Karpathy-metoden: använd AI 10× effektivare

Andrej Karpathy – medgrundare av OpenAI och tidigare AI-chef på Tesla – förklarar sedan en tid i föredrag och intervjuer varför de flesta använder AI på fel sätt. Inte för att de övar för lite, utan för att de missförstår verktyget. Hans metod för att arbeta betydligt snabbare med AI går att bryta ned i tre lager: spec, verifiering och miljö. Här är vad som faktiskt ligger bakom – utan hype, men till att pröva själv.

Varför AI misslyckas med enkla frågor

Karpathy tar ett enkelt exempel: „Jag ska till biltvätten, den ligger 50 meter bort. Ska jag köra eller gå?“ Dagens toppmodeller – Claude, Gemini, Grok, ChatGPT – svarar alla: gå, det är ju så nära. Fel. För att tvätta bilen behöver du nämligen bilen på plats.

Det är hela kärnan: AI är briljant på allt som går att mäta – och blind för allt som kräver kontext. Ditt mål, dina ramvillkor, din magkänsla: om det har AI:n ingen signal. Uppgiften består alltså inte i att „prompta bättre“, utan i att sluta glappet mellan din förståelse och AI:ns räknekraft. Det är precis det de tre lagren gör.

Lager 1: specen – din förståelse i användbar form

En spec är sättet du lämnar över din förståelse till AI:n – i ett format som den kan göra något av. Det kända „planläget“ i Claude går i rätt riktning, men är för ytligt för Karpathy. Hans råd: utforma en verkligt detaljerad spec tillsammans med AI-verktyget. Så här lyckas det i tre steg.

1. Blotta det egentliga målet

„Skapa en månadsrapport“ är en uppgift. Målet är slutsatsen du drar, beslutet som rapporten utlöser. Vad målet är kan AI:n aldrig bestämma åt dig. Låt dig i stället bli intervjuad:

„Intervjua mig för att identifiera målet med det här projektet innan du börjar.“

2. Arbeta agilt, inte i vattenfall

De flesta slänger allt på AI:n på en gång (vattenfall) och hoppas på ett färdigt resultat. Bättre är agil speccing: snäv ram, tydlig checkpoint, granska resultatet, justera, upprepa. Så märker du tidigt när riktningen inte stämmer.

„Luta åt mindre, tydligare avgränsade specar med klara delresultat.“

3. Var precis – och tänk själv

Ju mer precis du är, desto mindre behöver AI:n anta. Och varje antagande är en chans att driva bort från det önskade resultatet. När AI:n skriver en spec åt dig, läs den kritiskt – med eget huvud.

„Låt mig uttryckligen bekräfta centrala beslut, så att inget förbises.“

Tre byggstenar, ett resultat: en snävt hållen, genomtänkt spec som passar ditt faktiska mål. Karpathy kallar det modern engineering – en hållning som framgent behövs av alla som arbetar seriöst med AI.

Lager 2: verifieraren – låt AI:n granska sitt eget arbete

Det mest frustrerande med AI är att granska resultatet. För att förstå varför hjälper Karpathys mentala modell. Han talar om „djur“ kontra „andar“: människor är som djur – med motiv och känslor. Säger du till någon „bli SEO-proffs på 14 dagar annars får du sparken“ hittar personen en väg. AI fungerar annorlunda.

En tydligare bild: tänk dig AI:n som en robotbibliotekarie. Den besvarar frågor enbart utifrån böckerna i sitt bibliotek. Saknas en bok kan den inte hjälpa – och märker det ofta inte. Därför glänser den på matematik och snubblar på kontext: där tydliga svar står i biblioteket är den briljant, där de inte gör det har den självsäkert fel. Att skrika, tigga eller säga „gör det bättre“ hjälper inte. Den enda verkliga hävstången är verifieringen. Tre ansätser:

• Bestäm bedömningskriterierna i förväg. I stället för „gör rapporten bra“: „Rapporten har tre avsnitt, vart och ett avslutas med en rekommendation.“ Ju mer precist i förväg, desto mindre utrymme för fel.
• En andra modell som kritiker. En andra bibliotekarie från ett annat bibliotek bedömer den förstas resultat. I Claude Code går det till exempel att använda Codex-pluginet: „Om det här blir ett komplext bygge, låt Codex kontrollera slutresultatet.“
• Koppla in externa signaler. Anslut AI:n till det system som känner sanningen – till exempel deploymentmiljön, för att bekräfta att något verkligen levererats. Eller skicka med gamla rapporter som referensformat.

Boris Cherney, uppfinnaren av Claude Code, sätter fingret på det: har Claude en feedbackslinga fördubblar till tredubblar det kvaliteten på slutresultatet.

„Skissa upp de bedömningskriterier som du säkerställer ett högkvalitativt slutresultat med. Var precis. Där det är rimligt, ta in en andra modell eller externa data för kontroll.“

Lager 3: miljön – verkstadsgolvet som allt står på

Spec och verifiering behöver en plats att leva på: miljön där du bygger. Tänk dig en verkstad – specen är ritningen på väggen, verifieraren kvalitetskontrollen vid dörren, och miljön är själva verkstaden. Problemet: de flesta bygger från noll varje gång. Så här inreder du i stället en arbetsplats som blir bättre med tiden:

• En ren CLAUDE.md-fil. Den laddas automatiskt med vid varje prompt – det första Claude läser. Exempel: „Innan du bygger något flerstegs, lägg till en verifieringsplan.“ Då är granskningen påtvingad, inte valfri.
• En egen kunskapsbas (LLM knowledge base). Ett mappsystem med dina egna data som AI:n lätt söker igenom. Dina data är din vallgrav – här börjar din immateriella tillgång.
• Återanvändbara Skills. Tumregel: det du gör upprepade gånger blir ett Skill – en handbok för en konkret uppgift. „Bästa sättet att hitta en läcka i slangen är att låta vatten rinna igenom.“ Ju mer du använder Skills, desto bättre blir de.
• Riktiga regler i stället för önskemål. En mening i CLAUDE.md („hitta inte på“) är ett önskemål som AI:n kan ignorera. Det som är kritiskt ska tvingas fram på verktygsnivå – t. ex. en pre-tool-use-hook som hårt skyddar vissa filer.

Sortera dina åtgärder i tre korgar: alltid tillåtet (går på autopilot), fråga först (dubbelkolla) och aldrig (gränser som inte får överskridas). Gör miljön till din värld – AI:n lever i den, inte tvärtom.

Det enda som verkligen räknas

„Du kan lägga ut ditt tänkande – men inte din förståelse.“
– Andrej Karpathy

Alla tre lager kretsar kring exakt det: din förståelse av den större bilden. Du måste känna dina mål och veta vad som krävs för att styra AI:n i rätt riktning. Verktyg blir billigare – förståelse förblir en bristvara.

Slutsats

„Prompta bättre“ är fel fråga. Den som verkligen blir snabbare och bättre med AI bygger ett system: en precis spec som utgår från målet, en verifiering som tvingar fram kvalitet, och en miljö som växer med varje användning. Det är ingen magi och ingen hype – utan rent arbete där du behåller huvudet. Precis så rådger jag också: ärligt, mätbart, utan AI-hype. Vill du sätta upp det i ditt företag pratar vi om saken.

Att ta med sig

Hela metoden som kompakta underlag – perfekt att spara och dela i teamet:

Källa: „Stop Prompting Claude. Use Karpathy’s Method Instead.“ av Austin Marchese (YouTube). Fritt sammanfattat och översatt till svenska.