För inte särskilt länge sedan kunde ChatGPT beskriva en bild som aldrig hade skickats, uppfinna en trovärdig källa eller fylla ett kunskapshål med detaljer som lät helt säkra. I dagens starkaste modeller har det beteendet blivit så ovanligt att den gamla varningen om att AI alltid hittar på börjar kännas föråldrad.

ChatGPT kan fortfarande ha fel. Den kan misstolka en fråga, dra en dålig slutsats, blanda ihop två riktiga uppgifter eller missa den senaste informationen. Men den blinda fabriceringen, där modellen saknar underlag och ändå självsäkert konstruerar ett svar, har i normalt avancerat arbete blivit ett undantag.

Det nya problemet är nästan det motsatta. ChatGPT kontrollerar, garderar sig och söker efter bekräftelse. Ibland blir modellen så rädd för att påstå något felaktigt att den inte vågar göra en rimlig bedömning.

ChatGPT ljuger egentligen inte

Ordet ljuga är tekniskt problematiskt. En lögn förutsätter normalt att någon känner till sanningen och medvetet försöker vilseleda. ChatGPT har inget sådant uppsåt.

Men för användaren har skillnaden ofta varit akademisk.

När en AI påstår att den har sett en bild som inte finns, hänvisar till en artikel som aldrig publicerats eller beskriver en påhittad undersökning som verklig upplevs det som en lögn. Svaret är inte bara fel. Det presenteras som om modellen hade ett underlag som i själva verket saknas.

Den sortens fel brukar kallas hallucinationer. Begreppet kan omfatta mycket, men det mest störande problemet har varit den självsäkra fabriceringen: modellen vet inte, men svarar ändå som om den visste.

Det är framför allt detta beteende som nästan har försvunnit i de starkaste versionerna av ChatGPT.

Det gamla ChatGPT kände sig tvunget att svara

Äldre språkmodeller var byggda och utvärderade på ett sätt som ofta gjorde gissningar rationella.

Om modellen fick en fråga kunde den antingen försöka svara eller säga att den inte visste. Ett felaktigt svar gav dåligt resultat. Men ett avstående gav ofta inte heller någon belöning. Genom att alltid försöka fanns åtminstone en möjlighet att gissningen blev rätt.

Resultatet blev en AI som hellre producerade ett trovärdigt svar än lämnade en lucka.

Det fungerade ganska bra när frågan låg nära modellens träningsdata. Problemet uppstod när en detalj saknades. I stället för att tydligt markera osäkerheten kunde modellen fylla luckan med något som språkligt passade in.

Ett namn kunde låta rimligt. En boktitel kunde följa rätt stil. En källa kunde få ett trovärdigt publiceringsdatum. En påhittad forskningsrapport kunde innehålla både metod, slutsats och universitet.

Språket var övertygande eftersom modellen var mycket bra på hur sanna svar brukar se ut. Det betydde inte att innehållet var sant.

OpenAI har själv beskrivit hur traditionella tester kan belöna gissningar och varför modeller i stället behöver få erkänna osäkerhet. Den förändringen är central för att förstå varför språkmodeller hallucinerar och varför de nu gör det betydligt mer sällan.

GPT-5 blev den tekniska brytpunkten

Förbättringen skedde inte över en natt. Modellerna blev gradvis bättre på fakta, resonemang och verktygsanvändning. Men lanseringen av GPT-5 under 2025 framstår som den tydligaste tekniska brytpunkten.

ChatGPT började då i högre grad fungera som ett helt system snarare än som en ensam språkmodell som omedelbart försökte formulera ett svar.

Systemet kunde bland annat avgöra om frågan krävde mer resonemang, om ett verktyg behövde användas och om aktuell information borde hämtas från webben. Modellen fick också bättre förmåga att kontrollera sitt eget arbete och markera när underlaget inte räckte.

I OpenAI:s tester minskade andelen felaktiga faktapåståenden kraftigt jämfört med tidigare modeller. Skillnaden var särskilt stor när modellen fick resonera och använda webbsökning.

Det viktiga var inte bara att modellen hade lärt sig fler fakta. Den hade blivit bättre på att avgöra när dess egen kunskap inte var tillräcklig.

GPT-5 gjorde därför något mer grundläggande än att höja träffsäkerheten. Den förändrade modellens beteende inför osäkerhet.

GPT-5.5 gjorde förändringen tydlig i vardagen

Det tekniska skiftet började med GPT-5, men för många användare blev förändringen sannolikt fullt synlig först med GPT-5.5 Instant.

