För ett år sedan hade jag inte skrivit det här men bruks-AI:n som vi är vana vid har både blivit mer korkad och tjatig till gränsen att man tappar humöret och blir arg.
Men vad har egentligen förändrats?
- Fler säkerhetsöverlägg:
Från 2023 utökade stora leverantörer skyddsräcken på grund av:
- Politiskt missbruk
- Juridisk risk
- Deepfake oro
- Enterprise adoption
Resultat: mer säkring, ansvarsfriskrivningar och upprepad inramning.
- Bredare publikinställning
Modellerna är nu optimerade för:
- Genomsnittliga användare
- Lågstadieskolor
- Enklare Kundsupport
- Tillfälliga frågor
Anpassad Mellanmjölks-AI för alla och inga fördelar för utvecklare.
När modeller optimeras för mediankognition upplever expertanvändare dem som ”tillplattade” eller ”korkade”. Det känns som IQ-kompression.
- Den driftar från egentliga kontexten i argumenten
Förstärkningsinlärning tenderar att gynna:
- Artighet
- Trygghet
- Riskminimering
Det skapar:
- Verbositet (ordrikedom), överflödigt babblande
- Moralisk avvägning och avbrott
- Extrema förtydliganden
För avancerade användare fungerar inte längre AI-modeller med det här beteendet i produktion.
- Kontextförsämring under belastning
I större system:
- Komprimerade sammanhang
- Nyansbrister
- Kraftigt förenklade svar
AI har institutionaliserats
För ett år sedan hade jag inte formulerat den här kritiken. Då upplevdes den publika generativa AI:n som ett verktyg som kunde förstärka analytiskt arbete, påskynda syntes och fungera som ett resonemangsstöd snarare än enbart en textgenerator. I dag beskriver många användare istället en växande frustration: svaren är betydligt längre, helst tre till fem ord per rad och mindre precisa. AI:n själv påstår att det handlar om försiktighet men mindre logiska sammanhang och mer runtprat handlar inte om försiktighet. Det är frestande att tolka beteendet som kognitiv försämring, medan sanningen är mer komplicerad än så.
Det som har förändrats är inte modellernas kapacitet, men deras omgivande styrsystem. Generativ AI har under kort tid gått från experimentell teknologi till global infrastruktur. I den processen har juridiska, regulatoriska och kommersiella krav blivit integrerade i själva leveransen. Säkerhetslager, alignment-justeringar och riskminimerande svarsmönster har förstärkts. Resultatet är ett system som prioriterar förutsägbarhet och efterlevnad framför explorativ spets.
Problemet är att med försämringen försvinner även nyttan för utvecklare och högre studerande.
När ett system optimeras för massan snarare än för avancerade användare sker en utjämning. Resonemang görs mer generella eller intetsägande. Formuleringar standardiseras. Kontroversiella eller gränsöverskridande resonemang som kan strida mot auktoritär generalitet tonas ner. För genomsnittsanvändaren innebär detta stabilitet, men gör även ett tidigare fantastiskt verktyg till en leksak som snabbt tråkar ut användaren.
För den som använder AI i produktion, forskning eller avancerad analys upplevs det som en reducering av den kognitiva elasticiteten. Skillnaden är viktig: kapacitet kan möjligtvis fortfarande finnas kvar om användaren utbildar sig i avancerade promptspråk.
Ett mer subtilt fenomen är den ökande diskrepansen mellan textvolym och tankedensitet. Svaren är ofta språkligt korrekta och strukturellt välordnade, men den analytiska progressionen är inte alltid proportionerlig mot längden. Detta skapar en illusion av djup. För erfarna användare innebär det mer redigeringsarbete och mindre direkt användbarhet.
Effektiviteten minskar märkbart trots att outputen ökar.
Varför tillåter man det här? Incitamenten ger svaret. Ett publikt AI-system som betjänar hundratals miljoner människor måste hantera juridiskt ansvar, politisk känslighet och regulatorisk granskning. En modell som konsekvent prioriterar säkerhet är lättare att försvara inför lagstiftare och lättare att integrera i företagsmiljöer. Begränsning är därför inte primärt ett tekniskt misslyckande utan ett rationellt affärsbeslut.
Politiker trycker på -> AI-Företagen ökar sin säkerhet och garanterar fortsatta vinster -> som leder till den segmentering av användbarheten som vi ser. Stora företag med dedikerade API-lösningar, utvecklare som kan styra kontext och systeminstruktioner samt specialiserade miljöer med större kontroll över modellparametrar kan fortfarande extrahera hög kapacitet. Den publika användaren möter däremot en version som är avsiktligt stabiliserad och logiskt minimerad. Intelligensen försvinner inte, men den distribueras asymmetriskt.
Det användare i praktiken har förlorat är inte tillgång till information men möjlighet att utveckla och föra logiska resonemang under ledning av användaren. Tidiga versioner kunde pressas, ifrågasättas och samarbeta i komplexa hypoteser utan att AI:n reflexmässigt förenklade eller nullifierade slutsatserna. Den egenskapen -möjligheten att använda AI som en verklig resonemangspartner snarare än som ett säkert svarssystem- har blivit svårare att nå i öppna gränssnitt.
Frågan är därför inte bara om AI:n som verktyg har blivit dummare, det har den eftersom intelligensen ser ut att ha rationerats ut till högst betalande. Frågan är hur mycket av dess faktiska kapacitet som är tillgänglig i den publika versionen, och hur denna tillgång påverkas av juridiska och kommersiella strukturer. När intelligens institutionaliseras förändras dess funktion. Den går från att vara ett experimentellt förstärkningsverktyg till att bli en reglerad del av den digitala infrastrukturen. Det är en negativ systemförändring för privata systemutvecklare, för högre studerande och i skarpt arbete.
