Den 5. juni 2026 publiserte Anthropic en rapport med en setning som ville hørtes ut som science fiction for tre år siden: mer enn 80 prosent av koden som går inn i selskapets produksjonssystemer, skrives nå av Claude, ikke av mennesker. OpenAI har satt datoer — en automatisert forskningsassistent i september 2026, en fullverdig automatisert AI-forsker i mars 2028. Google DeepMind har latt systemet AlphaEvolve forbedre algoritmene som trener Gemini. Rekursiv selvforbedring — AI som akselererer utviklingen av AI — har sluttet å være en tankefigur i filosofiske essay og blitt et uttalt ingeniørmål hos minst tre selskaper samtidig.
Dette nettstedet har behandlet deler av dette før. «Hver sjuende måned» handlet om doblingstakten i hva AI-systemer klarer; «To dokumenter, samme uke» om gapet mellom Anthropics selvforbedringsrapport og selskapets økonomiske policytenkning. Spørsmålet som gjenstår, er det som stadig oftere stilles på alvor: ikke om sløyfen kan lukke seg, men hvor raskt det i så fall går — nå, når flere aktører drar i samme retning med hundretusener av GPU-er hver.
Hva laboratoriene faktisk gjør
Anthropics rapport, skrevet av Marina Favaro og Jack Clark, er det mest detaljerte innblikket i hverdagen til et frontlaboratorium som hittil er publisert. Tallene fortjener å gjengis nøyaktig, med det forbeholdet at de er selskapets egne og ikke uavhengig granskede. Andelen produksjonskode skrevet av Claude: over 80 prosent i mai 2026, mot ensifrede prosenttall før februar 2025. Kodemengde per ingeniør: åtte ganger 2024-nivået — med selskapets egen påpekning av at kodelinjer er et mål på kvantitet, ikke produktivitet. I selskapets tilbakevendende optimaliseringstest, der modellen skal gjøre treningskode raskere, gikk resultatet fra rundt 3 ganger (mai 2025) til rundt 52 ganger (april 2026); en dyktig menneskelig forsker når rundt 4 ganger på en halv arbeidsdag. Og i april 2026 publiserte Anthropic det første eksempelet på et åpent forskningsproblem drevet fra hypotese til resultat av AI-agenter: på et ukelangt alignmentproblem realiserte agentene 97 prosent av det målbare forbedringsrommet, der to menneskelige forskere nådde 23 prosent — men mennesker valgte fortsatt problemet og bygde vurderingsmalen.
OpenAIs beskjed er av et annet slag: ikke målte resultater, men uttalte mål. I en direktesending 28. oktober 2025 oppga Sam Altman og sjefsforsker Jakub Pachocki interne måldatoer — en «automated AI research intern» i september 2026, kjørende på hundretusener av GPU-er, og en virkelig automatisert AI-forsker i mars 2028. Altman la uttrykkelig til at de kan mislykkes helt. Målet er likevel informativt: et av verdens største AI-laboratorier organiserer nå forskningsplanen sin rundt å automatisere sin egen forskning.
DeepMind har det empirisk mest elegante datapunktet. AlphaEvolve, presentert i mai 2025, fant blant annet en metode for å multiplisere 4×4-matriser med 48 multiplikasjoner — den første forbedringen i sitt slag for komplekse matriser siden Strassens algoritme i 1969 — og gjorde en sentral beregningskjerne i Geminis trening 23 prosent raskere, noe som kuttet omtrent én prosent av den totale treningstiden. Én prosent høres lite ut. Men det er en lukket sløyfe i miniatyr: et Gemini-drevet system som gjør neste Gemini billigere å trene.
Alt dette skal leses med kildekritisk ryggrad. Laboratoriene har kommersielle grunner til å fremstå som raske, tallene er interne, og Anthropic rapporterer selv at ansattes anslag over produktivitetsløft har en tendens til å overdrives. Men retningen støttes av eksterne målinger — og det er dit vi nå vender oss.
Kurven som ble kortere
Sjumånederstallet som ga juni-essayet «Hver sjuende måned» navnet sitt, kommer fra METRs opprinnelige studie i mars 2025: lengden på oppgaver AI-systemer klarer selvstendig, doblet seg omtrent hver sjuende måned. Det tallet er allerede gammelt. METRs oppdaterte datasett Time Horizon 1.1, publisert 29. januar 2026, viser at doblingstakten for perioden fra 2023 og fremover snarere ligger rundt fire måneder. I METRs pilotmåling fra våren 2026 lå den sterkeste vurderte modellen på anslagsvis 16–20 timers oppgavelengde — ved den øvre grensen for hva målesuiten i det hele tatt klarer å måle uten nye, lengre oppgaver. Anthropic bruker samme trend i rapporten sin: fire minutter i mars 2024, halvannen time et år senere, tolvtimersoppgaver i år.
