Hver sjuende måned

I desember 2025 sa Geoffrey Hinton noe i CNNs State of the Union som burde ha fått mer oppmerksomhet enn det fikk. Han sa at AI-systemenes evne til å utføre oppgaver, målt i hvor lang tid oppgaven tar et menneske, omtrent dobles hver sjuende måned. Det høres abstrakt ut helt til man regner på det. Hvis dagens frontier-systemer klarer oppgaver som tar en menneskelig ekspert en time, klarer de om et år oppgaver som tar fire timer, og rundt 2030 oppgaver som tar nærmere en måned.

Dette er ikke en påstand om at maskinene blir mennesker. Det er ikke engang en påstand om AGI. Det er en ekstrapolering fra en måling — det samme fenomenet som forskningsinstituttet METR har dokumentert med større presisjon, selv om Hintons formulering er mer nyttig nettopp fordi den er operativ. Lengden på de sammenhengende arbeidsoppgavene et AI-system kan gjennomføre, vokser eksponentielt på en tidsskala vi kan måle.

Det meste av AI-debatten setter seg fast i et annet spørsmål: kommer "AGI", og i så fall når? Det spørsmålet kommer sjelden videre, fordi de som diskuterer det mener ulike ting med ordet. Hintons observasjon har en egenskap som gjør den uvanlig nyttig i en sammenheng der man faktisk skal fatte beslutninger: den krever ikke at man blir enige om en definisjon. Kurven finnes uansett hva man kaller endepunktet.

Og her er det som gjør spørsmålet vanskelig å avfeie. Tre av feltets mest autoritative stemmer peker, fra tre helt ulike utsiktspunkter, mot samme tidsvindu.

Demis Hassabis — nobelprisvinner i kjemi i 2024 for AlphaFold og sjef for Google DeepMind — har trukket sin egen tidslinje innover. Våren 2025 beskrev han genuin AGI på menneskelig nivå som fem til ti år unna, altså 2030–2035. Etter Google I/O i mai 2026 hadde vinduet krympet: han venter seg nå AGI rundt 2030, pluss minus ett år, og ser 2029 som mulig. At en av feltets mer tilbakeholdne stemmer flytter sitt eget anslag nærmere på under ett år, er i seg selv et datapunkt verdt å merke seg. Forbeholdene står igjen — han mener at noen grunnproblemer fortsatt må løses: robuste verdensmodeller, minne, konsistens og kontinuerlig læring. Han kaller dagens systemer jagged intelligence, taggete intelligens: modeller som klarer prøver på nobelnivå på ett område og gjør feil et barn ikke ville gjort på et annet. Holdningen hans er ikke hausse — han har sagt at teknologien er overdrevet på kort sikt, samtidig som den langsiktige effekten undervurderes. Men han advarer uttrykkelig om at samfunnet ikke er forberedt på hvor raskt systemene nå beveger seg, og har sammenlignet nåtiden med å stå i singularitetens forfjell.

Geoffrey Hinton — nobelprisvinner i fysikk samme år, mannen som forlot Google i 2023 for å kunne snakke fritt om risikoene — gir et bredere intervall, omtrent fem til tjue år, med tyngden i den nedre halvdelen. Han er også uvanlig direkte om nedsiden: ti til tjue prosents risiko for at det ender svært dårlig over de kommende tiårene. Men det viktigste fra Hinton er ikke intervallet. Det er doblingen.

Shane Legg — DeepMinds Chief AGI Scientist, mannen som bidro til å popularisere selve begrepet — er mest spesifikk av de tre. Siden 2009, gjennom flere hype-sykluser og AI-vintre, har han holdt fast ved femti prosents sannsynlighet for "minimal AGI" senest i 2028. Det bemerkelsesverdige er ikke bare prognosen, men at Google DeepMind selv publiserte samtalen med ham i sin offisielle podkast i desember 2025. En arbeidsgiver som vil distansere seg fra et slikt tall, gjør det ikke til en profilert samtale.

Leggs poeng er verdt å bli ved, for det er det mest operative. Han skiller mellom tre terskler: minimal AGI — en agent som klarer de kognitive oppgavene et typisk menneske klarer — fulgt av full AGI og deretter superintelligens. Og han peker på det avgjørende: det er minimal AGI som er nok til å flytte vilkårene for kunnskapsarbeid. Ikke de eksotiske nivåene. Hvis en agent kan gjøre det et typisk menneske gjør ved et tastatur, er store deler av administrasjon, jus, økonomi, kode og analyse eksponert — ikke i en fjern fremtid, men i hans 2028-vindu. Fysiske yrker, der man må håndtere en rotete virkelighet, har lengre tidshorisont, fordi robotikken henger etter den rene maskinkognisjonen.

