Var sjunde månad

I december 2025 sa Geoffrey Hinton något i CNN:s State of the Union som borde ha fått mer uppmärksamhet än det fick. Han sa att AI-systemens förmåga att utföra uppgifter, mätt i hur lång tid uppgiften tar en människa, ungefär fördubblas var sjunde månad. Det låter abstrakt tills man räknar på det. Om dagens frontier-system klarar uppgifter som tar en mänsklig expert en timme, klarar de om ett år uppgifter som tar fyra timmar, och kring 2030 uppgifter som tar närmare en månad.

Det är inte ett påstående om att maskinerna blir människor. Det är inte ens ett påstående om AGI. Det är en extrapolation från en mätning — samma fenomen som forskningsinstitutet METR har dokumenterat med större precision, fast Hintons formulering är mer användbar just för att den är operativ. Längden på de sammanhängande arbetsuppgifter ett AI-system kan genomföra växer exponentiellt, på en tidsskala vi kan mäta.

Det mesta av AI-debatten fastnar i en annan fråga: kommer "AGI", och i så fall när? Den frågan går sällan framåt, eftersom de som diskuterar den menar olika saker med ordet. Hintons observation har en egenskap som gör den ovanligt användbar i ett sammanhang där man faktiskt ska fatta beslut: den kräver inte att man enas om en definition. Kurvan finns oavsett vad man kallar slutpunkten.

Och här är det som gör frågan svår att vifta bort. Tre av fältets mest auktoritativa röster pekar, från tre helt olika utsiktspunkter, mot samma tidsfönster.

Demis Hassabis — Nobelpris i kemi 2024 för AlphaFold, chef för Google DeepMind — har dragit sin egen tidslinje inåt. Våren 2025 beskrev han genuin AGI på mänsklig nivå som fem till tio år bort, alltså 2030–2035. Efter Google I/O i maj 2026 hade fönstret krympt: han väntar sig nu AGI runt 2030, plus minus ett år, och ser 2029 som möjligt. Att en av fältets mest återhållsamma röster flyttar sin egen gissning närmare på mindre än ett år är i sig en datapunkt värd att notera. Reservationerna står kvar — han menar att några grundproblem fortfarande återstår att lösa: robusta världsmodeller, minne, konsistens, kontinuerligt lärande. Han kallar dagens system jagged intelligence, taggig intelligens: modeller som klarar prov på nobelnivå inom ett område och gör fel ett barn inte skulle göra inom ett annat. Hans hållning är inte hausse — han har sagt att tekniken är överdriven på kort sikt samtidigt som den långsiktiga effekten underskattas. Men han varnar uttryckligen för att vi inte är förberedda på hur snabbt systemen nu rör sig, och har liknat nuet vid att stå i singularitetens förberg.

Geoffrey Hinton — Nobelpris i fysik samma år, mannen som lämnade Google 2023 för att kunna tala fritt om riskerna — ger ett bredare intervall, ungefär fem till tjugo år, med tyngdpunkten i den nedre halvan. Han är också ovanligt rak om nedsidan: tio till tjugo procents risk att det slutar mycket illa över decennier. Men det viktigaste från Hinton är inte intervallet. Det är dubbleringen.

Shane Legg — DeepMinds Chief AGI Scientist, mannen som populariserade själva begreppet — är mest specifik av de tre. Sedan 2009, genom flera hypecykler och AI-vintrar, har han hållit fast vid femtio procents sannolikhet för "minimal AGI" senast 2028. Det anmärkningsvärda är inte bara prognosen, utan att Google DeepMind självt publicerade samtalet med honom i sin officiella podcast i december 2025. En arbetsgivare som vill distansera sig från en sådan siffra gör den inte till ett profilerat samtal.

Leggs poäng är värd att stanna vid, för den är den mest operativa. Han skiljer på tre trösklar: minimal AGI — en agent som klarar de kognitiva uppgifter en typisk människa klarar — följt av full AGI och därefter superintelligens. Och han noterar det avgörande: det är minimal AGI som räcker för att flytta villkoren för kunskapsarbete. Inte de exotiska nivåerna. Om en agent kan göra det en typisk människa gör vid ett tangentbord, är stora delar av administration, juridik, ekonomi, kod och analys exponerade — inte i en avlägsen framtid, utan i hans 2028-fönster. Fysiska yrken, där man måste hantera en stökig verklighet, har längre tidshorisont, eftersom robotiken släpar efter den rena maskinkognitionen.

