Karpathy-metoden: brug AI 10× mere effektivt

Andrej Karpathy – medstifter af OpenAI og tidligere AI-chef hos Tesla – har længe forklaret i foredrag og interviews, hvorfor de fleste bruger AI forkert. Ikke fordi de øver for lidt, men fordi de misforstår værktøjet. Hans metode til at arbejde markant hurtigere med AI kan brydes ned i tre lag: spec, verificering og miljø. Her er, hvad der reelt ligger bag – uden hype, til gengæld til at gå i gang med.

Hvorfor AI fejler ved simple spørgsmål

Karpathy nævner et simpelt eksempel: „Jeg skal til vaskehallen, den ligger 50 meter væk. Skal jeg køre eller gå?“ Nutidens topmodeller – Claude, Gemini, Grok, ChatGPT – svarer alle: gå, det er jo lige om hjørnet. Forkert. For for at vaske bilen skal du have bilen med.

Det er hele kernen: AI er brillant til alt, der kan måles – og blind over for alt, der kræver kontekst. Dit mål, dine rammebetingelser, din mavefornemmelse: dem har AI’en intet signal om. Opgaven består altså ikke i at „prompte bedre“, men i at lukke hullet mellem din forståelse og AI’ens regnekraft. Netop det klarer de tre lag.

Lag 1: spec’en – din forståelse i brugbar form

En spec er måden, hvorpå du overleverer din forståelse til AI’en – i et format, den kan bruge til noget. Den kendte „plan mode“ i Claude går i den rigtige retning, men er for overfladisk for Karpathy. Hans råd: udarbejd en virkelig detaljeret spec sammen med AI-værktøjet. Sådan lykkes det i tre skridt.

1. Afdæk det egentlige mål

„Lav en månedsrapport“ er en opgave. Målet er den slutning, du drager, den beslutning, rapporten udløser. Hvad målet er, kan AI’en aldrig fastlægge for dig. Lad dig i stedet interviewe:

„Interview mig for at identificere målet med dette projekt, før du går i gang.“

2. Arbejd agilt, ikke i vandfald

De fleste smider alt til AI’en på én gang (vandfald) og håber på det færdige resultat. Bedre er agil speccing: snæver ramme, klart checkpoint, tjek resultatet, justér, gentag. Sådan opdager du tidligt, når retningen er forkert.

„Hæld mod mindre, klarere afgrænsede specs med tydelige delresultater.“

3. Vær præcis – og tænk selv med

Jo mere præcis du er, desto mindre skal AI’en antage. Og hver antagelse er en chance for at drive væk fra det ønskede resultat. Skriver AI’en en spec for dig, så læs den kritisk – med din egen hjerne.

„Lad mig udtrykkeligt bekræfte centrale beslutninger, så intet bliver overset.“

Tre byggeklodser, ét resultat: en stramt afgrænset, gennemtænkt spec, der passer til dit faktiske mål. Karpathy kalder det modern engineering – en holdning, som fremover er nødvendig for alle, der arbejder seriøst med AI.

Lag 2: verificeringen – lad AI’en kontrollere sit eget arbejde

Det mest frustrerende ved AI er at kontrollere resultatet. Karpathys mentale model hjælper med at forstå hvorfor. Han taler om „dyr“ over for „ånder“: mennesker er som dyr – med motiver og følelser. Siger du til nogen „bliv SEO-professionel på 14 dage, ellers er du fyret“, finder personen en vej. AI fungerer anderledes.

