21 maj 2026

xAI brände 47 miljarder – SpaceX siktar på jättebörsnotering

Elon Musk brände 47 miljarder kronor på xAI förra året – mer än vad många länder spenderar på forskning – medan hans egen rymdraket SpaceX förbereder sig för vad som kan bli tidernas största börsnotering för att finansiera hans AI-satsning. Samtidigt visar en rad nya benchmarks att även de mest avancerade AI-modellerna fortfarande kämpar med uppgifter som kräver djup reflektion och planering.

AI-modeller fastnar i grundläggande logik

"Fyra separata forskningsteam har lanserat benchmarks som alla pekar åt samma håll: AI-modeller som verkar imponerande i enkla demos kollapsar när uppgifterna blir komplexa."

Fyra separata forskningsteam har lanserat benchmarks som alla pekar åt samma håll: AI-modeller som verkar imponerande i enkla demos kollapsar när uppgifterna blir komplexa.

DeepWeb-Bench visar att även frontmodeller misslyckas med 70% av uppgifterna när de ska samla bevis från flera källor och kombinera dem till slutsatser. Det fascinerande är att bara 12-14% av felen kommer från att inte hitta rätt information. Resten? De hittar allt de behöver men kan inte koppla ihop bitarna. Det förklarar varför ChatGPT fortfarande hallucinerar trots tillgång till hela internet.

PlanningBench bekräftar mönstret. Modellerna kraschar när de ska hantera flera begränsningar samtidigt, typ "planera en resa med budget X, undvik flygplatser Y och Z, och kom fram före tisdag". Samma sak som får människor att använda resebyråer istället för att googla själva.

Men den mest bisarra upptäckten kommer från robotstudien: när forskarna la till 40% slumpmässigt brus i robotarnas kameror ökade framgångsfrekvensen med 285%. Perfekt information gjorde dem värre på problemlösning eftersom de fastnade i repetitiva loopar. Att inte se allt tydligt tvingade dem att tänka mer strategiskt.

Det här är inte bara akademiska kuriositet. Om du bygger något som förlitar sig på LLMs för komplexa beslut, räkna med att du behöver designa runt deras oförmåga att hantera djup logik. Inte tillgång till data, inte beräkningskraft – grundläggande resonemang.

Källor:arXiv cs.AI · arXiv cs.AI · arXiv cs.AI · arXiv cs.AI · arXiv cs.AI

AI-agenter fastnar i samma fällor som människor gör

När AI-agenter får i uppdrag att bygga komplexa databassystem händer något bekant: de fastnar. Precis som utvecklare som stirrar på en tom IDE och försöker lösa allt på en gång, kollapsar ostrukturerade AI-agenter under komplexiteten.

Forskare från Carnegie Mellon har nu visat varför det händer och hur man fixar det. Deras ramverk Declarative Data Services (DDS) delar upp problemet i fyra strukturerade lager som guidar AI:n steg för steg. Resultatet? I tester på handelssystem konvergerade DDS till fungerande lösningar medan traditionella metoder bara itererade på felloggar utan att komma någonstans.

Det här är egentligen inget nytt problem. Sökrymdet för databassystem är enormt heterogent, verifieraren är om stacken faktiskt körs, och sammansättningskunskap finns ojämnt fördelad i förträningsdata. Men DDS visar att man kan komma runt det genom att tvinga fram struktur.

Medan detta pågår har andra forskare testat hur AI-agenter hanterar privat data under attack. Resultatet är förutsägbart uppdelat: GPT-4 skyddar 99% av känslig data, medan mindre modeller som folk kör lokalt läcker över hälften. Det är en brasklapp för alla som tänker köra egen AI på känslig data.

Parallellt med detta jobbar forskare på SERL, en träningsmetod som fokuserar på kritiska handlingar baserat på miljöfeedback istället för att sprida belöningar över hela trajectories. De uppnår 90% framgång genom att använda taskbelöningar för riktning medan miljösignaler justerar träningsintensiteten.

