Den 5 juni 2026 publicerade Anthropic en rapport med en mening som hade låtit som science fiction för tre år sedan: mer än 80 procent av koden som går in i bolagets produktionssystem skrivs numera av Claude, inte av människor. OpenAI har satt datum — en automatiserad forskningsassistent i september 2026, en fullvärdig automatiserad AI-forskare i mars 2028. Google DeepMind har låtit sitt system AlphaEvolve förbättra algoritmerna som tränar Gemini. Rekursiv självförbättring — AI som accelererar utvecklingen av AI — har slutat vara en tankefigur i filosofiska uppsatser och blivit ett uttalat ingenjörsmål hos minst tre bolag samtidigt.
Den här sajten har behandlat delar av detta förut. ”Var sjunde månad” handlade om dubbleringstakten i vad AI-system klarar; ”Två dokument, samma vecka” om glappet mellan Anthropics självförbättringsrapport och bolagets ekonomiska policytänkande. Frågan som återstår är den som allt oftare ställs på riktigt: inte om loopen kan sluta sig, utan hur snabbt det i så fall går — nu, när flera aktörer drar åt samma håll med hundratusentals GPU:er var.
Vad labben faktiskt gör
Anthropics rapport, författad av Marina Favaro och Jack Clark, är den mest detaljerade inblick i ett frontlabbs vardag som hittills publicerats. Siffrorna förtjänar att återges exakt, med förbehållet att de är bolagets egna och inte oberoende granskade. Andelen produktionskod skriven av Claude: över 80 procent i maj 2026, mot ensiffriga procenttal före februari 2025. Kodmängd per ingenjör: åtta gånger 2024 års nivå — med bolagets eget påpekande att kodrader är ett mått på kvantitet, inte produktivitet. I bolagets återkommande optimeringstest, där modellen ska snabba upp träningskod, gick resultatet från cirka 3 gånger (maj 2025) till cirka 52 gånger (april 2026); en skicklig mänsklig forskare når runt 4 gånger på en halv arbetsdag. Och i april 2026 publicerade Anthropic det första exemplet på ett öppet forskningsproblem som drivits från hypotes till resultat av AI-agenter: på ett veckolångt alignmentproblem realiserade agenterna 97 procent av det mätbara förbättringsutrymmet, där två mänskliga forskare nådde 23 procent — men människor valde fortfarande problemet och byggde bedömningsmallen.
OpenAI:s besked är av annat slag: inte uppmätta resultat utan uttalade mål. Vid en direktsändning den 28 oktober 2025 angav Sam Altman och chefsforskaren Jakub Pachocki interna måldatum — en ”automated AI research intern” i september 2026, körande på hundratusentals GPU:er, och en verklig automatiserad AI-forskare i mars 2028. Altman tillade uttryckligen att de kan misslyckas helt. Målet är ändå informativt: ett av världens största AI-labb organiserar nu sin forskningsplan kring att automatisera sin egen forskning.
DeepMind har den empiriskt mest eleganta datapunkten. AlphaEvolve, presenterat i maj 2025, hittade bland annat en metod att multiplicera 4×4-matriser med 48 multiplikationer — den första förbättringen i sitt slag för komplexvärda matriser sedan Strassens algoritm 1969 — och snabbade upp en central beräkningskärna i Geminis träning med 23 procent, vilket kapade ungefär en procent av den totala träningstiden. En procent låter lite. Men det är en sluten loop i miniatyr: ett Gemini-drivet system som gör nästa Gemini billigare att träna.
Allt detta ska läsas med källkritisk ryggrad. Labben har kommersiella skäl att framstå som snabba, siffrorna är interna, och Anthropic redovisar själva att anställdas skattningar av produktivitetslyft tenderar att överdrivas. Men riktningen stöds av externa mått — och det är dit vi nu vänder oss.
Kurvan som kortats
Sjumånaderssiffran som gav juni-essän ”Var sjunde månad” dess namn kommer från METR:s ursprungliga studie i mars 2025: längden på uppgifter AI-system klarar självständigt fördubblades ungefär var sjunde månad. Den siffran är redan gammal. METR:s uppdaterade dataset Time Horizon 1.1, publicerat den 29 januari 2026, visar att dubbleringstakten för perioden från 2023 och framåt snarare ligger kring fyra månader. I METR:s pilotmätning från våren 2026 låg den starkaste bedömda modellen på uppskattningsvis 16–20 timmars uppgiftslängd — vid övre gränsen för vad mätsviten över huvud taget klarar att mäta utan nya, längre uppgifter. Anthropic använder samma trend i sin rapport: fyra minuter i mars 2024, en och en halv timme ett år senare, tolvtimmarsuppgifter i år.