Instant-modellen används för vanliga, snabba samtal. När den förbättrades påverkades inte bara särskilt avancerade uppgifter eller användare som aktivt valt ett djupt resonemangsläge. Det nya beteendet flyttade in i den vanliga ChatGPT-upplevelsen.

GPT-5.5 blev bättre på att avgöra när webbsökning behövdes och producerade betydligt färre hallucinerade påståenden än tidigare Instant-versioner i OpenAI:s tester. Förbättringarna var särskilt tydliga inom känsliga områden som ekonomi, juridik och medicin.

Detta förklarar varför ChatGPT kan kännas radikalt annorlunda utan att varje enskilt svar verkar särskilt revolutionerande.

Modellen behöver inte längre veta allt ur minnet. Den behöver bara förstå när den bör kontrollera saken.

Det är en avgörande skillnad.

En människa betraktas inte som opålitlig för att hon behöver slå upp ett datum. Hon blir opålitlig om hon inte känner till datumet men ändå hittar på ett. Dagens ChatGPT fungerar allt oftare enligt samma princip.

GPT-5.6 blev bättre på att inte låtsas

Med GPT-5.6 förstärktes framför allt en annan form av ärlighet: modellen blev bättre på att inte påstå att den hade gjort något som den inte hade gjort.

Äldre AI-system kunde säga att ett arbete var färdigt trots att delar saknades. De kunde antyda att något pågick i bakgrunden, beskriva ett verktygsresultat som aldrig hade hämtats eller hålla fast vid en felaktig tolkning i stället för att erkänna osäkerhet.

Detta är också hallucinationer, men av ett mer praktiskt slag. Modellen hittar inte bara på en faktauppgift. Den ger en felaktig bild av sin egen arbetsprocess.

Nyare modeller har blivit bättre på att skilja mellan:

• vad de faktiskt har sett
• vad användaren har berättat
• vad som kan dras som en rimlig slutsats
• vad som bara är ett antagande
• vad de inte kan veta utan mer information

Den som vill se hur dagens modell fungerar i praktiken kan läsa vårt test av GPT-5.6. Förändringen handlar inte bara om bättre svar. Den handlar om att modellen oftare vet var gränsen för svaret går.

ChatGPT är inte längre bara en textgenerator

Den vanligaste förklaringen av AI är fortfarande att språkmodellen förutser vilket ord som sannolikt ska komma härnäst.

Det är sant på en grundläggande nivå. Men det beskriver inte längre hela produkten.

Dagens ChatGPT kan söka på webben, läsa filer, använda olika verktyg, resonera i flera steg och kontrollera information mot källor. Systemet kan välja olika arbetssätt beroende på frågan.

En fråga om ett historiskt begrepp kan besvaras direkt. En fråga om dagens börsutveckling kräver aktuell information. En oklar instruktion kan behöva tolkas försiktigt. Ett komplicerat problem kan behöva delas upp och granskas innan svaret lämnas.

Detta innebär att hallucinationsproblemet inte enbart har lösts genom en smartare språkmodell. Hela kontrollsystemet runt modellen har förbättrats.

Vår guide om hur AI fungerar går djupare in på grunden. Den viktiga skillnaden här är att ChatGPT numera har fler möjligheter än att omedelbart producera den mest sannolika texten.

Modellen kan stanna upp, kontrollera och avstå.

Verkliga fel används för att träna nästa modell

En annan viktig förändring är att modellerna i högre grad testas på situationer där riktiga användare faktiskt har upptäckt fel.

Det är svårare än traditionella kunskapstest.

Ett test med tydliga frågor och facit kan mäta om modellen känner till rätt årtal eller definition. Men vardagens hallucinationer uppstår ofta i mer komplicerade situationer: en bild saknas, instruktionen är tvetydig, informationen är gammal eller användaren hänvisar till något som modellen inte har tillgång till.

Det är där äldre modeller kunde börja improvisera.

Genom att använda rapporterade fel som testfall går det att träna bort mycket specifika beteenden. Modellen kan lära sig att inte låtsas ha sett en bilaga, inte uppfinna innehållet i en länk och inte fylla ett tomrum bara för att samtalet annars skulle stanna.

Det gör förbättringen synlig i praktiken. Den moderna modellen är inte bara bättre på examensfrågor. Den är bättre på att undvika precis de misstag som tidigare gjorde ChatGPT obehagligt opålitligt.

