AI-system hjälper redan forskare att utveckla nästa generation AI. De skriver kod, genomför experiment och hittar förbättringar som människor sedan kan använda. Men steget där en AI helt själv bygger en bättre efterföljare, som i sin tur bygger nästa, har vi ännu inte nått.

Frågan har ändå blivit betydligt mindre teoretisk under 2026.

Anthropic uppgav i september att Claude nu leder 26 procent av företagets modellutvecklingsarbete under mänsklig övervakning. I mer än 90 procent av arbetet deltar AI åtminstone som samarbetspartner. I februari låg andelen där AI ledde arbetet på under en procent.

Utvecklingen går alltså snabbt. Men vad betyder det egentligen? Och hur långt är det från dagens AI-assistenter till verklig rekursiv självförbättring?

Kan AI förbättra sig själv?

Ja, i en begränsad mening kan AI redan hjälpa till att förbättra AI.

Modeller kan skriva och optimera kod, föreslå experiment, analysera resultaten och hitta problem i träningssystem. AI kan också användas för att utvärdera andra AI-modeller och hjälpa forskare att välja mellan olika tekniska lösningar.

Det är däremot inte samma sak som att en AI självständigt bygger en ny och bättre version av sig själv.

För att det verkligen ska handla om rekursiv självförbättring måste processen gå betydligt längre.

En förenklad kedja skulle kunna se ut så här:

AI A hjälper till att skapa AI B.

AI B är bättre på AI-forskning än AI A.

AI B använder sin bättre förmåga för att skapa AI C.

AI C blir ännu bättre på att utveckla nästa generation.

Om förbättringarna fortsätter på det sättet har man skapat en återkopplingsloop där bättre AI leder till ännu snabbare utveckling av bättre AI.

Det är den idén som brukar kallas rekursiv självförbättring.

Det handlar inte om att AI skriver om sin egen hjärna

Begreppet kan lätt ge fel bild.

En språkmodell sitter normalt inte och öppnar sina egna modellvikter, ändrar några rader och blir intelligentare på samma sätt som ett program uppdaterar sin egen kod.

Dagens avancerade AI-system består av mycket mer än själva modellen. Det behövs träningsdata, enorm datorkraft, experiment, programvara, utvärderingar, säkerhetstester och beslut om vilka förändringar som faktiskt ska användas.

Det är därför mer korrekt att tänka på självförbättring mellan generationer.

Vad AI gör	Är det rekursiv självförbättring?
Förbättrar ett eget svar	Nej
Skriver kod åt AI-forskare	Nej, men kan bidra till utvecklingen
Optimerar träningskod och kör experiment	Del av automatiserad AI-utveckling
Genomför större forskningsuppgifter från ett mänskligt mål	Ett betydande steg mot mer autonom utveckling
Själv väljer mål, utvecklar, tränar och verifierar sin efterföljare	Full rekursiv självförbättring

Gränsen är alltså inte om AI kan bidra till utvecklingen. Det kan den redan.

Den intressanta frågan är hur många steg i utvecklingskedjan som fortfarande kräver en människa.

Claude leder redan delar av Anthropics AI-utveckling

Anthropic publicerade den 17 september 2026 en ny mätning av hur mycket AI används i företagets eget forsknings- och utvecklingsarbete.

Resultatet är anmärkningsvärt.

Claude bedöms nu leda omkring 26 procent av det studerade arbetet. I februari var motsvarande andel mindre än en procent.

Över 90 procent av arbetsuppgifterna befinner sig samtidigt på en nivå där AI åtminstone samarbetar med människan.

Men siffrorna behöver tolkas rätt.

Att AI ”leder” en uppgift betyder inte att Claude själv bestämmer vilka nya modeller Anthropic ska bygga eller får fria händer att genomföra vad den vill.

Anthropic använder flera nivåer av automatisering. På den nivå där AI leder får modellen ett övergripande mål och kan genomföra stora delar av arbetet självständigt, samtidigt som människor fortfarande övervakar processen.

Den högsta nivån skulle innebära att arbetet kan göras utan att en människa behöver delta.

Anthropic uppger att företaget ännu inte har nått den nivån inom någon av de delar av AI-utvecklingen som mättes.

Det är därför fel att tolka siffran på över 90 procent som att Claude gör nästan all AI-forskning själv. Den inkluderar även uppgifter där människa och AI arbetar tillsammans.

AI skriver redan stora delar av koden

Kodning är det område där utvecklingen kommit längst.

Anthropic uppger att mer än 80 procent av koden som lades till i företagets kodbas under maj 2026 var skriven av Claude.

