spørgsmål i forlængelse af diskussionen om generative AI værktøjers affordancer er, om vi overhovedet kan forstå relationen mellem menneske og AI-teknologier og affordance-begrebet på samme måde, som vi forstår relationen mellem f.eks. social medie-teknologi og os. Ahn (2025) argumenterer i sin artikel om Generativ AI som et “post-human tool” for, at genAI-værktøjer i princippet tilbyder os uendelige brugsmuligheder, og vi derfor må gentænke affordance-begrebet som ”the machine’s capacity to flesh out predicted user interests” (s.1). Vi får langt flere muligheder for at skabe indhold, samtidig med vi uden kontrol afgiver uendelig meget viden om os selv, når vi sidder i instruktørstolen.
Referencer
Ahn, S. (2025). Affordance of Generative AI: For a posthuman tool analysis. Convergence: The International Journal of Research into New Media Technologies.
Boyd, D. (2010). Social network sites as networked publics: Affordances, dynamics, and implications. In A networked self.
Davis, J. L. (2020). How artifacts afford: The power and politics of everyday things.
Humble, N., & Cajander, Å. (2025, January). Rethinking Generative AI in Human-Computer Interaction: Review of Affordances, Constraints, and Implications. In Proceedings of the 2nd International Conference on Education Research
Lee, C. S., Tan, L. E., & Goh, D. H. L. (2025). Examining generation Z’s use of generative AI from an affordance-based approach. Information Research an international electronic journal, 30.
Treem, J. W., & Leonardi, P. M. (2013). Social media use in organizations: Exploring the affordances of visibility, editability, persistence, and association.Annals of the International Communication Association, 36(1).
Wang, S., & Dehnert, M. (2026). On-Demand Intimacy: The Sociotechnical Appeal of AI Companions. Social Media + Society, 12(1)
Wang, N., Wang, X., & Su, Y. S. (2024). Critical analysis of the technological affordances, challenges and future directions of Generative AI in education: a systematic review.