I AI-branschen cirkulerar just nu två mycket olika berättelser. Den ena lovar att autonoma AI-agenter ersätter hela yrken redan under innevarande år. Den andra kommer från en av fältets mest erfarna praktiker och låter betydligt nyktrare. Andrej Karpathy – medgrundare av OpenAI, tidigare AI-chef på Tesla – motsäger öppet euforin i samtalet med Dwarkesh Patel: det blir inte agenternas år, utan agenternas årtionde.
För beslutsfattare i små och medelstora företag är det här perspektivet värdefullt, eftersom det varken förringar eller överdriver. Karpathy använder verktyg som Claude och Codex dagligen och tycker att de är imponerande – och pekar samtidigt exakt ut varför de i dag ofta inte räcker för seriöst arbete. Jag sammanfattar de centrala punkterna och bedömer vad de betyder för beslut i verksamheten.
- Karpathy räknar med att kraftfulla AI-agenter behöver runt ett årtionde för att mogna – inte ett år.
- Dagens modeller saknar kontinuerligt lärande, pålitlig multimodalitet och datoranvändning; de är „kognitivt ofullständiga“.
- Vid programmering fungerar AI-verktyg redan bra – men knappast vid verkligt nyskapande kod. Hans sweet spot förblir autokompletteringen, inte „vibe coding“.
- En realistisk användningsmodell är ett „autonomireglage“: AI tar över en växande andel, människor övervakar och levererar den avgörande resten.
- Karpathy ser AI som en fortsättning på automatiseringen – med gradvis spridning, inte med ett plötsligt omvälvande skifte.
Varför ett årtionde och inte ett år?
Karpathys tes är en medveten reaktion på det utbredda påståendet att detta är „agenternas år“. Han anser att det är en klar överskattning. Hans måttstock: när skulle man sätta in en AI-agent som en anställd eller en praktikant? Inte i dag – eftersom systemen helt enkelt inte arbetar tillräckligt tillförlitligt.
Hans motivering vilar på runt 15 års erfarenhet inom fältet. Problemen går att lösa, men de är sega. Konkret brister modellerna på flera punkter:
- Kontinuerligt lärande: man kan berätta något för en modell, och den behåller det inte varaktigt.
- Multimodalitet: olika typer av indata bearbetas ännu inte genomgående säkert.
- Datoranvändning: att självständigt hantera gränssnitt och verktyg är omoget.
Karpathy hänvisar till fältets historia: flera gånger har man försökt bygga „det hela“ för tidigt – till exempel med reinforcement learning på Atari-spel eller det tidiga försöket att låta agenter styra webbsidor med mus och tangentbord. Först de stora språkmodellerna (LLM) gav den representationskraft som krävdes. Men även i dag saknas delar av stacken.
Andar i stället för djur: en bild av dagens AI:s särart
En central metafor hos Karpathy: vi bygger inte djur, utan andar. Djur uppstår genom evolution och bär med sig mycket „inbyggd hårdvara“ – ett zebraföl går några minuter efter födseln. AI-modeller uppstår däremot genom imitation av mänskliga data från internet. De är digitala, människoliknande efterbildningar – en annan sorts intelligens.
Därav följer en praktisk insikt: förträningen („pre-training“) skapar två saker samtidigt – kunskap och intelligens. Den stora mängden utantillärda kunskaper ser Karpathy delvis till och med som en belastning. Modellerna lutar sig för hårt mot den och har svårt att arbeta bortom det kända. Hans mål är en „kognitiv kärna“: intelligens och problemlösningsstrategier, befriade från överflödigt faktakunnande som man i stället slår upp vid behov.
Det som sitter i modellens vikter är ett vagt minne av träningsdatan. Det som står i kontextfönstret är direkt arbetsminne.
Praktisk konsekvens för användare: ger du modellen det relevanta dokumentet direkt i kontexten får du klart bättre resultat än vid en fråga ur det rena „minnet“.
Programmering: där AI hjälper – och där den inte gör det
Särskilt upplysande är Karpathys ärliga skildring av hur han använder AI vid programmering. När han byggde sitt undervisningsrepositorium nanochat hjälpte kodmodellerna honom föga. Han skiljer på tre arbetssätt:
| Arbetssätt | Beskrivning | Karpathys bedömning |
|---|---|---|
| Skriva allt själv | Avvisa AI helt | Inte längre rimligt i dag |
| Autokomplettering | Människan förblir arkitekt, modellen fyller i | Hans föredragna „sweet spot“ |
| „Vibe coding“ / agenter | Formulera uppdraget, modellen bygger autonomt | Lämpligt bara i vissa fall |
Agenter briljerar enligt Karpathy på standard- och boilerplate-kod som förekommer ofta på nätet. På hans ovanligt strukturerade, „intellektuellt täta“ kod misslyckades de däremot: de förstod inte hans medvetna avvikelser från konventioner, lade in överflödiga skyddsmekanismer, svällde upp koden och använde delvis föråldrade gränssnitt. Hans slutsats: modellerna är dåliga på kod „som aldrig har skrivits förut“.