Det betyder inte att Claude ensam bestämde vad som skulle byggas.

En människa kan till exempel bestämma att ett system behöver en viss funktion, beskriva problemet och sedan låta AI skriva stora delar av implementationen. Människan kan därefter granska resultatet och avgöra om det ska användas.

AI kan också arbeta mer självständigt med experiment.

I vissa av Anthropics experiment har AI-agenter fått ta en hypotes, genomföra försök, analysera resultatet och fortsätta iterera.

Men även där har människor bestämt vilket problem som ska lösas och hur ett lyckat resultat ska bedömas.

Den skillnaden är central.

Även OpenAI automatiserar forskning

Liknande utveckling sker hos andra AI-företag.

OpenAI beskrev i september 2026 hur AI-agenter används som en slags automatiserad forskningspraktikant. De kan genomföra väldefinierade tekniska forskningsuppgifter som annars skulle kunna ta en skicklig forskare flera dagar.

I mitten av augusti motsvarade agenternas arbete omkring 3,1 arbetsdagar för varje mänsklig arbetsdag inom den del av forskningsorganisationen som mättes.

Samtidigt återstår en tydlig gräns.

Människor väljer fortfarande vilka forskningsproblem som är viktiga, bedömer resultaten och beslutar om en modell ska tränas i större skala, stoppas eller användas.

För längre och svårare uppgifter krävs dessutom fortfarande ofta mänsklig hjälp under arbetets gång.

AI accelererar alltså forskningen utan att ännu ha tagit över forskarrollen i sin helhet.

AI kan också förbättra infrastrukturen bakom AI

Google DeepMinds AlphaEvolve visar en annan sida av samma utveckling.

Systemet använder AI för att hitta och förbättra algoritmer. Några av förbättringarna har sedan använts i själva infrastrukturen bakom moderna AI-system.

I ett fall förbättrades en viktig beräkningskärna med 23 procent. Förändringen bidrog till att minska tiden för träning av Gemini med omkring en procent.

Det är ett konkret exempel på en intressant återkoppling:

AI används för att hitta en teknisk förbättring som gör framtida AI-utveckling effektivare.

Men inte heller AlphaEvolve innebär att AI självständigt har konstruerat nästa generation Gemini.

Människor har fortfarande byggt systemet, bestämt vilka problem som ska lösas och avgjort vilka resultat som ska användas.

Varför människor fortfarande behövs

Den största återstående skillnaden handlar inte nödvändigtvis om att skriva mer kod.

Den handlar om omdöme.

En AI kan vara mycket bra på att genomföra ett väldefinierat experiment. Det är svårare att avgöra vilket experiment som borde göras från början.

Forskare måste bland annat avgöra:

• vilka problem som är värda att lägga tid och datorkraft på
• om en förbättring faktiskt är generell eller bara fungerar i ett särskilt test
• om resultatet beror på ett dolt fel
• vilka risker en förändring kan skapa
• när ett forskningsspår bör överges
• om en ny modell är tillräckligt säker för att användas

Anthropic beskriver forskningsomdöme som ett område där människor fortfarande har en tydlig fördel.

Samma mönster syns i andra AI-labb. AI kan göra allt större delar av själva utförandet medan människor fortfarande står för mycket av prioriteringen och de slutliga besluten.

Det är också därför det är missvisande att likställa snabbare automatisering med att människor har blivit överflödiga.

Människan kan inte kontrollera varje AI-handling

Det finns samtidigt ett praktiskt problem.

Om AI-agenter kan utföra tusentals eller miljontals handlingar på kort tid går det inte att låta en människa manuellt godkänna varje steg.

Anthropic uppgav att omkring 30 000 forsknings- och ingenjörsagenter samtidigt var aktiva på företagets mest använda interna plattform i augusti 2026.

Deras handlingar passerar därför automatiska kontrollsystem.

Anthropic uppger att mer än en miljard beslut har passerat ett sådant system och att ungefär 0,002 procent stoppades, motsvarande omkring ett av 47 000 beslut.

Ett annat system väljer regelbundet ut de mest intressanta eller potentiellt problematiska fallen för mänsklig granskning.

Det illustrerar hur begreppet mänsklig övervakning förändras när AI-systemen skalar upp.

Det betyder inte längre att en person tittar över axeln på varje AI-agent.

I stället handlar kontrollen om att människor bestämmer målen, begränsar vilka resurser systemet får använda, definierar säkerhetsregler, granskar avvikelser och behåller de avgörande besluten.