Det är värt att stanna vid vad detta betyder metodologiskt. Konfidensintervallen är breda, mätsviten är nära sitt tak, och en trend som håller i tre år behöver inte hålla i fem. Men den empiriska kärnan är obekväm för den som hoppats på avmattning: den bäst belagda takten har inte stått still eller mattats — den har kortats, från sju månader till ungefär fyra. Utvecklingen har sprungit ifrån sin egen mest citerade tumregel.
Motargumenten väger tungt
Här skulle en sämre essä växla upp till oundviklighet. Motargumenten förtjänar i stället sin fulla tyngd, för de är inte halmgubbar — de är den mest sannolika förklaringen till att loopen ännu inte är självgående.
Det första är skillnaden mellan automatiserad ingenjörskonst och automatiserad forskning. Anthropics egen rapport är påfallande ärlig på punkten: Claude är i dag övermänskligt snabb på att utföra väldefinierade experiment, men gapet består i det bolaget kallar research taste — att välja vilka problem som är värda att angripa, vilka resultat som ska litas på, när ett spår är dött. I agentexperimentet ovan valde människor problemet och skrev bedömningsmallen. Att automatisera svetten är inte samma sak som att automatisera omdömet, och det är omdömet som driver paradigmskiften.
Det andra är verifieringsflaskhalsen. Anthropic beskriver själva hur mänsklig kodgranskning redan blivit en trång sektor när Claude producerar mer än människor hinner läsa — Amdahls lag i organisationsform: det led som inte snabbats upp sätter systemets totala takt. METR:s randomiserade studie från juli 2025 skar djupare än så: erfarna utvecklare som trodde att AI-verktygen gjorde dem snabbare visade sig i genomsnitt vara 19 procent långsammare med dem. Självrapporterad acceleration är inte acceleration. Detta är enligt min mening det starkaste enskilda skälet att läsa labbens interna siffror med försiktighet.
Det tredje är fysiken och ekonomin. Epoch AI:s makromodell GATE — det seriösaste försöket hittills att räkna på automatiserad AI-utveckling — landar i att en ren mjukvaruexplosion, där AI förbättrar AI utan fortsatt expansion av fysisk beräkningskraft, inte går ihop: experiment kräver compute, och effektivitetsvinsterna hamnar nära eller under självförsörjningsgränsen när experimentkostnaden räknas in. Compute byggs i den fysiska världen, och den världen har köer — ”Samma megawatt” visade att enbart de nordiska nätköerna rymmer tiotals gigawatt och att en kraftledning tar sju–åtta år. Loopens hastighet är i slutänden en funktion av betong, transformatorer och tillståndsprocesser.
Det fjärde är att de snabbaste scenarierna har fått kvalificerad kritik. AI 2027-scenariot — där en automatiserad forskare 2027 utlöser en intelligensexplosion — har granskats i sömmarna, och kritiken mot dess tidslinjemodeller är substantiell: antaganden om obruten exponentialitet, känslighet för parameterval, avsaknad av negativa återkopplingar. Scenariot är värt att läsa som stresstest, inte som prognos.
Basbedömning och snabbscenario
Min basbedömning, tydligt markerad som sådan: mjukvaruledet i AI-utvecklingen fortsätter att accelerera, och något som liknar OpenAI:s ”forskningsassistent” — system som självständigt utför veckolånga, väldefinierade forskningsuppgifter — finns i drift hos flera labb inom ett till två år. Det räcker för en kraftig, kumulativ uppsnabbning av AI-forskningen, kanske en faktor två till fyra på labbnivå. Men full rekursiv självförbättring — system som utan människor väljer problem, bedömer resultat och bygger sina efterträdare — bromsas av de tre belagda flaskhalsarna omdöme, verifiering och compute, och blir enligt basbedömningen inte verklighet före cirka 2030.
Sedan finns snabbscenariot, och det förtjänar att markeras lika tydligt. Anthropics mest oroande delresultat är inte kodandelen utan omdömesmätningen: i bolagets test av att välja nästa steg i verkliga forskningssessioner gick modellerna från att slå människans val i 51 procent av fallen i november 2025 till 64 procent i april 2026. Om research taste visar sig vara ännu en förmåga som följer samma kurva som alla andra — och hittills har varje mätbar förmåga gjort det, enligt bolagets egen formulering — faller det första motargumentet. Lägg till kapplöpningsdynamiken: tre labb med uttalade mål och var sitt hundratusental GPU:er gör att det räcker att ett av dem lyckas. I snabbscenariot börjar loopen bita på allvar redan 2027–2028, med en dubbleringstakt som fortsätter kortas i stället för att plana ut. Det är ett scenario, inte en prognos — men den som planerar för basbedömningen bör stresstesta planen mot det snabbare förloppet, för skillnaden mellan dem är bara ett par år.