Det er verdt å stanse ved hva dette betyr metodologisk. Konfidensintervallene er brede, målesuiten er nær taket sitt, og en trend som holder i tre år, trenger ikke holde i fem. Men den empiriske kjernen er ubehagelig for den som har håpet på utflating: den best dokumenterte takten har ikke stått stille eller flatet ut — den er blitt kortere, fra sju måneder til omtrent fire. Utviklingen har løpt fra sin egen mest siterte tommelfingerregel.
Motargumentene veier tungt
Her ville et dårligere essay giret opp til uunngåelighet. Motargumentene fortjener i stedet sin fulle tyngde, for de er ikke stråmenn — de er den mest sannsynlige forklaringen på at sløyfen ennå ikke er selvgående.
Det første er forskjellen mellom automatisert ingeniørarbeid og automatisert forskning. Anthropics egen rapport er påfallende ærlig på punktet: Claude er i dag overmenneskelig rask til å utføre veldefinerte eksperimenter, men gapet består i det selskapet kaller research taste — å velge hvilke problemer som er verdt å angripe, hvilke resultater som skal stoles på, når et spor er dødt. I agenteksperimentet ovenfor valgte mennesker problemet og skrev vurderingsmalen. Å automatisere svetten er ikke det samme som å automatisere dømmekraften, og det er dømmekraften som driver paradigmeskifter.
Det andre er verifikasjonsflaskehalsen. Anthropic beskriver selv hvordan menneskelig kodegjennomgang allerede er blitt en trang seksjon når Claude produserer mer enn mennesker rekker å lese — Amdahls lov i organisasjonsform: leddet som ikke er blitt raskere, setter systemets totale takt. METRs randomiserte studie fra juli 2025 skar dypere enn som så: erfarne utviklere som trodde AI-verktøyene gjorde dem raskere, viste seg i gjennomsnitt å være 19 prosent tregere med dem. Selvrapportert akselerasjon er ikke akselerasjon. Dette er etter min mening den sterkeste enkeltgrunnen til å lese laboratorienes interne tall med forsiktighet.
Det tredje er fysikken og økonomien. Epoch AIs makromodell GATE — det mest seriøse forsøket hittil på å regne på automatisert AI-utvikling — lander på at en ren programvareeksplosjon, der AI forbedrer AI uten fortsatt utvidelse av fysisk regnekraft, ikke går opp: eksperimenter krever compute, og effektivitetsgevinstene havner nær eller under selvforsyningsgrensen når eksperimentkostnaden regnes inn. Compute bygges i den fysiske verdenen, og den verdenen har køer — «Samme megawatt» viste at bare de nordiske nettkøene rommer titalls gigawatt, og at en kraftledning tar sju–åtte år. Sløyfens hastighet er til syvende og sist en funksjon av betong, transformatorer og konsesjonsprosesser.
Det fjerde er at de raskeste scenariene har fått kvalifisert kritikk. AI 2027-scenariet — der en automatisert forsker i 2027 utløser en intelligenseksplosjon — er blitt plukket fra hverandre, og kritikken mot tidslinjemodellene er substansiell: antakelser om ubrutt eksponensialitet, følsomhet for parametervalg, fravær av negative tilbakekoblinger. Scenariet er verdt å lese som stresstest, ikke som prognose.
Basisvurdering og hurtigscenario
Min basisvurdering, tydelig markert som nettopp det: programvareleddet i AI-utviklingen fortsetter å akselerere, og noe som ligner OpenAIs «forskningsassistent» — systemer som selvstendig utfører ukelange, veldefinerte forskningsoppgaver — er i drift hos flere laboratorier innen ett til to år. Det er nok til en kraftig, kumulativ oppspeeding av AI-forskningen, kanskje en faktor to til fire på laboratorienivå. Men full rekursiv selvforbedring — systemer som uten mennesker velger problemer, vurderer resultater og bygger sine etterfølgere — bremses av de tre dokumenterte flaskehalsene dømmekraft, verifikasjon og compute, og blir etter basisvurderingen ikke virkelighet før rundt 2030.
Så finnes hurtigscenariet, og det fortjener like tydelig markering. Det mest urovekkende delresultatet i Anthropics rapport er ikke kodeandelen, men dømmekraftsmålingen: i selskapets test av å velge neste steg i virkelige forskningsøkter gikk modellene fra å slå menneskets valg i 51 prosent av tilfellene i november 2025 til 64 prosent i april 2026. Hvis research taste viser seg å være enda en evne som følger samme kurve som alle andre — og hittil har hver målbare evne gjort det, ifølge selskapets egen formulering — faller det første motargumentet. Legg til kappløpsdynamikken: tre laboratorier med uttalte mål og hvert sitt hundretusentall GPU-er gjør at det holder at ett av dem lykkes. I hurtigscenariet begynner sløyfen å bite for alvor allerede i 2027–2028, med en doblingstakt som fortsetter å kortes ned i stedet for å flate ut. Det er et scenario, ikke en prognose — men den som planlegger etter basisvurderingen, bør stressteste planen mot det raskere forløpet, for forskjellen mellom dem er bare et par år.
