{"id":2416,"date":"2026-06-09T13:25:00","date_gmt":"2026-06-09T11:25:00","guid":{"rendered":"https:\/\/pletzenauer.com\/?p=2416"},"modified":"2026-08-05T17:25:27","modified_gmt":"2026-08-05T15:25:27","slug":"karpathy-metoden-anvand-ai-ratt","status":"publish","type":"post","link":"https:\/\/pletzenauer.com\/sv\/2026\/06\/09\/karpathy-metoden-anvand-ai-ratt\/","title":{"rendered":"Karpathy-metoden: anv\u00e4nd AI 10\u00d7 effektivare"},"content":{"rendered":"
<\/p>\n
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.<\/strong> 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<\/em>, verifiering<\/em> och miljö<\/em>. Här är vad som faktiskt ligger bakom – utan hype, men till att pröva själv.<\/p>\n
\n
Det viktigaste i korthet<\/p>\n
\n
AI är briljant på det mätbara, blind för kontexten.<\/strong> Den känner inte ditt mål – det måste du leverera.<\/li>\n
Lager 1 – spec:<\/strong> klargör först målet, arbeta sedan i små steg (agilt) och precist.<\/li>\n
Lager 2 – verifiering:<\/strong> bestäm bedömningskriterierna i förväg, använd en andra modell som kritiker, koppla in externa signaler.<\/li>\n
Lager 3 – miljö:<\/strong> CLAUDE.md, egen kunskapsbas, återanvändbara Skills och riktiga guardrails.<\/li>\n
Kärnan:<\/strong> „Du kan lägga ut ditt tänkande – men inte din förståelse.“<\/li>\n<\/ul>\n<\/div>\n\n Karpathy-metodens tre lager i en överblick.<\/figcaption><\/figure>\n
Varför AI misslyckas med enkla frågor<\/h2>\n
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<\/em>. Fel. För att tvätta bilen<\/strong> behöver du nämligen bilen på plats.<\/p>\n
Det är hela kärnan: AI är briljant på allt som går att mäta – och blind för allt som kräver kontext.<\/strong> 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.<\/p>\n
Lager 1: specen – din förståelse i användbar form<\/h2>\n
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<\/strong> tillsammans med AI-verktyget. Så här lyckas det i tre steg.<\/p>\n
1. Blotta det egentliga målet<\/h3>\n
„Skapa en månadsrapport“ är en uppgift<\/em>. Målet<\/em> är slutsatsen du drar, beslutet som rapporten utlöser. Vad målet är kan AI:n aldrig bestämma åt dig. Låt dig i stället bli intervjuad:<\/p>\n
„Intervjua mig för att identifiera målet med det här projektet innan du börjar.“<\/p><\/blockquote>\n
2. Arbeta agilt, inte i vattenfall<\/h3>\n
De flesta slänger allt på AI:n på en gång (vattenfall) och hoppas på ett färdigt resultat. Bättre är agil speccing<\/strong>: snäv ram, tydlig checkpoint, granska resultatet, justera, upprepa. Så märker du tidigt när riktningen inte stämmer.<\/p>\n
„Luta åt mindre, tydligare avgränsade specar med klara delresultat.“<\/p><\/blockquote>\n
3. Var precis – och tänk själv<\/h3>\n
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.<\/p>\n
„Låt mig uttryckligen bekräfta centrala beslut, så att inget förbises.“<\/p><\/blockquote>\n
Tre byggstenar, ett resultat: en snävt hållen, genomtänkt spec som passar ditt faktiska mål. Karpathy kallar det modern engineering<\/em> – en hållning som framgent behövs av alla som arbetar seriöst med AI.<\/p>\n
Lager 2: verifieraren – låt AI:n granska sitt eget arbete<\/h2>\n
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.<\/p>\n
En tydligare bild: tänk dig AI:n som en robotbibliotekarie<\/strong>. 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<\/strong>. Tre ansätser:<\/p>\n
\n
Bestäm bedömningskriterierna i förväg.<\/strong> 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.<\/li>\n
En andra modell som kritiker.<\/strong> 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.“<\/li>\n
Koppla in externa signaler.<\/strong> 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.<\/li>\n<\/ul>\n
Boris Cherney, uppfinnaren av Claude Code, sätter fingret på det: har Claude en feedbackslinga fördubblar till tredubblar det kvaliteten på slutresultatet.<\/strong><\/p>\n
„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.“<\/p><\/blockquote>\n
Lager 3: miljön – verkstadsgolvet som allt står på<\/h2>\n
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:<\/p>\n
\n
En ren CLAUDE.md-fil.<\/strong> 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.<\/li>\n
En egen kunskapsbas (LLM knowledge base).<\/strong> Ett mappsystem med dina egna data som AI:n lätt söker igenom. Dina data är din vallgrav<\/em> – här börjar din immateriella tillgång.<\/li>\n
Återanvändbara Skills.<\/strong> 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.<\/li>\n
Riktiga regler i stället för önskemål.<\/strong> 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.<\/li>\n<\/ul>\n
Sortera dina åtgärder i tre korgar: alltid tillåtet<\/strong> (går på autopilot), fråga först<\/strong> (dubbelkolla) och aldrig<\/strong> (gränser som inte får överskridas). Gör miljön till din värld – AI:n lever i den, inte tvärtom.<\/p>\n\n Lager 3: sortera åtgärder i tre guardrail-korgar.<\/figcaption><\/figure>\n
Det enda som verkligen räknas<\/h2>\n
„Du kan lägga ut ditt tänkande – men inte din förståelse.“ – Andrej Karpathy<\/span><\/p><\/blockquote>\n
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.<\/p>\n
Slutsats<\/h2>\n
„Prompta bättre“ är fel fråga. Den som verkligen blir snabbare och bättre med AI bygger ett system<\/strong>: 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.<\/p>\n
Att ta med sig<\/h2>\n
Hela metoden som kompakta underlag – perfekt att spara och dela i teamet:<\/p>\n
\n
\n
📄 Gratis nedladdning<\/p>\n
Karpathy-metoden – guide (PDF, på tyska)<\/strong>\n <\/div>\n
![\"Karpathy-metoden](\"https:\/\/pletzenauer.com\/wp-content\/uploads\/2026\/06\/karpathy-methode-3-schichten.png\")
![\"Tre](\"https:\/\/pletzenauer.com\/wp-content\/uploads\/2026\/06\/karpathy-methode-guardrails.png\")