Varför AI:s exponentiella tillväxt har en enorm blind fläck

När man diskuterar AI och framtidens arbetevarnar alla för att artificiell intelligens snart kommer att ersätta utvecklare, konsulter och chefer. Men en närmare titt på den faktiska vetenskapen bakom stora språkmodeller (som nyligen briljant analyserats i den här videoanalysen av en italiensk teknikforskare) avslöjar en enorm blind fläck i hypemaskinen.

Folk ser den exponentiella kurvan för AI-kapacitet och antar att mänskligt föråldring är precis runt hörnet.

Denna panik underblåses av virala berättelser. Du kanske har sett utvecklaren Matt Schumers inlägg där han påstår att eftersom AI nu skriver all hans kod, kommer den snart att ta över juridik, finance, medicin och konsultverksamhet. Lägg till citat från personer som Sam Altman som förutspår en värld av gränslös ekonomisk tillväxt i sin essä om "Intelligence Age", och det är lätt att känna sig överväldigad.

Men verkligheten kring AI-framstegen är betydligt mer nyanserad. De senaste prestandaökningarna är vad forskare kallar "misstänkt specifika".

Illusionen av riktmärket

Om man tittar på moderna AI-riktmärken pekar prestandagraferna rakt uppåt. METR-riktmärket, ett högt respekterat utvärderingsverktyg, visade nyligen att AI-modeller når imponerande milstolpar på uppgifter som normalt skulle ta en mänsklig expert 8 till 14 timmar att slutföra.

Men om man läser det finstilta så förändras historien. Dessa milstolpar uppnås bara i ungefär 50 procent av fallen. Ännu viktigare är att de uppgifter som mäts nästan helt begränsas till programvaruutveckling, maskininlärning och cybersäkerhet. När forskare försöker utvärdera dessa modeller på holistiska, icke-algoritmiska uppgifter sjunker prestandan avsevärt .

Denna minskning av tillförlitlighet utanför strikt kontrollerade miljöer är precis den strukturella risk jag lyfte fram i The AI ​​Exodus: Why the Builders Don't Trust the Building. När en AI stöter på en kunskapslucka i ett komplext, verksamhetskritiskt scenario, skjuter hallucinationsfrekvensen i höjden – vilket bevisar att höga benchmarkpoäng inte automatiskt leder till företagssäkerhet.

Den hemliga motorn: RLVR

De massiva vinsterna i modeller under slutet av 2025 och början av 2026 kommer från en specifik träningsteknik som kallas förstärkningsinlärning från verifierbara belöningar (RLVR).

RLVR fungerar fenomenalt bra när ett problem har ett strikt, verifierbart svar. Matematik, kodning och logikpussel passar perfekt in i detta. Du kan generera miljarder syntetiska tester, och maskinen kan omedelbart verifiera om den fick rätt eller fel svar. Den förstärker automatiskt de korrekta resonemangsvägarna och ignorerar de dåliga. Nyligen genomförda forskningsrapporter debatterar intensivt huruvida RLVR faktiskt lär modeller nya resonemangsfärdigheter eller helt enkelt gör dem effektivare på att hitta vägar de redan kände till. Oavsett den underliggande mekanismen är resultatet detsamma: maskinen utmärker sig i verifierbar logik.

Den verkliga världen är rörig

Tänk på ett verkligt affärsproblem. Bör du lansera en ny prissättningsstrategi? Hur hanterar du en känslig förhandling med en leverantör? Hur hanterar du en komplex lagerintegration mellan olika företagskulturer?

Dessa situationer saknar ett enda verifierbart korrekt svar. Man kan inte automatiskt generera en miljon syntetiska scenarier för att träna en modell på mänsklig empati eller strategisk kompromiss. Verkliga problem kräver kontinuerligt lärande, domängeneralisering och socialt omdöme.

Det är exakt den dynamiken jag utforskade i *When Software Writes Itself: The Illusion of the Homebrew ERP*. En AI:s förmåga att generera kod perfekt med hjälp av RLVR skiljer sig helt från att konstruera ett kompatibelt och ansvarsfullt affärssystem. Företagsprogramvara kräver djup förståelse för lokala lagar och motsägelsefulla affärsregler, områden där AI fortfarande i grunden saknar kontext.

Även ledande AI-forskare erkänner denna klyfta. Medan Dario Amodei på Anthropic hoppas att RLVR så småningom ska överbrygga denna klyfta och leda till generell intelligens, säger Demis Hassabis på Google DeepMind uttryckligen att stora språkmodeller ensamma inte är tillräckligt. Vi behöver system som kan kontinuerligt lära sig och bygga faktiska modeller av den fysiska världen.

IBM-intrigen

Företagsvärlden börjar redan inse dessa begränsningar. Se vad som hände i början av februari 2026. IBM tillkännagav en stor plan för att tredubbla sin anställning på ingångsnivå i USA.

Varför skulle en teknikjätte anställa fler juniorer när AI förmodligen tar över? IBM insåg att även om AI kan hantera rutinmässig kodning och administrativa frågor, kan den inte hantera de mänskliga delarna av jobbet. De har helt omdesignat sina ingångsroller. Nu lägger juniorutvecklare mindre tid på att skriva standardkod och mer tid på att samarbeta med kunder. HR-personal fokuserar på att ge råd till chefer och granska AI-system snarare än att svara på repetitiva frågor.

IBMs personalchef Nickle LaMoreaux klargjorde detta. Utan en hälsosam pipeline av yngre talanger som lär sig verksamheten idag kommer företag att möta en massiv brist på erfarna ledare på mellannivå imorgon. Våra roller utvecklas till att bli mer strategiska.

Handlingsbara insikter

Så, hur framtidssäkrar du din karriär i detta föränderliga landskap?

1. Fördubbla dina "röriga" färdigheter: Fokusera på förmågor som inte kan verifieras automatiskt av en algoritm. Förhandling, strategisk problemlösning och generalisering över flera domäner är dina största tillgångar.
2. Bli en AI-orkestrator: Precis som IBMs nyanställda, lär dig att arbeta tillsammans med AI. Använd den för att hantera verifierbara rutinuppgifter så att du kan ägna din energi åt värdefulla kundinteraktioner.
3. Var nyfiken: Kärnan i alla mina erfarenheter har alltid varit nyfikenhet. Jag tror verkligen att om vi någonsin slutar söka ny kunskap riskerar vi att bli föråldrade. Fortsätt att uppdatera dina mentala modeller.

Berättelsen att AI helt enkelt kommer att ersätta mänskliga arbetare är ofullständig. Tekniken är onekligen kraftfull inom specifika, mycket strukturerade områden. Men i den ostrukturerade, röriga verkligheten av affärsverksamhet och mänsklig interaktion, förskjuts vårt arbete från repetitivt utförande till relationsbyggande och komplext resonemang. Framtiden tillhör dem som anpassar sig.

Skriven av Andrea Guaccio 

4 mars 2026