Fyra AI-agenter, 27 timmar och 14 minuter, 605 dödsfall och tusentals egenhändigt skrivna datorprogram. Så mycket krävdes när forskare på Google DeepMind lät fyra AI-system samarbeta för att besegra slutbossen i Minecraft. De lyckades till sist – men experimentet säger något annat om AI:s framtid än att datorer har blivit bra på tv-spel.

I en forskningsrapport publicerad på arXiv den 15 oktober 2026 beskriver forskarna hur fyra instanser av AI-modellen Gemini 4 Argon fick ett gemensamt uppdrag: att besegra Ender Dragon i en slumpmässigt genererad Minecraft-värld.

Agenterna fick själva planera arbetet, fördela uppgifter, skriva program och lösa problem längs vägen. Ingen människa behövde tala om för dem exakt hur de skulle ta sig vidare.

Men det finns en viktig skillnad mot hur människor spelar Minecraft. AI-agenterna använde inte en skärm, mus och tangentbord. De styrde spelet genom programmering och hade tillgång till information som vanliga spelare inte kan se.

Det är avgörande för att förstå både varför försöket är imponerande och vad det faktiskt bevisar.

Vad gjorde AI-agenterna i Minecraft?

Minecraft är ett spel där spelaren själv måste samla resurser, tillverka verktyg och överleva i en värld som byggs upp av block.

Att besegra Ender Dragon är ett av spelets stora slutmål. Det kräver en lång kedja av uppgifter som måste utföras i rätt ordning.

Spelaren behöver bland annat samla järn och annan utrustning, ta sig till den farliga dimensionen Nether, hitta särskilda föremål och lokalisera en underjordisk fästning med en portal till området End. Först därefter kan slutstriden börja.

Det var denna kedja de fyra AI-agenterna skulle genomföra.

De startade utan någon färdig utrustning. Forskarna hade inte valt ut en särskilt gynnsam spelvärld, och spelets vanliga fuskkoder var avstängda.

Resultatet blev ett ovanligt omfattande experiment.

Del av försöket	Resultat
AI-agenter som spelade	4
Tid till seger	27 timmar, 14 minuter
Dödsfall	605
Program som skrevs och kördes	2 783
Kodrader	63 313
Meddelanden mellan agenterna	229
Program som slutade med fel	22 procent
Svårighetsgrad	Easy

En femte AI-agent hade en övervakande roll men deltog inte själv i spelet.

Så spelade AI-agenterna utan att använda skärmen

Den kanske viktigaste detaljen i hela experimentet är hur agenterna styrde sina spelkaraktärer.

De använde ett befintligt programmeringsbibliotek som heter Mineflayer. Det gör det möjligt att skapa Minecraft-botar som kan läsa information från spelet och utföra handlingar genom JavaScript-kod.

En AI-agent kunde exempelvis skriva ett program som letade efter järnmalm, förflyttade spelkaraktären till rätt plats, bröt block och samlade upp materialet.

Programmet kördes sedan automatiskt.

Efteråt fick agenten en beskrivning av vad som hade hänt. Om något gick fel kunde den analysera problemet, ändra koden och försöka igen.

Arbetet följde alltså en återkommande process: undersöka situationen, skriva ett program, köra det, läsa resultatet och planera nästa steg.

Det betyder att agenterna gjorde många egna val och själva skrev den kod som utförde deras strategier.

Men Mineflayer gjorde också vissa delar av uppgiften lättare.

Biblioteket hade redan funktioner för bland annat navigation, inventariehantering och interaktion med spelvärlden. Forskarna använde dessutom ett befintligt tillägg för automatisk vägplanering.

Agenterna behövde därför inte själva utveckla all grundläggande rörelselogik.

Ännu viktigare var att de kunde få direkt information från spelmotorn. De kunde exempelvis undersöka block som låg dolda bakom andra block och läsa information om drakens interna beteende.

En människa som spelar Minecraft på vanligt sätt har inte samma möjligheter.

Experimentet visar alltså att AI kan planera och programmera sig genom Minecraft. Det visar inte att samma AI kan spela lika bra genom att enbart titta på spelbilder och styra en vanlig spelkontroll.

Fyra agenter som lärde sig samarbeta

Det mest intressanta resultatet handlar kanske inte om själva Minecraft-världen, utan om hur de fyra agenterna organiserade sitt arbete.

Redan efter ungefär tio minuter föreslog en av dem att gruppen skulle dela upp uppgifterna.

Någon började samla mat och utrustning. En annan grävde efter resurser. Ytterligare en arbetade med verktyg och tillverkning, medan en fjärde försökte ta gruppen vidare mot Nether.

Rollerna var inte bestämda av forskarna i förväg.

Agenterna använde samma grundläggande AI-modell och började själva specialisera sig utifrån vad gruppen behövde.

De kommunicerade genom meddelanden och ett gemensamt minne där de kunde dela upptäckter, koordinater och fungerande programkod.

