Därför kan AI-cheferna inte enas om vad AGI betyder

AGI – artificiell generell intelligens – har blivit ett samlingsnamn för vitt skilda idéer. För en person kan det betyda en autonom digital medarbetare som skapar ekonomiskt värde. För en annan: en digital forskare på Nobelpristagarnivå. För en tredje: en maskin med hela människans kognitiva bredd. Och för en fjärde räcker det långt med ett system som överträffar människor på tester.

Det definitionsglappet förklarar varför självsäkra tidsprognoser kan samexistera. Ledarna räknar inte nödvändigtvis ner till samma händelse. Det förklarar också varför frågan om förtroende allt mer handlar om oberoende utvärdering, snarare än om vd:ars egna deklarationer.

Fyra ledare, fyra trösklar

Sam Altman: AGI som ekonomiskt värdefull autonomi

OpenAI:s ofta citerade definition beskriver AGI som ”höggradigt autonoma system som överträffar människor i merparten av ekonomiskt värdefullt arbete”. Tröskeln blir därmed främst praktisk och ekonomisk: det centrala är om systemen kan utföra värdefullt arbete i stor skala, inte om de exakt efterliknar mänskligt tänkande.

I OpenAI:s senare offentliga kommunikation betonas i stället människors handlingsutrymme. Företaget säger att målet är system som hjälper människor att förverkliga sina egna mål, snarare än system som ersätter mänskligt omdöme. Att helt automatisera allt vore både farligt och otillfredsställande, enligt företaget. 23 Dess ramverk för arbetsmarknaden betonar på liknande sätt att automatisering av arbetsuppgifter inte automatiskt innebär att ett yrke försvinner: människor kan fortfarande vara avgörande för leverans, tillsyn och ansvar. 25

Det lämnar en flytande gräns mellan kraftfulla verktyg, autonoma agenter och AGI. Den ekonomiska definitionen kan vara användbar för att följa verkliga effekter, men den är inte ett offentligt vetenskapligt prov.

Dario Amodei: ”Kraftfull AI” som ett konkret men exceptionellt kapacitetspaket

Anthropics vd Dario Amodei använder oftare uttrycket kraftfull AI än AGI. I företagets policysvar definieras det som ett stort steg bortom dagens modeller: intellektuella förmågor i nivå med eller över Nobelpristagare inom de flesta ämnen, förmåga att använda de digitala gränssnitt som mänskliga arbetstagare använder och kapacitet att genomföra komplicerat arbete på egen hand. 3

Anthropic har prognostiserat sådana system till slutet av 2026 eller början av 2027. Amodei har beskrivit möjligheten som ett ”land av genier i ett datacenter”, med betoning på de ekonomiska, säkerhetsmässiga och geopolitiska följderna av att så stor kapacitet koncentreras. 6 7

Det är mer specifikt än den allmänna AGI-etiketten, men prognosen binder fortfarande ihop flera svåra krav: bred expertis, autonomi, verktygsanvändning och uthållig tillförlitlighet. En modell kan klara vissa av dem långt innan den klarar dem alla.

Demis Hassabis: AGI som hela bredden av mänskligt tänkande

Google DeepMinds vd Demis Hassabis sätter ribban högre. För honom innebär AGI ett system med alla de kognitiva förmågor som människor har. Han har sagt att AI på mänsklig nivå kan komma under detta decennium, samtidigt som han framhållit att dagens system inte är i närheten av mänsklig AGI. 33 38

Här blir AGI mindre en produktmilstolpe och mer en vetenskaplig tröskel för robust generalitet. Det handlar om mer än höga resultat på prov eller imponerande insatser i ett fåtal yrkesområden. Systemet skulle behöva fungera över hela den mänskliga kognitionens bredd.

Jensen Huang: AGI som bred överlägsenhet på tester

Nvidias vd Jensen Huang har använt en mer testorienterad standard. År 2024 sade han att AGI kunde vara möjlig inom fem år om det definieras som AI som överträffar människor på i stort sett varje test. Rapportering från 2026 beskrev hans syn som att AGI redan kunde anses uppnådd enligt en betydligt lösare, praktisk standard. 34

Fördelen är tydlig: tester ger poäng och jämförelser. Men begränsningen är lika tydlig. Att klara många tester bevisar inte i sig att ett system fungerar tillförlitligt under långa, komplexa arbetsförlopp, gör sunda bedömningar eller är säkert i röriga verkliga miljöer.

Därför går tidslinjerna inte att jämföra rakt av

Ledarna uppskattar inte bara olika datum för samma händelse. De förutspår olika slutmål:

• Altman/OpenAI: autonom prestation i merparten av ekonomiskt värdefullt arbete.
• Amodei/Anthropic: brett arbete på Nobelpristagarnivå, tillsammans med långvarigt självständigt digitalt genomförande.
• Hassabis/DeepMind: hela spektrumet av mänskliga kognitiva förmågor.
• Huang/Nvidia: prestation som överträffar människor på breda tester.

En AI kan toppa många riktmärken utan att självständigt kunna slutföra flera veckors forskningsarbete. Den kan automatisera en stor del av digitalt arbete utan att uppvisa en människas hela kognitiva repertoar. Datumen bör alltså inte läsas som en gemensam AGI-nedräkning.