Loopen möter lönelistan
Vad betyder takten för arbetsmarknaden? ”Samma megawatt” gav den obekväma ramen: med den essäns räkneexempel bär varje gigawatt datacenterkapacitet i köerna avkastningskrav motsvarande 100 000–200 000 årsverk, och de nordiska köerna summerar till 8–16 miljoner årsverk — om intäkterna i slutänden hämtas ur effektivisering av mänskligt arbete. Den slutna loopen är mekanismen som avgör takten i det uttaget. Basbedömningen ger arbetsmarknader och utbildningssystem kanske ett decennium att absorbera förskjutningen; snabbscenariot ger ett par år. Skillnaden mellan scenarierna är alltså inte abstrakt — den är skillnaden mellan strukturomvandling och chock.
Tidiga signaler finns, men bara där någon mäter. I USA har AI toppat Challenger, Gray & Christmas månadsstatistik över angivna varselorsaker fem månader i rad, mars till juli 2026 — cirka 102 000 varslade tjänster med AI som angiven orsak under första halvåret, ungefär 23 procent av samtliga, mot 5 procent under hela 2025. I Norge ser fackförbunden Nito och Tekna samtidigt inga tecken på AI-drivna uppsägningar. Båda bilderna kan vara sanna: diffusionen släpar, och Norden ligger senare i kedjan. Men det finns en tredje förklaring som borde bekymra mer — mätgapet. Såvitt vi kunnat finna särredovisar ingen nordisk myndighetsstatistik AI som varselorsak; det finns ingen ruta att kryssa i. Challenger kan räkna eftersom amerikanska bolag själva anger orsaken i sina varsel. När dubbleringstakten kortats till fyra månader blir det gapet ett policyproblem i sig: man kan inte planera för det man inte mäter, och signalen kommer att synas i amerikansk data långt innan den syns i nordisk.
För Norden
Det mest anmärkningsvärda i Anthropics rapport är slutsatsen: bolaget som dokumenterar sin egen acceleration argumenterar för att världen behöver en verifierbar möjlighet att gemensamt sakta ner — och konstaterar samtidigt att träningskörningar är lättare att dölja än missilsilos och att förtroendeinfrastruktur av det slaget historiskt tagit decennier att bygga. ”Vid foten av singulariteten” behandlade Hassabis parallella förslag; ingen av mekanismerna finns ännu. Kapplöpningen är alltså default, och takten sätts av den minst försiktige.
För nordiska beslutsfattare betyder det tre saker. Rådet från ”Var sjunde månad” — reversibel beredskap, indikatorer tidigt i kedjan — står sig, men brådskan har ändrats: det som dubblades var sjunde månad dubblas nu var fjärde. Indikatorerna att följa är konkreta: METR-kurvans nästa datapunkter, om labben börjar tillskriva modellerna egna forskningsidéer snarare än utförande, och energiköerna — för Norden sitter, som ”Samma megawatt” visade, på en av loopens verkliga strypventiler och har därmed mer förhandlingsmakt än debatten vill kännas vid. Och institutioner som planerar i budgetår möter nu en process som förbättrar sig själv i kvartal.
Frågan var aldrig om loopen kan sluta sig. Frågan är om vi hinner bestämma något innan den gör det.
Källor: Anthropic, "When AI builds itself", 5 juni 2026 · Anthropic, automated weak-to-strong researcher, april 2026 · Sam Altman på X, 28 okt 2025 · TechCrunch om OpenAI:s mål, 28 okt 2025 · DeepMind, AlphaEvolve, maj 2025 · METR, "Measuring AI Ability to Complete Long Tasks", mars 2025 · METR, "Time Horizon 1.1", 29 jan 2026 · METR, time horizons-översikt · METR, utvecklarstudien, juli 2025 (arXiv 2507.09089) · Epoch AI, GATE · Epoch AI, "AI and explosive growth redux" · AI 2027 · Kritik av AI 2027:s tidslinjemodeller (LessWrong) · Challenger, Gray & Christmas, junirapporten 2026 · Challenger, "AI Leads For Fifth Straight Month" · Digi.no om Nito och Tekna · Var sjunde månad · Två dokument, samma vecka · Vid foten av singulariteten · Samma megawatt
Bedömningsmarkering: basbedömningen och snabbscenariot i avsnittet "Basbedömning och snabbscenario" är författarens egna slutsatser; sakpåståendena i övrigt är belagda i källorna ovan. Anthropics interna siffror är bolagets egna och inte oberoende granskade — det anges i texten där de används.