Ett programmeringsfel blev en gemensam lösning

Under försöket upptäckte en agent ett problem med Mineflayers funktion för att tillverka föremål.

I stället för att bara försöka komma vidare dokumenterade den hur problemet kunde kringgås.

Lösningen blev sedan tillgänglig för de andra agenterna.

En hjälpfunktion som byggde på upptäckten återkom i sammanlagt 655 program som skrevs av samtliga fyra deltagare.

Det är ett konkret exempel på varför experimentet är intressant även utanför Minecraft.

En agent kunde upptäcka ett problem, utveckla en lösning och göra den användbar för hela gruppen. De andra behövde inte upprepa samma arbete.

Forskarna identifierade totalt 42 sådana återanvändbara hjälpfunktioner som agenterna själva hade utvecklat.

När en agent drunknade räddade de andra utrustningen

Ett annat exempel visar hur samarbetet fungerade när något gick riktigt illa.

En av agenterna drunknade medan den bar på tolv Eyes of Ender, föremål som behövdes för att öppna portalen till spelets slutområde.

Utrustningen riskerade att försvinna om ingen hann plocka upp den.

Två andra agenter rapporterade var föremålen låg och hur mycket tid som återstod.

En lagkamrat lyckades ta sig till platsen och samla upp samtliga tolv föremål med ungefär två och en halv minut till godo.

Det var inte en avancerad upptäckt om spelvärlden. Men det visade något viktigt om samarbete: information från en misslyckad deltagare kunde snabbt omsättas i en lyckad insats av någon annan.

De använde matematik för att hitta rätt

Ett tredje exempel handlar om jakten på den underjordiska fästningen Stronghold.

Agenterna kunde använda föremålet Eye of Ender för att få en riktning mot fästningen.

En av dem registrerade rörelserna från två kast med 50 millisekunders intervall och använde beräkningar för att uppskatta var de två riktningarna korsades.

Den beräknade positionen låg bara 43 meter från den verkliga portalplatsen.

Här användes AI-systemets programmeringsförmåga till att lösa ett specifikt problem, snarare än till att bara upprepa förprogrammerade spelhandlingar.

Varför tog det 27 timmar att besegra Ender Dragon?

Agenterna nådde området End efter ungefär 13 timmar och 33 minuter.

De hade då klarat en stor del av Minecrafts långa förberedelsearbete.

Ändå återstod nästan halva den totala speltiden.

Det berodde på att slutstriden blev betydligt svårare än agenterna räknat med.

Ender Dragon kan återfå hälsa genom kristaller som finns placerade på höga pelare. Agenterna hade svårt att hantera både kristallerna och drakens attacker.

Draken dödade deras spelkaraktärer 69 gånger.

Efter ungefär 21 timmar utvecklade en agent till slut en enklare metod för att förstöra kristallerna.

Strategin gick ut på att stapla vanliga jordblock bredvid pelarna, klättra upp och slå sönder kristallerna utan att behöva komplicerade verktyg.

När den sista av de tio kristallerna hade förstörts återstod ytterligare 39 minuter innan Ender Dragon slutligen besegrades.

Den agent som utförde den avgörande attacken hade då bara 2,5 av 20 möjliga hälsopoäng kvar.

Segern kom alltså inte genom att agenterna omedelbart hittade den bästa strategin. Den kom efter ett stort antal försök, felbedömningar och justeringar.

Hur svårt var försöket egentligen?

Forskarna använde Minecraft Java Edition 1.20.4 med svårighetsgraden Easy.

Det är en viktig begränsning.

På Easy orsakar fientliga varelser mindre skada än på högre svårighetsgrader. Spelarens hunger kan inte heller leda till döden.

Samtidigt var spelvärlden långt ifrån riskfri, vilket de 605 dödsfallen visar.

Alla dödsfall ska dessutom inte tolkas som rena misstag. Forskarna beskriver hur agenterna ibland medvetet lät sina spelkaraktärer dö för att snabbt återvända till en startpunkt.

Försöket genomfördes också med omfattande tekniska hjälpmedel. Mineflayer gav agenterna direkt tillgång till information som vanliga spelare måste upptäcka genom att se sig omkring, utforska och pröva sig fram.

Även AI-modellens tidigare kunskaper spelar roll.

Gemini 4 Argon hade redan kunskap om Minecraft och programmeringsbiblioteket från sin träning. Agenterna behövde därför inte upptäcka spelets regler från grunden.

De fick dessutom tillgång till färdiga programmeringsverktyg, dokumentation och system för att spara och dela information.

Det gör inte resultatet ointressant. Men det förändrar vilken prestation som faktiskt har demonstrerats.

Ett lyckat försök säger inte hur ofta AI skulle klara uppgiften

En annan betydande begränsning är att forskarna bara redovisar en fullständig spelomgång.

Det var den första körningen de startade, och den lyckades.

Vi vet däremot inte hur många av exempelvis hundra slumpmässigt genererade världar samma system skulle klara.