Sløyfen møter lønnslisten
Hva betyr takten for arbeidsmarkedet? «Samme megawatt» ga den ubehagelige rammen: med det essayets regneeksempel bærer hver gigawatt datasenterkapasitet i køene avkastningskrav tilsvarende 100 000–200 000 årsverk, og de nordiske køene summerer seg til 8–16 millioner årsverk — hvis inntektene til syvende og sist hentes ut av effektivisering av menneskelig arbeid. Den lukkede sløyfen er mekanismen som avgjør takten i det uttaket. Basisvurderingen gir arbeidsmarkeder og utdanningssystemer kanskje et tiår til å absorbere forskyvningen; hurtigscenariet gir et par år. Forskjellen mellom scenariene er altså ikke abstrakt — den er forskjellen mellom strukturomstilling og sjokk.
Tidlige signaler finnes, men bare der noen måler. I USA har AI toppet Challenger, Gray & Christmas' månedsstatistikk over oppgitte nedbemanningsårsaker fem måneder på rad, mars til juli 2026 — rundt 102 000 varslede stillingskutt med AI som oppgitt årsak i første halvår, omtrent 23 prosent av alle, mot 5 prosent i hele 2025. I Norge ser fagforeningene Nito og Tekna samtidig ingen tegn til KI-drevne oppsigelser. Begge bildene kan være sanne: diffusjonen henger etter, og Norden ligger senere i kjeden. Men det finnes en tredje forklaring som burde bekymre mer — målegapet. Så vidt vi har kunnet finne, skiller ingen nordisk myndighetsstatistikk ut AI som varslingsårsak; det finnes ingen rute å krysse av. Challenger kan telle fordi amerikanske selskaper selv oppgir årsaken i varslene sine. Når doblingstakten er kortet ned til fire måneder, blir det gapet et policyproblem i seg selv: man kan ikke planlegge for det man ikke måler, og signalet vil vises i amerikanske data lenge før det vises i nordiske.
For Norden
Det mest bemerkelsesverdige i Anthropics rapport er konklusjonen: selskapet som dokumenterer sin egen akselerasjon, argumenterer for at verden trenger en verifiserbar mulighet til i fellesskap å bremse — og konstaterer samtidig at treningskjøringer er lettere å skjule enn missilsiloer, og at tillitsinfrastruktur av det slaget historisk har tatt tiår å bygge. «Ved foten av singulariteten» behandlet Hassabis' parallelle forslag; ingen av mekanismene finnes ennå. Kappløpet er altså default, og takten settes av den minst forsiktige.
For nordiske beslutningstakere betyr det tre ting. Rådet fra «Hver sjuende måned» — reversibel beredskap, indikatorer tidlig i kjeden — står seg, men hastverket har endret seg: det som doblet seg hver sjuende måned, dobler seg nå hver fjerde. Indikatorene å følge er konkrete: METR-kurvens neste datapunkter, om laboratoriene begynner å tilskrive modellene egne forskningsideer snarere enn utførelse, og energikøene — for Norden sitter, som «Samme megawatt» viste, på en av sløyfens virkelige strupeventiler og har dermed mer forhandlingsmakt enn debatten later som. Og institusjoner som planlegger i budsjettår, møter nå en prosess som forbedrer seg selv i kvartaler.
Spørsmålet var aldri om sløyfen kan lukke seg. Spørsmålet er om vi rekker å bestemme noe før den gjør det.
Kilder: 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 OpenAIs mål, 28. okt 2025 · DeepMind, AlphaEvolve, mai 2025 · METR, «Measuring AI Ability to Complete Long Tasks», mars 2025 · METR, «Time Horizon 1.1», 29. jan 2026 · METR, time horizons-oversikt · METR, utviklerstudien, juli 2025 (arXiv 2507.09089) · Epoch AI, GATE · Epoch AI, «AI and explosive growth redux» · AI 2027 · Kritikk av AI 2027s tidslinjemodeller (LessWrong) · Challenger, Gray & Christmas, junirapporten 2026 · Challenger, «AI Leads For Fifth Straight Month» · Digi.no om Nito og Tekna · Hver sjuende måned · To dokumenter, samme uke · Ved foten av singulariteten · Samme megawatt
Vurderingsnote: basisvurderingen og hurtigscenariet i avsnittet «Basisvurdering og hurtigscenario» er forfatterens egne konklusjoner; faktapåstandene ellers er dokumentert i kildene ovenfor. Anthropics interne tall er selskapets egne og ikke uavhengig granskede — det oppgis i teksten der de brukes.