{"id":2427,"date":"2026-06-09T13:25:00","date_gmt":"2026-06-09T11:25:00","guid":{"rendered":"https:\/\/pletzenauer.com\/?p=2427"},"modified":"2026-08-05T17:25:32","modified_gmt":"2026-08-05T15:25:32","slug":"karpathy-metoden-brug-ai-rigtigt","status":"publish","type":"post","link":"https:\/\/pletzenauer.com\/da\/2026\/06\/09\/karpathy-metoden-brug-ai-rigtigt\/","title":{"rendered":"Karpathy-metoden: brug AI 10\u00d7 mere effektivt"},"content":{"rendered":"

<\/p>\n

Andrej Karpathy – medstifter af OpenAI og tidligere AI-chef hos Tesla – har l\u00e6nge forklaret i foredrag og interviews, hvorfor de fleste bruger AI forkert.<\/strong> Ikke fordi de \u00f8ver for lidt, men fordi de misforst\u00e5r v\u00e6rkt\u00f8jet. Hans metode til at arbejde markant hurtigere med AI kan brydes ned i tre lag: spec<\/em>, verificering<\/em> og milj\u00f8<\/em>. Her er, hvad der reelt ligger bag – uden hype, til geng\u00e6ld til at g\u00e5 i gang med.<\/p>\n

\n

Det vigtigste kort fortalt<\/p>\n

    \n
  • AI er brillant til det m\u00e5lbare og blind over for kontekst.<\/strong> Den kender ikke dit m\u00e5l – det skal du levere.<\/li>\n
  • Lag 1 – spec:<\/strong> afklar f\u00f8rst m\u00e5let, arbejd derefter i sm\u00e5 skridt (agilt) og pr\u00e6cist.<\/li>\n
  • Lag 2 – verificering:<\/strong> fastl\u00e6g bed\u00f8mmelseskriterier p\u00e5 forh\u00e5nd, brug en anden model som kritiker, inddrag eksterne signaler.<\/li>\n
  • Lag 3 – milj\u00f8:<\/strong> CLAUDE.md, eget videngrundlag, genbrugelige Skills og rigtige guardrails.<\/li>\n
  • Kernen:<\/strong> „Du kan l\u00e6gge din t\u00e6nkning ud – men ikke din forst\u00e5else.“<\/li>\n<\/ul>\n<\/div>\n
    \n \"Karpathy-metoden
    De tre lag i Karpathy-metoden i \u00e9t overblik.<\/figcaption><\/figure>\n

    Hvorfor AI fejler ved simple sp\u00f8rgsm\u00e5l<\/h2>\n

    Karpathy n\u00e6vner et simpelt eksempel: „Jeg skal til vaskehallen, den ligger 50 meter v\u00e6k. Skal jeg k\u00f8re eller g\u00e5?“ Nutidens topmodeller – Claude, Gemini, Grok, ChatGPT – svarer alle: g\u00e5, det er jo lige om hj\u00f8rnet<\/em>. Forkert. For for at vaske bilen<\/strong> skal du have bilen med.<\/p>\n

    Det er hele kernen: AI er brillant til alt, der kan m\u00e5les – og blind over for alt, der kr\u00e6ver kontekst.<\/strong> Dit m\u00e5l, dine rammebetingelser, din mavefornemmelse: dem har AI’en intet signal om. Opgaven best\u00e5r alts\u00e5 ikke i at „prompte bedre“, men i at lukke hullet mellem din forst\u00e5else og AI’ens regnekraft. Netop det klarer de tre lag.<\/p>\n

    Lag 1: spec’en – din forst\u00e5else i brugbar form<\/h2>\n

    En spec er m\u00e5den, hvorp\u00e5 du overleverer din forst\u00e5else til AI’en – i et format, den kan bruge til noget. Den kendte „plan mode“ i Claude g\u00e5r i den rigtige retning, men er for overfladisk for Karpathy. Hans r\u00e5d: udarbejd en virkelig detaljeret spec<\/strong> sammen med AI-v\u00e6rkt\u00f8jet. S\u00e5dan lykkes det i tre skridt.<\/p>\n

    1. Afd\u00e6k det egentlige m\u00e5l<\/h3>\n

    „Lav en m\u00e5nedsrapport“ er en opgave<\/em>. M\u00e5let<\/em> er den slutning, du drager, den beslutning, rapporten udl\u00f8ser. Hvad m\u00e5let er, kan AI’en aldrig fastl\u00e6gge for dig. Lad dig i stedet interviewe:<\/p>\n

    „Interview mig for at identificere m\u00e5let med dette projekt, f\u00f8r du g\u00e5r i gang.“<\/p><\/blockquote>\n

    2. Arbejd agilt, ikke i vandfald<\/h3>\n

    De fleste smider alt til AI’en p\u00e5 \u00e9n gang (vandfald) og h\u00e5ber p\u00e5 det f\u00e6rdige resultat. Bedre er agil speccing<\/strong>: sn\u00e6ver ramme, klart checkpoint, tjek resultatet, just\u00e9r, gentag. S\u00e5dan opdager du tidligt, n\u00e5r retningen er forkert.<\/p>\n

    „H\u00e6ld mod mindre, klarere afgr\u00e6nsede specs med tydelige delresultater.“<\/p><\/blockquote>\n

    3. V\u00e6r pr\u00e6cis – og t\u00e6nk selv med<\/h3>\n

    Jo mere pr\u00e6cis du er, desto mindre skal AI’en antage. Og hver antagelse er en chance for at drive v\u00e6k fra det \u00f8nskede resultat. Skriver AI’en en spec for dig, s\u00e5 l\u00e6s den kritisk – med din egen hjerne.<\/p>\n

    „Lad mig udtrykkeligt bekr\u00e6fte centrale beslutninger, s\u00e5 intet bliver overset.“<\/p><\/blockquote>\n

    Tre byggeklodser, \u00e9t resultat: en stramt afgr\u00e6nset, gennemt\u00e6nkt spec, der passer til dit faktiske m\u00e5l. Karpathy kalder det modern engineering<\/em> – en holdning, som fremover er n\u00f8dvendig for alle, der arbejder seri\u00f8st med AI.<\/p>\n

    Lag 2: verificeringen – lad AI’en kontrollere sit eget arbejde<\/h2>\n

    Det mest frustrerende ved AI er at kontrollere resultatet. Karpathys mentale model hj\u00e6lper med at forst\u00e5 hvorfor. Han taler om „dyr“ over for „\u00e5nder“: mennesker er som dyr – med motiver og f\u00f8lelser. Siger du til nogen „bliv SEO-professionel p\u00e5 14 dage, ellers er du fyret“, finder personen en vej. AI fungerer anderledes.<\/p>\n

    Et mere anskueligt billede: forestil dig AI’en som en robotbibliotekar<\/strong>. Den besvarer kun sp\u00f8rgsm\u00e5l ud fra b\u00f8gerne i sit bibliotek. Mangler en bog, kan den ikke hj\u00e6lpe – og opdager det ofte ikke. Derfor glimrer den i matematik og snubler over kontekst: hvor der st\u00e5r klare svar i biblioteket, er den brillant; hvor der ikke g\u00f8r, tager den selvsikkert fejl. At r\u00e5be, tigge eller sige „g\u00f8r det bedre“ hj\u00e6lper ikke. Det eneste reelle greb er verificering<\/strong>. Tre angrebspunkter:<\/p>\n