Det är lätt att läsa det här som att experterna är överens om att AGI kommer. Det är inte vad det är, och precisionen spelar roll. De tre är oeniga om definitioner, om mekanismer, om hur illa det kan gå. Det finns dessutom seriösa röster i fältet som tror på en längre tidshorisont, och det finns verkliga olösta problem — kontinuerligt lärande, robusta världsmodeller, fysisk robotik som fortfarande är långt efter. Konvergensen är inte konsensus om utfallet. Den är epistemisk: tre oberoende auktoritativa röster, med olika tekniska och institutionella perspektiv, anger ungefär samma tidsfönster, med median någonstans 2028–2030. Om något har det fönstret krympt det senaste året snarare än vidgats. Att tre personer som är oeniga om det mesta råkar peka på samma år väger tyngre än om en av dem sagt det ensam.

Vad gör man med det? Den oärliga reaktionen är att välja ett datum och planera för det. Den lika oärliga motsatsen är att avfärda alltihop som hype tills motsatsen är bevisad. Båda begår samma fel: de behandlar en osäkerhet som om den vore en prognos.

Den ärliga hållningen är tråkigare och mer användbar. Behandla tröskeln som en variabel, inte ett datum. Den har tre möjliga lägen under perioden: ingen passage alls, tidig passage runt 2028–2031, sen passage 2032–2037. Vi vet inte vilket. Men då kan man ställa en helt annan fråga än "när kommer AGI" — nämligen vad som är klokt att göra oavsett vilket läge som inträffar. Det är en mycket mer hanterbar fråga.

Det finns en asymmetri som gör den brådskande även för den som lutar åt sen passage. Företag kan ställa om snabbt: avbryta en satsning, skala en annan, rita om en avdelning på ett kvartal. Institutioner kan inte. Utbildningsplatser, omställningssystem, skatteregler, elnät, myndighetskompetens — de har ledtider på år. Det betyder att rätt reformer kan komma för sent, inte för att de var fel, utan för att tempot inte var det man byggde dem för. Vid normaltakt är skillnaden mellan att vara i tid och att vara sen kanske fem år. Vid tidig tröskelpassage krymper den skillnaden till ett kvartal. Samma beslut, samma reformer — men de fungerar bara om de hunnit ge effekt innan trycket är ett faktum.

Det är den egentliga risken. Inte att man väljer fel framtid, utan att man gör mycket rätt och ändå kommer efter.

Slutsatsen är därför inte panik. Inte medborgarlön i morgon, inte blankt AI-förbud i offentlig sektor, inte stora nya skatter införda under press. Allt sådant är dyrast om signalen visar sig falsk — vilket är just varför det inte hör hemma i ett beredskapsspår. Slutsatsen är reversibel beredskap: instrument som är billiga att hålla i malpåse och snabba att aktivera. Mandat som kan slås på med ett regeringsbeslut, inte med en lagstiftningsprocess på två år. System som kan skalas ned igen om signalen inte håller.

Och — det viktigaste — lägg indikatorerna tidigt i kedjan. Arbetslöshetsstatistik och BNP-effekt kommer för sent; de mäter en omställning som redan har hänt. Det som kommer i tid är kapacitetsmätningarna själva: agentuppgifternas tidshorisont, signaler från labben, finansmarknadens omvärdering av exponerade sektorer. Det billigaste ett land kan göra är att skaffa sig förmågan att se när kurvan tippar.

En sista, självutlämnande anmärkning. Den här texten åldras snabbt, snabbare än det mesta. Om dubbleringen avtar, om grundgenombrotten dröjer, om 2028 kommer och går utan att något kvalitativt ändras — då ska den här oron revideras, och det vore goda nyheter. Poängen har aldrig varit profetia. Poängen är att inte bli stående platt på fötterna inför en kurva som tre seriösa personer, från tre olika håll och oberoende av varandra, pekade på medan det fortfarande fanns tid att förbereda sig.

Var sjunde månad. Det är inte lång tid att vänja sig vid en ny takt.

Källor och kontrollpunkter

Källorna nedan täcker de bärande sakpåståendena om tidslinjer, mätmetod och expertuttalanden. Slutsatsen om reversibel beredskap är författarens.

Rolf Skogling driver ai-skiftet.se — en svensk röst om hur AI förändrar samhälle, arbete och ledarskap.