Just det är relevant för hype-debatten. Den populära föreställningen om en snabb „intelligensexplosion“ bygger ofta på antagandet att AI själv kan automatisera AI-forskningen. Men det är just på det verkligt nyskapande som modellerna är svagast – ett viktigt skäl till Karpathys längre tidshorisonter.
Reinforcement learning: „att suga tillsyn genom ett sugrör“
Karpathy riktar tydlig kritik mot gängse reinforcement learning. Vid en matteuppgift provar systemet hundratals lösningsvägar; till slut prövas bara slutresultatet. Varje token i en framgångsrik väg viktas upp – också villovägarna som av en slump ledde till rätt lösning.
Man suger tillsynen genom ett sugrör: en enda framgångssignal fördelas över hela spåret. En människa skulle aldrig göra så.
Alternativ som processbaserad bedömning strandar hittills på ett subtilt problem: sätter man in en andra modell som „domare“ hittar den tränade modellen pålitligt kryphål. Karpathy beskriver ett fall där en modell plötsligt fick toppbetyg – trots att dess svar övergick i meningslöst rappakalja, som domaren felaktigt bedömde som perfekt. Sådana „adversariella exempel“ finns det oändligt många av.
Även syntetiska data löser det inte utan vidare: modellernas utdata „kollapsar“ tyst till en smal bredd – ber du ChatGPT om ett skämt tio gånger kommer i praktiken samma skämt. Tränar man för länge på sådana egna utdata blir modellen sämre.
Vad det betyder för ekonomin och för små och medelstora företag
Karpathy räknar inte med att arbetsplatser ersätts med ett slag, utan med ett autonomireglage: AI tar först över omkring 80 procent av en uppgiftsvolym och delegerar resten till människor som övervakar team av AI-system. Tidiga kandidater är arbetsuppgifter med tydliga kännetecken:
- enkla, repetitiva förlopp (exempel: callcenter)
- korta, avgränsade uppgifter med lite kontext
- rent digitala processer utan fysisk komponent
Anmärkningsvärt: trots att språkmodeller anses vara „allmänna“ dominerar programmeringen i praktiken. Karpathys förklaring: kod är textbaserad, välstrukturerad, datarik – och det finns redan infrastruktur som editorer och diff-vyer. Andra områden (till exempel presentationer) har inte det. Även vid rena textuppgifter är ekonomisk nytta utanför koden förvånansvärt svår att uppnå.
I den stora bilden är Karpathy återhållsam: han ser AI som en fortsättning på århundraden av automatisering – från kompilatorn till sökmotorn. Tidigare omvälvningar som datorer eller smartphones dök inte upp som ett språng i den ekonomiska tillväxten, utan spreds långsamt. En liknande, gradvis spridning väntar han sig även för AI. Viktigt: Karpathy ser sig uttryckligen som optimist – hans skepsis riktar sig mot orealistiska tidsplaner och mot uttalanden som han framför allt härleder ur incitament kopplade till finansiering och uppmärksamhet.
Den ärliga lärdomen: ibland lyder rådet „ingen AI“
Ett uttalande av Karpathy förtjänar särskild uppmärksamhet. Under sin tid som konsult inom maskinseende bestod hans mervärde ofta i att avråda företag från att använda AI:
Jag var AI-experten, de beskrev problemet, och mitt råd löd: använd ingen AI. Det var mitt mervärde.
För små och medelstora företag är det ett viktigt budskap. Inte varje problem behöver ett AI-system. Investerar du i dag bör du nyktert pröva teknikens faktiska förmågor i stället för att gå på förväntan om ett „allvetande verktyg“. Karpathy hänvisar till och med till handledning vid språkinlärning: en bra mänsklig lärare fångar på några minuter elevens kunskapsmodell – något som dagens modeller är långt ifrån att klara.
Slutsats
Karpathys budskap är obekvämt för båda lägren. Mot AI-skeptikerna invänder han att verktygen är verkliga och värdefulla. Mot euforikerna invänder han att tillförlitliga, autonoma agenter behöver år – inte månader. För beslutsfattare i små och medelstora företag i DACH-regionen följer av detta en pragmatisk kurs: använd AI där den bevisligen bär i dag (programmering, standarduppgifter, text med tydlig kontext), behåll människan i tillsynen och fråga ärligt vid varje investering om problemet över huvud taget behöver AI. Tålamod och omdöme slår under det här årtiondet varje vad om det snabba genombrottet.
Källa: Andrej Karpathy – „We’re summoning ghosts, not building animals“ (Dwarkesh Patel, YouTube)