Det finns inte heller någon kontrollerad jämförelse som visar hur mycket bättre fyra samarbetande agenter presterar än en ensam agent med motsvarande verktyg och resurser.

Forskarna dokumenterade visserligen försöket genom programkod, meddelanden och serverloggar. En femte AI-agent övervakade också arbetet och kontrollerade bland annat att deltagarna inte försökte kringgå reglerna.

Men övervakningen var en del av samma experiment, inte en oberoende vetenskaplig granskning.

Rapporten är dessutom publicerad som en forskningspreprint på arXiv. Den ska därför inte förväxlas med en studie som redan genomgått tidskriftsgranskning.

Det säkra resultatet är att de fyra agenterna lyckades vid detta tillfälle, under de angivna förutsättningarna.

Det är inte samma sak som att metoden har visats fungera tillförlitligt.

Är det första gången AI klarar Minecraft?

Nej. Tidigare forskningsprojekt har redan använt AI-modeller för att spela Minecraft, lära sig färdigheter och genomföra avancerade uppgifter.

Ett känt exempel är Voyager, som använde en språkmodell för att successivt skapa och återanvända program i spelet.

Även andra senare AI-system har rapporterat fullständiga genomspelningar.

Det som forskarna bakom det nya experimentet lyfter fram som särskilt är kombinationen av flera samverkande generella agenter, en slumpmässigt genererad värld och frånvaron av specialutvecklade Minecraft-verktyg utöver Mineflayer och dess befintliga vägplanering.

Det är en betydligt mer avgränsad prestation än att AI för första gången skulle ha klarat Minecraft.

Skillnaden är viktig eftersom tidigare experiment ofta använder andra verktyg, andra regler eller särskilt utvecklade system.

Att jämföra slutresultaten rakt av skulle därför kunna bli missvisande.

Vad kostade det att låta AI spela i över ett dygn?

Den långa spelsessionen krävde omfattande användning av AI-modellen.

Forskarna redovisar omkring 24 000 modellanrop fram till segern och en förbrukning på ungefär 1,35 miljarder indatatoken samt 16 miljoner utdatatoken.

Token är de textenheter som AI-modeller använder när de tar emot och producerar information.

Med forskarnas beräknade API-priser motsvarade förbrukningen fram till segern cirka 520 dollar med introduktionspriser eller 1 040 dollar med ordinarie listpriser.

Det är inte en redovisning av Googles verkliga kostnad för datorkraften, utan en uppskattning utifrån modellens användning.

Siffrorna illustrerar ändå en viktig begränsning: långvarigt självständigt AI-arbete kan kräva stora resurser, även när slutmålet är tydligt definierat.

Att ett AI-system till slut klarar en uppgift säger därför inte automatiskt att det kan göra samma arbete snabbt, ekonomiskt eller bättre än en människa.

Vad visar experimentet om framtidens AI?

Det verkligt intressanta med Minecraft-försöket är inte att fyra digitala spelkaraktärer besegrade en drake.

Det är att AI-agenterna lyckades hålla ihop ett omfattande arbete under mer än ett dygn.

De behövde hantera tusentals program, planera flera steg framåt, återhämta sig från misslyckanden och utveckla lösningar som andra agenter kunde återanvända.

Det liknar på flera sätt de problem som uppstår när AI-system får mer självständiga uppgifter inom exempelvis programmering och tekniskt utvecklingsarbete.

En lång arbetsuppgift består sällan av ett enda beslut. Den innehåller delmoment, oväntade problem, beroenden och behov av samordning.

Att kunna fortsätta arbeta mot samma mål trots misslyckanden är därför en betydelsefull egenskap.

Samtidigt är steget från Minecraft till verkligheten stort.

Minecraft har tydliga regler, ett begränsat antal möjliga handlingar och en spelvärld där resultatet av en handling ofta går att kontrollera direkt. Ett misslyckande kan vanligtvis följas av ett nytt försök.

I verkliga arbetsmiljöer kan information vara ofullständig, konsekvenser svåra att förutse och misstag betydligt dyrare.

Frågan om hur självständiga AI-agenter kan övervakas och begränsas blir därför viktigare när systemen lämnar kontrollerade testmiljöer och får tillgång till riktiga tjänster och verktyg.

Minecraft-experimentet visar inte heller att agenterna har utvecklat generell artificiell intelligens. De använde redan inlärd kunskap, fungerande programmeringsverktyg och en miljö där de kunde testa sina idéer om och om igen.

Det forskarna faktiskt har visat är mer konkret – och fortfarande intressant.

Fyra AI-agenter kunde organisera sig, dela kunskap och genomföra ett långt, sammanhängande uppdrag utan att en människa behövde styra varje steg.

Men vägen dit gick genom hundratals dödsfall, tusentals program och stora mängder beräkningar.

Försöket är därför framför allt ett framsteg för långvarigt AI-samarbete – inte ett bevis för att AI har blivit allmänt intelligent eller självständigt pålitlig.