Da Karpathy ga ut autoresearch 7. mars 2026, tok det nøyaktig dager — ikke uker, ikke måneder — for selskaper å begynne å kjøre det på sine egne problemer.

Den mest bemerkelsesverdige tidlige adoptøren: Shopify-sjef Tobi Lutke, som tilpasset autoresearch-rammeverket for et internt prosjekt. Resultatet? En modell med 0,8 milliarder parametere trent over natten utpresterte en tidligere modell med 1,6 milliarder parametere med 19% etter bare 37 eksperimenter på 8 timer.

Mindre modell. Bedre resultater. Null menneskelig intervensjon over natten.

Autoresearch-mønsteret i Virksomhet

Den tradisjonelle tilnærmingen: ansett ML-ingeniører, la dem kjøre eksperimenter manuelt, gjennomgå resultater i møter. Et godt team kan kjøre 30 fokuserte eksperimenter per måned.

Autoresearch-tilnærmingen: skriv en program.md som definerer målene dine, la en AI-agent kjøre eksperimenter over natten, gjennomgå resultatene om morgenen. Én ingeniør, én GPU, 100+ eksperimenter per natt.

Matematikken er overveldende: Manuell forskning produserer ~1 eksperiment per dag per forsker. Autoresearch produserer ~12 per time. Det er en 100x økning i eksperimentell gjennomstrømning.

Utover ML: 36 500-eksperiment-året

Markedsføringsteam kjører vanligvis rundt 30 eksperimenter per år. Tidlige adoptører forestiller seg allerede en verden der autonome agenter kjører 100 markedsføringseksperimenter per dag — guidet av en program.md som definerer merkevarens mål.

Det er 36 500+ eksperimenter per år mot 30.

Markdown-fordelen

I hvert tilfelle er menneskens bidrag det samme: en Markdown-fil som definerer hva som skal optimaliseres, hvilke begrensninger som skal respekteres, og hvilke strategier som skal prøves.

Selskaper som bygger referansebiblioteker — lagrer dokumentasjon, konkurranseanalyse og beste praksis som rent Markdown — har et forsprang.

Save konverterer enhver nettside til rent Markdown — bygger kunnskapsbiblioteket selskaper trenger for å skrive effektive AI-agentinstruksjoner. Prøv Save gratis.