GPT-5 blev väckarklockan för AI-skalning

När OpenAI släppte GPT-2 2019 blev forskarna själva skrämda av resultaten. Algoritmen hade gjort sådana språng i prestanda att de först inte vågade släppa den av rädsla för missbruk. Upptäckten var omvälvande: bara genom att mata in mer data och bygga större neurala nätverk hade de skapat något extraordinärt.

Receptet verkade idiotsäkert. GPT-3 blev ännu mer imponerande med grundläggande förmågor i matematik och kodning. ChatGPT lanserades i slutet av 2022 och blev den snabbast växande appen någonsin med 100 miljoner månatliga användare bara några månader senare. GPT-4 tog allt GPT-3 kunde och skruvade upp det flera snäpp. Men när GPT-5 skulle lanseras i augusti 2025 gick något snett.

Orions fall och resonemangsmodellernas löften

Enligt The Information försökte OpenAI först använda den gamla framgångsformeln. Projektet, internt kallat Orion, skulle bli större och tränas på mer data. Men den här gången uteblev magin, det blev inget enormt språng. Resultatet blev så pass bekymmersamt att OpenAI först kallade modellen GPT-4.5, lanserade det i februari och tog sedan tyst bort det i augusti.

Parallellt satsade företaget på resonerande modeller, algoritmer som tar mer tid att "tänka" igenom problem steg för steg. Rykten cirkulerade om ett genombrott kallat Q*, och tongivande AI-experter började tala om "test-time compute", beräkningskraft vid svarstillfället, som en ny skalningslag.

Här krockade förväntningarna brutalt med verkligheten. Framstegen från OpenAI:s första resonerande modell o1 till efterföljaren o3 visade sig till stor del ha försvunnit vid lansering, när modellen väl anpassades till ChatGPT-gränssnittet.

"Så sent som i juni verkade ingen av OpenAI:s modeller under utveckling vara bra nog att kallas GPT-5", skrev journalisterna Stephanie Palazzolo, Erin Woo och Amir Efrati för The Information.

En modell blev fyra

Den GPT-5 som faktiskt lanserades var inte en enda modell utan en hel familj: två standardmodeller (en stor, en liten), två resonemangsmodeller (likaså stora och små) och en automatisk router som väljer vilken modell som används baserat på fråga och användningsgränser.

OpenAI hävdar att GPT-5 presterar bättre på olika benchmarktester, särskilt inom kodning, skrivande och hälso­relaterade uppgifter. Den följer instruktioner bättre, hanterar verktyg mer autonomt och hallucinerar mindre.

Användarreaktionen blev ändå en kalldusch. Många klagade på att modellens ton var för torr och teknisk, att den ibland misslyckades med enkla frågor och att routern lämnade mycket övrigt att önska. Särskilt smärtsamt var förlusten av GPT-4o som många hade utvecklat en närmast emotionell relation till.

OpenAI tvingades snabbt justera GPT-5:s ton, göra routern till standard men inte enda alternativ och återinföra den "obsoleta" GPT-4o under rubriken "legacy models". Reaktionerna blev startskottet för en snabb iterationscykel: GPT-5.1 i november fixade personligheten, 5.2 i december förbättrade kodning och research, 5.3 i februari och mars skar ner på de konstlade fraserna.

Fyra lärdomar från kraschen

AI-skalning bromsar in. De största framstegen från att bara göra modeller större och mata in mer data verkar ligga bakom oss, åtminstone för tillfället. Förbättringar sker fortfarande efter den initiala träningen genom förstärkningsinlärning, reinforcement learning, och test-time compute, men det är oklart om dessa kan ersätta skalningens roll.

AI blir en produktkategori. Det betyder inte att dagens AI är värdelös, tvärtom. Generativ AI är en gränssnittsteknik, likt smartphonen eller det grafiska användargränssnittet. Efter iPhones första stora steg ägnade företag år åt att finslipa mobilerna till de eleganta glasrektanglar vi inte kan leva utan.

Små förbättringar kan ge stora intäkter. De stora AI-företagen växer fortfarande snabbt. Även stegvisa förändringar som gör produkter enklare att använda kan öka efterfrågan markant.

Nästa stora grej väntar där ute. Många tror att generativ AI baserad på transformers kan ta oss till dramatiskt kraftfullare system, kanske till och med generell artificiell intelligens. Respekterade röster menar samtidigt att det krävs flera stora genombrott till.

Sju månader senare

I mars 2026, sju månader efter GPT-5:s kraschlandning, har bilden klarnat. OpenAI har släppt tre större uppföljare. GPT-5.2 kom i december med förbättrad kodning och en snabbare Instant-variant för vardagsuppgifter. GPT-5.4, som lanserades i mars 2026, gick helhjärtat mot enterprise med inbyggd datoranvändning, en miljon tokens kontext och finansplugins för kalkylblad.

Mönstret säger allt. Varje uppföljare har flyttat fokus från "smartare" till "nyttigare". Mindre hallucinationer, bättre verktygsstöd, snabbare svar. Inte kvantsprång, utan de stegvisa förbättringar som gör ett verktyg oumbärligt i vardagen.

Det bekräftar artikelns ursprungliga tes: AI-branschen har lämnat skalningens naiva fas. "Det finns bara ett internet", som Ilya Sutskever, tidigare OpenAI-anställd och framstående AI-forskare, sa vid NeurIPS i december 2024. Träningsdata tar slut. I stället har industrin hittat nya axlar att optimera längs: inferensberäkning (tid att "tänka"), efterträning och agentarkitekturer. Framstegen fortsätter, men de kommer stegvis snarare än exponentiellt.

Vägen framåt – från skalning till upptäckt

Google DeepMinds Demis Hassabis berättade för Wired att vi behöver både maximal skala och nya upptäckter. I juni 2025 sa han att hans team har "tre eller fyra lovande idéer som kan mogna till nästa transformer".

"2010-talet var skalningens ålder, nu är vi tillbaka i förundrans och upptäckternas tid igen", sa Sutskever till Reuters. "Alla letar efter nästa stora grej."

En bransch i brytpunkt

GPT-5:s blandade mottagande markerar slutet på AI-utvecklingens naiva fas. Enkla lösningar: större modeller, mer data och mer beräkningskraft. Det räcker inte längre. Framtiden kräver innovation snarare än iteration, kreativitet framför kalkylerande skalning.

För en industri van att mäta framsteg i exponentiella språng är det en mental omställning. Kanske är det just det som behövs: en återgång till grundforskning, till den typ av genombrott som en gång födde transformers själva.

I slutändan handlar det inte om att bygga större "monster-modeller", utan om att förstå intelligens och det är en utmaning som kräver mer än bara större datorhallar.