Et mere anskueligt billede: forestil dig AI’en som en robotbibliotekar. Den besvarer kun spørgsmål ud fra bøgerne i sit bibliotek. Mangler en bog, kan den ikke hjælpe – og opdager det ofte ikke. Derfor glimrer den i matematik og snubler over kontekst: hvor der står klare svar i biblioteket, er den brillant; hvor der ikke gør, tager den selvsikkert fejl. At råbe, tigge eller sige „gør det bedre“ hjælper ikke. Det eneste reelle greb er verificering. Tre angrebspunkter:

• Fastlæg bedømmelseskriterier på forhånd. I stedet for „lav en god rapport“: „Rapporten har tre afsnit, og hvert afsnit slutter med en anbefaling.“ Jo mere præcist på forhånd, desto mindre plads til fejl.
• En anden model som kritiker. En anden bibliotekar fra et andet bibliotek bedømmer den førstes resultat. I Claude Code kan man f.eks. bruge Codex-plugin’et: „Bliver det et komplekst build, så lad Codex efterprøve slutresultatet.“
• Inddrag eksterne signaler. Forbind AI’en med det system, der kender sandheden – f.eks. deployment-miljøet, for at bekræfte, at der faktisk blev udrullet. Eller giv gamle rapporter med som referenceformat.

Boris Cherney, opfinderen af Claude Code, siger det kort: har Claude en feedback-sløjfe, fordobler til tredobler det kvaliteten af slutresultatet.

„Skitsér de bedømmelseskriterier, du sikrer et resultat af høj kvalitet med. Vær præcis. Hvor det giver mening, så inddrag en anden model eller eksterne data til kontrollen.“

Lag 3: miljøet – værkstedsgulvet, det hele står på

Spec og verificering skal have et sted at leve: miljøet, du bygger i. Tænk på et værksted – spec’en er byggetegningen på væggen, verificeringen er kvalitetskontrollen ved døren, og miljøet er selve værkstedet. Problemet: de fleste starter forfra hver gang. Sådan indretter du i stedet en arbejdsplads, der bliver bedre med tiden:

• En ren CLAUDE.md-fil. Den indlæses automatisk ved hver prompt – det første, Claude læser. Eksempel: „Før du bygger noget flertrinnet, så tilføj en verificeringsplan.“ Sådan er kontrollen påtvunget, ikke valgfri.
• Et eget videngrundlag (LLM knowledge base). Et mappesystem med dine egne data, som AI’en let gennemsøger. Dine data er din voldgrav – her begynder din intellektuelle ejendom.
• Genbrugelige Skills. Tommelfingerregel: det, du gør gentagne gange, bliver en Skill – en manual til en konkret opgave. „Den bedste måde at finde en lækage i slangen på er at lade vandet løbe igennem.“ Jo mere du bruger Skills, desto bedre bliver de.
• Rigtige regler i stedet for bønner. En sætning i CLAUDE.md („lad være med at opfinde“) er en bøn, AI’en kan ignorere. Det, der er kritisk, skal påtvinges på tool-niveau – f. eks. et pre-tool-use-hook, der hårdt beskytter bestemte filer.

Sortér dine handlinger i tre kurve: altid tilladt (kører på autopilot), spørg først (efterprøv) og aldrig (grænser, der ikke må overskrides). Gør miljøet til din verden – AI’en lever i det, ikke omvendt.

Det ene, det kommer an på

„Du kan lægge din tænkning ud – men ikke din forståelse.“
– Andrej Karpathy

Alle tre lag handler om netop det: din forståelse af det store billede. Du skal kende dine mål og vide, hvad der skal til for at styre AI’en i den rigtige retning. Værktøjer bliver billigere – forståelse forbliver en knap ressource.

Konklusion

„Prompt bedre“ er det forkerte spørgsmål. Den, der virkelig bliver hurtigere og bedre med AI, bygger et system: en præcis spec, der tager udgangspunkt i målet; en verificering, der gennemtvinger kvalitet; og et miljø, der vokser for hver brug. Det er hverken magi eller hype – men rent arbejde, hvor du beholder hovedet koldt. Præcis sådan rådgiver jeg også: ærligt, målbart, uden AI-hype. Vil du sætte det op i din virksomhed, så lad os tale om det.

Til at tage med

Hele metoden som kompakt materiale – ideelt til at gemme og dele i teamet:

Kilde: „Stop Prompting Claude. Use Karpathy’s Method Instead.“ af Austin Marchese (YouTube). Frit sammenfattet og oversat til dansk.