Det er lett å lese dette som at ekspertene er enige om at AGI kommer. Det er ikke det, og presisjonen betyr noe. De tre er uenige om definisjoner, mekanismer og hvor ille det kan gå. Det finnes dessuten seriøse stemmer i feltet som tror på en lengre tidshorisont, og det finnes reelle uløste problemer — kontinuerlig læring, robuste verdensmodeller, fysisk robotikk som fortsatt ligger langt etter. Konvergensen er ikke konsensus om utfallet. Den er epistemisk: tre uavhengige autoritative stemmer, med ulike tekniske og institusjonelle perspektiver, angir omtrent samme tidsvindu, med median et sted rundt 2028–2030. Om noe har det vinduet krympet det siste året snarere enn utvidet seg. At tre personer som er uenige om mye annet, tilfeldigvis peker på de samme årene, veier tyngre enn om én av dem hadde sagt det alene.

Hva gjør man med det? Den uærlige reaksjonen er å velge en dato og planlegge for den. Den like uærlige motsatsen er å avfeie alt som hype til det motsatte er bevist. Begge begår samme feil: de behandler usikkerhet som om den var en prognose.

Den ærlige holdningen er kjedeligere og mer nyttig. Behandle terskelen som en variabel, ikke en dato. Den har tre mulige tilstander i perioden: ingen passering i det hele tatt, tidlig passering rundt 2028–2031, eller sen passering i 2032–2037. Vi vet ikke hvilken. Men da kan man stille et helt annet spørsmål enn "når kommer AGI" — nemlig hva som er klokt å gjøre uansett hvilken tilstand som inntreffer. Det er et langt mer håndterbart spørsmål.

Det finnes en asymmetri som gjør det presserende også for den som heller mot sen passering. Selskaper kan omstille seg raskt: avbryte en satsing, skalere en annen, tegne om en avdeling på et kvartal. Institusjoner kan ikke. Utdanningsplasser, omstillingssystemer, skatteregler, strømnett, myndighetskompetanse — de har ledetider på år. Det betyr at riktige reformer kan komme for sent, ikke fordi de var gale, men fordi tempoet ikke var det man bygget dem for. Ved normaltakt er forskjellen mellom å være i tide og å være sen kanskje fem år. Ved tidlig terskelpassering krymper den forskjellen til et kvartal. Samme beslutninger, samme reformer — men de virker bare hvis de har rukket å få effekt før presset er et faktum.

Det er den egentlige risikoen. Ikke at man velger feil fremtid, men at man gjør mye riktig og likevel kommer etter.

Konklusjonen er derfor ikke panikk. Ikke borgerlønn i morgen, ikke blankt AI-forbud i offentlig sektor, ikke store nye skatter innført under press. Alt slikt er dyrest hvis signalet viser seg å være falskt — og nettopp derfor hører det ikke hjemme i et beredskapsspor. Konklusjonen er reversibel beredskap: instrumenter som er billige å holde i reserve og raske å aktivere. Mandater som kan slås på med et regjeringsvedtak, ikke med en lovprosess på to år. Systemer som kan skaleres ned igjen hvis signalet ikke holder.

Og — det viktigste — legg indikatorene tidlig i kjeden. Arbeidsledighetsstatistikk og BNP-effekt kommer for sent; de måler en omstilling som allerede har skjedd. Det som kommer i tide, er kapasitetsmålingene selv: agentoppgavenes tidshorisont, signaler fra laboratoriene, finansmarkedets omprising av eksponerte sektorer. Det billigste et land kan gjøre, er å skaffe seg evnen til å se når kurven tipper.

En siste, selvutleverende merknad. Denne teksten eldes raskt, raskere enn det meste. Hvis doblingen avtar, hvis grunngjennombruddene drøyer, hvis 2028 kommer og går uten at noe kvalitativt endrer seg — da skal denne bekymringen revideres, og det ville være gode nyheter. Poenget har aldri vært profeti. Poenget er å ikke bli stående flatt på føttene foran en kurve som tre seriøse personer, fra tre ulike hold og uavhengig av hverandre, pekte på mens det fortsatt fantes tid til å forberede seg.

Hver sjuende måned. Det er ikke lang tid å venne seg til en ny takt.

Kilder og kontrollpunkter

Kildene nedenfor dekker de bærende faktapåstandene om tidslinjer, målemetode og ekspertuttalelser. Konklusjonen om reversibel beredskap er forfatterens.

Rolf Skogling driver ai-skiftet.se — en svensk stemme om hvordan AI endrer samfunn, arbeid og lederskap.