AI otroligt disruptivt

Klippt från nätet idag:

Mycket läsvärt och visar på hur responsen på AI idag kommer att bli orsaker till bolag får i konkurs.

"Sluta jämföra med fel sak

Jag ser samma inlägg på LinkedIn varje vecka.

"AI-kod är inte tillräckligt bra." "Vibekodade prototyper faller ihop i produktion." "Man måste anlita riktiga utvecklare."

Mycket av det stämmer... idag. Det är just problemet. Man tar en ögonblicksbild och drar slutsatser som om världen stod still.

I mars 2023 släpptes GPT-4. Imponerande, men ingen satte det i produktion för något kritiskt. Tre år senare, i april 2026, presenterar Anthropic Claude Mythos Preview, en modell som hittade en bugg i OpenBSD som funnits i 27 år. En bugg som överlevt mänskliga säkerhetsgranskningar sedan 1999.

Modellen skrev inte bara en rapport. Den konstruerade fungerande exploits, helt autonomt. På Firefoxs JavaScript-motor producerade föregångaren två fungerande exploits av hundratals försök. Mythos producerade 181.

Tre år. Från "kan knappt hålla ihop en app" till "hittar det som världens bästa säkerhetsexperter missat i tre decennier."

Det som verkligen förändrar spelplanen är inte att AI skriver kod. Det är att den stänger loopen.

Generera. Testa. Upptäck fel. Rätta. Kör igen. Autonomt. Det är den cykeln, inte enskilda rader kod, som är den stora disruptorn. En mänsklig utvecklare skriver kod och lämnar vidare till test, granskning och QA. AI kör hela kedjan i en enda session, itererar tills testerna går gröna, och granskar sin egen output efter sårbarheter.

Det är skillnaden mellan ett verktyg och en agent.

Tänk dig att du är CTO 2023. Du sätter ihop ett team och planerar en intern plattform — ett treårsprojekt. Du tittar på GPT-4 och säger: "Det där är inte redo." Du hade rätt.

Men din produkt lanserar inte 2023. Den lanserar 2026, eller mer realistiskt 2027. Och den konkurrerar inte mot GPT-4. Den konkurrerar mot modeller som är hundratals gånger billigare och snabbare.

Bolaget som startade sitt treårsprojekt 2023 ska nu lansera mot en verklighet där AI inte bara kodar snabbare utan också granskar, testar och säkrar kod bättre än deras eget team. Och till en hundradel av kostnaden.

Sam Altman har sagt att kostnaden för att lösa ett problem med deras senaste modell är en hundradel av vad det kostade med o1, en faktor 100 på drygt ett år. Epoch AI mätte kostnadsfallet till mellan 9x och 900x per år beroende på uppgift. Moores lag levererade 2,5x per år och förändrade hela världsekonomin. Det här är en helt annan storleksordning.

Det finns projekt där AI-skeptikern har rätt.

Komplexa system med djupa domänberoenden, regulatoriska krav och decennier av teknisk skuld, de blir inte lösta av en autonom agent över natten. Att bygga ett eget team var inte nödvändigtvis fel 2023. Det beror helt på vad man bygger. I alla fall just nu, förmodligen bara just nu...

Men marginalerna krymper snabbt. Och den som inte räknar med kurvans riktning i sitt beslutsunderlag tar en enorm risk.

Den vanligaste invändningen jag hör är: "Men AI-kod är inte säker."

Veracodes rapport från 2026 visar att 45% av AI-genererad kod innehåller OWASP Top 10-sårbarheter. Det låter illa, men ställ det mot verkligheten. Synopsys årliga analys av kommersiella kodbaser visar att 84% av mänskligt skriven produktion innehåller kända sårbarheter. Mänsklig kod har aldrig varit säker. Vi har bara inte haft verktyg som kunde visa hur osäker den är.

Den relevanta frågan är inte "skriver AI perfekt kod?" utan "blir den AI-assisterade loopen, generera, granska, upptäcka, fixa, snabbare och bättre än enbart mänsklig utveckling?"

När en AI-körning för under 20 000 dollar hittar buggar som 27 års mänsklig granskning missade, pekar riktningen bara åt ett håll. Googles Big Sleep-projekt upptäckte en kritisk SQLite-sårbarhet och komprimerade cykeln från upptäckt till patch till 48 timmar. Vid DARPAs AIxCC-final 2025 hittade autonoma system 86% av sårbarheterna till en snittkostnad av 152 dollar per uppgift.

152 dollar. Jämför det med vad ett penetrationstest kostar.

Det finns ett mönster i teknikhistorien som upprepar sig med obehaglig precision.

1975 byggde en Kodak-ingenjör världens första digitalkamera. Ledningen sa: "Söt. Berätta inte för någon." Kodak gick i konkurs 2012.

2007 skrattade Microsofts Steve Ballmer åt iPhone: "Ingen chans att den tar marknadsandelar." Över en miljard sålda iPhones senare fick han lämna som VD.

2000 kallade Blockbusters VD Netflix för en "nischverksamhet" och tackade nej till att köpa dem för 50 miljoner dollar. Netflix är idag värt över 250 miljarder.

Mönstret är alltid samma. En ny teknik ser primitiv ut. Etablerade spelare jämför den med sin mogna produkt och finner den löjligt undermålig. Tekniken förbättras exponentiellt. De själva optimerar linjärt. När tekniken är "bra nog" har fönstret att anpassa sig redan stängt.

Jag säger inte att man ska ersätta alla utvecklare med AI idag. Jag säger att varje beslut som sträcker sig över flera år måste inkludera en modell för hur AI utvecklas, inte en stillbild av var den är just nu.

Rätt fråga är aldrig "Kan AI göra det här idag?"

Rätt fråga är: "Kan AI göra det här innan vårt alternativ är klart?"

Att planera stora IT-projekt utan att räkna med AI:s förbättringstakt är att optimera för fel konkurrens och fel tidshorisont. Det är som att 1910 besluta sig för att köpa snabbare hästar."