Frågan om hur mycket faktisk kontroll människor kan behålla när systemen blir ännu snabbare är därför minst lika viktig som frågan om hur intelligenta modellerna blir.

Den som vill förstå den delen bättre kan läsa vår guide om huruvida AI kan stängas av och vilka tekniska spärrar som finns.

Kan en självförbättrande AI plötsligt bli extremt mycket bättre?

Det är här diskussionen om en så kallad intelligensexplosion börjar.

Tanken är enkel.

Anta att en avancerad AI gör varje AI-forskare dubbelt så produktiv.

Forskarna kan då bygga en bättre modell snabbare.

Den nya modellen kanske gör forskarna ytterligare två eller fem gånger effektivare.

Nästa generation kan därefter utvecklas ännu snabbare.

Om varje förbättring gör det lättare att hitta nästa förbättring kan utvecklingstakten accelerera kraftigt.

Det är en möjlig återkopplingsmekanism.

Men det är inte visat att processen faktiskt kommer att fortsätta på det sättet.

Det finns flera möjliga bromsar

AI-utveckling kräver mer än intelligenta modeller.

En ny avancerad modell kan behöva enorma mängder datorkraft. Chip måste byggas. Datacenter behöver el, kylning och nätverk. Träning kan ta tid även om forskningen går snabbt.

Det finns också en möjlighet att de enklaste förbättringarna hittas först.

Utvecklingen skulle då kunna accelerera under en period för att sedan plana ut när problemen blir svårare.

En annan möjlig begränsning är just forskningsomdömet. Ett system kan vara fantastiskt på att lösa ett problem utan att vara lika bra på att välja vilket problem som borde lösas.

Därför säger inte heller Anthropic att full rekursiv självförbättring är oundviklig.

Den kan inträffa.

Utvecklingen kan också stanna vid en värld där AI utför en mycket stor del av forskningsarbetet, medan människor eller mänskligt konstruerade kontrollsystem fortfarande bestämmer riktningen.

Är dagens AI självförbättrande?

Det beror på hur strikt man använder ordet.

I vardaglig mening finns redan en tydlig återkoppling.

AI hjälper till att skriva kod, förbättra algoritmer och genomföra experiment som används för att skapa bättre AI-system.

Den bättre AI:n kan sedan bli ett ännu kraftfullare verktyg för nästa utvecklingsrunda.

Det är en verklig utveckling och inte längre en ren science fiction-idé.

Men med den starkare definitionen är svaret fortfarande nej.

Dagens ledande modeller väljer inte själva hela sin forskningsagenda, skaffar inte på egen hand den datorkraft de behöver, tränar inte fullständigt självständigt sin efterföljare och bestämmer sedan att den nya modellen ska tas i drift.

Människor och mänskligt byggda organisationer kontrollerar fortfarande de avgörande delarna av kedjan.

Vad måste hända för att vi ska kunna tala om riktig rekursiv självförbättring?

Det tydligaste tecknet skulle inte vara att nästa AI-modell skriver ännu mer kod.

Det skulle vara att människor gradvis försvinner från hela utvecklingsloopen.

Ett verkligt autonomt system skulle behöva kunna formulera relevanta forskningsmål, utveckla nya metoder, genomföra experiment, tolka resultaten, avgöra vilka förbättringar som är verkliga och sedan använda dessa förbättringar för att skapa nästa generation.

Dessutom måste resultatet faktiskt bli bättre på just AI-utveckling.

Först då uppstår den rekursiva delen på allvar: en bättre AI bygger en ännu bättre AI-utvecklare.

Vi är inte där ännu.

Men utvecklingen under 2026 visar varför frågan har förändrats.

För bara några år sedan diskuterades självförbättrande AI främst som ett hypotetiskt framtidsscenario. Nu mäter några av världens ledande AI-labb hur stor del av deras egen forskning och utveckling som redan genomförs av AI.

Anthropics senaste mätning av automatisering inom den egna AI-utvecklingen är därför intressantare än en enskild procentsiffra.

Den visar att den första delen av återkopplingsloopen redan finns.

AI hjälper människor att bygga bättre AI.

Den stora obesvarade frågan är hur många mänskliga steg som återstår innan den loopen kan fortsätta på egen hand.

Det är också en viktig skillnad mot de mycket större frågorna om AI skulle kunna bli ett existentiellt hot. Att AI kan hjälpa till att utveckla nästa AI-generation betyder inte automatiskt att systemen blir okontrollerbara.

Men ju mer av utvecklingsarbetet som automatiseras, desto viktigare blir det att förstå vem som sätter målen, vilka gränser systemen har och vem som fortfarande kan säga stopp.