Varför AGI ofta kallas omätbart – eller ”andligt”

Invändningen är inte att AI-förmågor inte går att mäta. Det går de. Problemet är att AGI saknar en gemensam, oberoende styrd regel för godkänt eller underkänt.

Ett akademiskt förslag beskriver AGI som ett omstritt begrepp och operationaliserar det som minst mänsklig kapacitet i de flesta uppgifter. Formuleringen visar både ambitionen att göra termen mätbar och de olösta val som döljs i den: vilka uppgifter, vilka människor, vilken tillförlitlighet och under vilka villkor? 50

Ett trovärdigt offentligt test skulle åtminstone behöva innehålla:

1. En tydligt angiven uppgiftsfördelning, i stället för ett skiftande urval av demonstrationer.
2. Tröskelvärden för prestation och tillförlitlighet, inklusive hur ofta systemet misslyckas.
3. Test av långvarig autonomi och verktygsanvändning, inte bara enstaka svar.
4. Skydd mot att modeller tränas specifikt för utvärderingen.
5. Tillräcklig oberoende insyn för att resultat ska kunna återskapas eller granskas.

Utan sådan infrastruktur kan AGI bli ett statuspåstående från de organisationer som har starkast incitament att själva definiera mållinjen. AI Now Institute har kritiserat många av de tillgängliga måtten som snäva, vaga och självbetjänande. 62

Förtroendefrågan bakom ordvalet

AGI-debatten speglar också ett bredare trovärdighetsproblem. Företag kan göra långtgående anspråk på omvälvande kapacitet, medan anställda och kunder möter system som fortfarande är ojämna, felbenägna eller svåra att införa på ett tillförlitligt sätt. Den skillnaden bevisar inte att alla långsiktiga prognoser är fel. Men extraordinära påståenden kräver observerbara belägg och prognoser som går att utkräva ansvar för.

Arbetsmarknadsdebatten illustrerar spänningen. OpenAI skriver att AI kommer att förändra arbetslivet, att vissa jobb kommer att försvinna och att hittillsvarande belägg pekar på att AI i högre grad är ett stöd än en ersättare. 17 Det behöver inte stå i motsats till omfattande omställning: automatisering av uppgifter, förändrade yrken och försvunna jobb är olika utfall. Men allmänhetens förtroende försvagas när prognoser om genomgripande förändring inte följs av transparenta mått på de faktiska effekterna på arbetsmarknaden.

Från AGI-etiketter till tillsyn utifrån konkreta förmågor

En starkare styrningsmodell skulle lägga mindre vikt vid att avgöra om ett system har nått AGI och mer vikt vid vilka specifika förmågor och risker det faktiskt har.

Anthropics modell AI Safety Levels bygger på en tydlig villkorslogik: om en modell uppvisar en definierad farlig förmåga måste vissa skyddsåtgärder finnas på plats innan den tas i bruk eller skalas vidare. 5 Företagets senare policyramverk efterlyser transparens, oberoende utvärdering och myndighetsbefogenheter att stoppa eller avskräcka farliga lanseringar. 10

Altman har också förespråkat extern validering och oberoende riskbedömningar av kraftfulla modeller, inklusive tester före lansering och publicering av utvärderingsresultat. 49

Hassabis har föreslagit ett USA-lett organ för standarder inom frontier-AI, modellerat efter FINRA – den branschfinansierade organisation som verkar under offentlig tillsyn på USA:s finansmarknad. Organet skulle oberoende granska de mest avancerade AI-modellerna före lansering. 52 Rapportering om förslaget pekar på en växande samsyn bland flera ledare inom avancerad AI: tredje parter bör testa systemen och bidra till standarder för politiska beslut. 51

Mellan förslagen och bindande praktik återstår dock ett stort gap. Future of Life Institutes AI Safety Index för 2026 rapporterade att det saknades bindande nationella regler eller standarder som uttryckligen behandlar riskerna med frontier-AI och motsvarande processer för riskbedömning. 59

Så skulle trovärdiga AI-påståenden kunna se ut

Den användbara offentliga frågan är inte: ”Har AGI kommit?” Utan: Vad kan modellen göra, hur tillförlitligt kan den göra det, vad kan gå fel och vem har oberoende verifierat svaren?

Det pekar mot krav som är knutna till konkreta förmågor:

• offentliga utvärderingsprotokoll för högriskförmågor inom cyber, biologi och vilseledning;
• oberoende tester och red-teaming före driftsättning;
• rapportering om tillförlitlighet, incidenter och väsentliga förändringar i hur systemen används;
• skyddsåtgärder och begränsningar av åtkomst kopplade till visade risktrösklar; samt
• rättsliga konsekvenser vid bristande efterlevnad, inte enbart frivilliga utfästelser.

AGI kan förbli en stark vision, marknadsföringsterm och filosofisk fråga. Men som utlösare för reglering är den svag om en deklaration inte stöds av offentliga belägg. Förtroende byggs när utvecklare inte ensidigt kan omdefiniera milstolpen, förklara att de nått den och själva certifiera säkerheten.