Andrej Karpathy kom nettopp med en av de viktigste observasjonene om AI i 2026: det er nå to fundamentalt forskjellige grupper av AI-brukere, og de snakker fullstendig forbi hverandre.

Tweeten hans (3,6 millioner visninger og teller) beskriver et voksende avgrunn som alle som jobber med AI trenger å forstå.

Gruppe 1: “AI er et Leketøy”

Denne gruppen prøvde ChatGPT — vanligvis gratisversjonen — en gang i fjor. De så hallusinasjoner, lo av virale videoer av stemme-modus som fumlet med enkle spørsmål, og konkluderte med at AI er overhypet.

De tar ikke feil om det de opplevde. Gratismodeller fra 2025 er genuint begrenset. Men her er problemet: de frøs sitt mentale bilde av AI på det tidspunktet og oppdaterte det aldri.

Som Karpathy sier det, gjenspeiler disse gamle og utdaterte modellene ikke kapabilitetene til dagens frontier-modeller.

Gruppe 2: “AI Psychosis”

Denne gruppen bruker toppmoderne agentiske modeller — Claude Code, OpenAI Codex — profesjonelt, i tekniske domener. De betaler 200 dollar i måneden. De gir disse modellene en dataterminall og ser dem løse problemer som normalt ville tatt dager eller uker.

Karpathy sier denne gruppen opplever det han kaller “AI Psychosis” — ikke fordi de er vrangforestilte, men fordi forbedringene har vært så svimlende at det er vanskelig å kommunisere hva de ser til noen som ikke har opplevd det på egenhånd.

Hvorfor Gapet Eksisterer

Karpathy identifiserer to strukturelle grunner til at AI-kapabilitet avanserer ujevnt:

1. Forsterket læring fungerer best med verifiserbare belønninger.

Oppgaver som koding, matematikk og forskning har klare suksesskriterier — kompilerer koden? Består testene? Er beviset korrekt? Disse domenene er naturlig egnet for RL-trening, der modellen får konkret tilbakemelding på om den lyktes.

Oppgaver som skriving, rådgivning og samtale er mye vanskeligere å evaluere objektivt, så de forbedres saktere.

2. B2B-verdi driver ressursallokering.

De største inntektsmulighetene er i tekniske/profesjonelle domener. Det er der AI-selskaper fokuserer sine beste team. Forbrukerrettede funksjoner som stemme-modus får mindre investering relativt til B2B-produktene som genererer mest inntekt.

Oversettelsesproblemet

Resultatet er en bisarr frakobling. Det er simultant sant at:

En gratis AI-stemme-assistent vil fumle grunnleggende spørsmål i Instagram-reels
En betalt agentisk AI vil bruke en time på å koherent restrukturere en hel kodebase

Begge disse tingene skjer i 2026. Men folk i Gruppe 1 ser bare det første. Folk i Gruppe 2 ser bare det andre. Og når de prøver å snakke med hverandre om “AI,” beskriver de fullstendig forskjellige teknologier.

Hvordan Krysse Skillet

Hvis du er i Gruppe 1, er veien til Gruppe 2 ikke å bruke 200 dollar i måneden på en annen chatbot. Det handler om å endre hvordan du bruker AI — fra tilfeldig spørsmål-og-svar til strukturert kunnskapsarbeid.

Her er hva som skiller de to gruppene i praksis:

Gruppe 1-adferd:

Åpner ChatGPT, stiller et spørsmål, leser svaret
Ingen vedvarende kontekst mellom økter
AI starter fra null hver gang
Bedømmer AI etter dens verste feil

Gruppe 2-adferd:

Bygger kunnskapsbaser som AI kan referere
Gir AI tilgang til prosjektfiler, dokumentasjon og forskning
Bruker AI som en kollega med minne, ikke en søkemotor
Bedømmer AI etter dens beste kapabilitet

Nøkkelinnsikten: kvaliteten på AI-output er direkte proporsjonal med kvaliteten på konteksten du gir den.

Bygge Kontekst: Det Manglende Laget

Dette er der de fleste setter seg fast. De hører “gi AI bedre kontekst” og tror det betyr å skrive lengre prompts eller bruke mer tid på å forklare ting. Det er brute-force-tilnærmingen. Den smartere tilnærmingen er å bygge et vedvarende kunnskapslag som AI kan få tilgang til automatisk.

Her er hva det ser ut som i praksis:

Fang nettforskning som strukturert Markdown — I stedet for å bokmerke sider eller kopiere utdrag inn i et dokument, konverter hele innholdet til ren Markdown. Dette bevarer informasjonen i et format som alle AI-verktøy kan innta.
Organiser i søkbare kunnskapsbaser — Grupper ditt lagrede innhold etter prosjekt, emne eller forskningsområde. Dette gir AI muligheten til å finne relevant kontekst uten at du trenger å huske hva du lagret.
Koble AI til kunnskapen din — Verktøy som MCP (Model Context Protocol) lar Claude søke og referere til ditt lagrede innhold direkte. Når du stiller et spørsmål, sjekker Claude kunnskapsbasen din først, og forankrer svarene i din kuraterte forskning i stedet for generiske treningsdata.

Dette er arbeidsflyten Save muliggjør. Hver nettside du lagrer blir en Markdown-fil i din lokale kunnskapsbase. Save Vaults innebygde MCP-server kobler den til Claude. AI-assistenten din har nå tilgang til alt du har lest og forsket på.

Sammensettingseffekten

Gapet mellom Gruppe 1 og Gruppe 2 handler ikke bare om hvilken modell du bruker. Det handler om den akkumulerte konteksten du har bygget over tid.

En utvikler som har lagret seks måneder med dokumentasjon, Stack Overflow-svar og arkitekturartikler har en AI-assistent som forstår kodebasen deres, stacken deres og de spesifikke problemene deres. En tilfeldig bruker som åpner ChatGPT fra bunnen av hver gang har et generisk verktøy som ingenting vet om arbeidet deres.

Det er derfor Karpathys observasjon betyr noe utover AI-hype-syklusen. Kapabilitetsgapet lukker seg ikke — det utvider seg. Og skillelinjen er ikke teknisk ferdighet eller budsjett. Det er om du bygger en strukturert kunnskapspraksis rundt AI eller behandler den som en avansert søkemotor.

Start I Dag

Du trenger ikke å bruke 200 dollar i måneden for å begynne å krysse skillet. Du trenger å begynne å fange og organisere kunnskapen du allerede møter hver dag:

Installer Save og begynn å konvertere nyttige nettsider til Markdown mens du surfer
Opprett kunnskapsbaser for dine viktigste arbeids- eller interesseområder
Koble Claude via Save Vaults MCP-server slik at AI-assistenten din kan referere til ditt lagrede innhold
Vær konsistent — lagre 2-3 sider per dag og se kunnskapsbasen din vokse

Innen en måned vil du ha et personlig kunnskapslag som gjør alle AI-interaksjoner fundamentalt bedre. Det er forskjellen mellom Gruppe 1 og Gruppe 2 — og det starter med hvordan du fanger kunnskap, ikke hvilken modell du betaler for.

Save konverterer en hvilken som helst nettside til ren Markdown med ett klikk og lagrer den i din lokale kunnskapsbase. Med Save Vaults MCP-server søker Claude gjennom ditt lagrede innhold før den svarer. Prøv Save gratis.