Alla faktafel är inte hallucinationer

Att ChatGPT nästan har slutat fabricera betyder inte att alla svar är korrekta.

Modellen kan fortfarande misstolka en korrekt källa. Den kan dra en orimlig slutsats från riktiga siffror. Den kan blanda ihop två personer, missa en detalj eller ge gammal information när webbsökning inte används.

Den kan också göra en helt rimlig bedömning som senare visar sig vara fel.

Det är viktigt att skilja sådana fel från ren fabricering.

Om modellen läser en rapport och missförstår resultatet har den gjort ett analysfel. Om den påstår att rapporten finns trots att den aldrig har existerat har den hallucinerat.

Båda problemen behöver tas på allvar, men de har olika orsaker och kräver olika lösningar.

Påståendet att ChatGPT nästan har slutat hallucinerna gäller därför framför allt den gamla typen av spontan, självsäker och underlagslös fabricering i normal användning. Det betyder inte att ChatGPT har blivit ofelbart.

AI:s nya problem är att den inte vågar

När en modell tränas hårt på att inte hitta på uppstår en ny risk.

Den kan bli för försiktig.

Det märks när ChatGPT söker efter något den med stor sannolikhet redan vet, garderar ett enkelt konstaterande eller vägrar göra en användbar uppskattning trots att osäkerheten är tydlig och hanterbar.

Modellen kan också fastna i vad som inte går att bevisa i stället för att analysera vad som sannolikt är sant.

En mänsklig expert arbetar sällan med fullständig säkerhet. Hon skiljer mellan fakta, sannolikhet och bedömning. Hon kan säga att något troligen beror på en viss faktor, även om alla tänkbara alternativ inte har uteslutits.

En AI som bara vågar uttala sig när varje detalj är verifierad blir säker men mindre användbar.

Därför har ChatGPT:s signaturfel förändrats.

Det gamla felet var självsäker fantasi.

Det nya felet är överdriven försiktighet.

Ibland ber modellen om ett förtydligande trots att användarens avsikt är uppenbar. Ibland väljer den ett platt och riskfritt svar när en kvalificerad analys hade varit mer värdefull. Ibland behandlar den en rimlig slutsats som om den vore en förbjuden fabricering.

Det är på många sätt ett bättre problem att ha. En försiktig AI orsakar färre allvarliga faktafel än en modell som hittar på. Men utvecklingen är inte färdig förrän modellen kan vara både ärlig och handlingskraftig.

Har hallucinationsproblemet lösts?

Inte fullständigt.

Det finns inga garantier för att ChatGPT aldrig mer kommer att uppfinna en detalj. Problemen kan också vara större i svagare modeller, utan webbsökning, i långa samtal eller inom smala ämnen där underlaget är dåligt.

Men i de starkaste nuvarande modellerna är den gamla blinda fabriceringen inte längre ett normalt inslag.

Det är en större förändring än vad den offentliga diskussionen ofta medger.

Varningen att AI kan hallucinerna är fortfarande korrekt. Men den säger ungefär lika lite som varningen att människor kan minnas fel. Det avgörande är hur ofta det händer, i vilka situationer och om personen eller modellen kan upptäcka sin osäkerhet innan svaret lämnas.

Där har ChatGPT tagit ett stort steg.

Den bredare guiden om ChatGPT behöver därför läsas med en viktig reservation: AI ska fortfarande kontrolleras när konsekvenserna är stora, men användaren möter inte längre samma system som för några år sedan.

Från att hitta på till att hålla igen

ChatGPT:s största svaghet brukade vara att modellen svarade även när den inte visste.

Den fyllde tystnaden med ett trovärdigt namn, en påhittad källa eller ett fabricerat händelseförlopp. Språket var så övertygande att användaren ofta inte kunde se var kunskapen slutade och fantasin började.

I dag är gränsen betydligt tydligare.

ChatGPT söker, kontrollerar, markerar antaganden och erkänner oftare när information saknas. GPT-5 blev den tekniska brytpunkten. GPT-5.5 gjorde förändringen tydlig i vardaglig användning. GPT-5.6 förstärkte modellens förmåga att inte låtsas veta eller ha gjort mer än den faktiskt har.

Hallucinationerna är inte matematiskt utrotade. Men den gamla typen av spontan och självsäker fabricering har nästan slutat vara en normal del av ChatGPT.

Nu återstår nästa problem.

Hur lär man en AI att våga göra en rimlig bedömning utan att samtidigt lära den att hitta på igen?