Det gemensamma temat är att ostrukturerad AI-exploration inte skalas. Vare sig det gäller att bygga system, skydda data eller lära sig från feedback krävs arkitektoniska begränsningar för att få användbar output. AI:n behöver räcken, inte frihet.

Källor:arXiv cs.AI · arXiv cs.AI · arXiv cs.AI · arXiv cs.AI · arXiv cs.AI

Google låter Gemini sälja dig grejer och remixa dina videor

Söker du efter en espressomaskin? Google har nu lärt Gemini att inte bara hitta produkter åt dig, utan också generera anpassade förklaringar för varför du bör köpa just den sponsrade Nespresso som dyker upp i resultatet. Det är en intressant utveckling av sökannonser: istället för bara att visa dig produkter berättar AI:n aktivt varför du ska klicka köp.

Parallellt lanserar YouTube Shorts en "reimagine"-funktion som låter vem som helst ta dina videoklipp och köra dem genom Gemini för att skapa pixelkonst, anime-versioner eller kanske bara sätta in sina egna huvuden på dina kroppar. Skapare kan stänga av funktionen, men det verkar vara opt-out snarare än opt-in.

Båda uppdateringarna pekar på samma strategi: Google trycker in AI överallt där användare spenderar tid, och data flödar både in och ut ur modellerna. I annonsfallet använder de din sökdata för att träna säljargument. I Shorts-fallet samlar de in ännu mer videodata genom att uppmuntra remixing.

Det är smart affärslogik, men också en påminnelse om att "gratis" AI-verktyg ofta finansieras genom att göra ditt beteende till produkten. När Gemini förklarar varför du bör köpa något, optimerar den för klickfrekvens och konvertering, inte för din plånbok.

För utvecklare som bygger content-plattformar blir detta en intressant balansgång: hur mycket AI-driven manipulation av användarinnehåll är acceptabelt? YouTubes approach med creator-kontroller verkar förnuftig, men det förskjuter ansvaret till användarna att aktivt säga nej.

Källor:The Verge AI · The Verge AI

xAI brände 47 miljarder och säljer datorkraft till sin konkurrent

SpaceX börsnotering avslöjar för första gången xAI:s ekonomi, och siffrorna säger mer om AI-branschens realiteter än något earnings call från storbankerna.

Det mest intressanta är inte att xAI brände 6,4 miljarder dollar 2025. Det är att Anthropic betalar dem 1,25 miljarder dollar per månad för tillgång till datorkraft. Räkna på det: 15 miljarder dollar per år, från en direktkonkurrent som bygger exakt samma typ av chatbots.

Det här är vad GPU-brist ser ut när den träffar verkligheten. När Anthropic, som precis tagit in jätteinvesteringar, hellre betalar Musk än väntar på sina egna chips, då vet du att tillgången på träningskraft är den verkliga flaskhalsen. Inte talang, inte data, inte ens pengar. Bara ren beräkningskraft.

Musk förstår spelets regler. Medan andra AI-företag fokuserar på modeller köper xAI gasturbiner för 2,8 miljarder dollar över tre år. De bygger infrastrukturen som alla andra kommer behöva hyra. Det är samma playbook som Amazon körde med AWS: bygg det du behöver, sedan sälj överskottet till konkurrenterna.

Anthropics betalningar täcker redan mer än hälften av xAI:s förluster. Om de kan fylla resten av kapaciteten blir xAI:s AI-verksamhet i praktiken subventionerad av branschens andra aktörer. Det är inte en dålig position att stå i när träningskostnaderna bara växer.

Nu när SpaceX går mot börs får vi se om investerare köper visionen om xAI som infrastrukturspelaren som tjänar pengar på alla andra, eller om 47 miljarder kronor i förluster är för mycket att svälja.

Källor:TechCrunch AI · TechCrunch AI · TechCrunch AI · The Verge AI

Dagens siffra

1,25 miljarder dollar

Anthropic betalar xAI denna astronomiska summa per månad för tillgång till beräkningskraft - en överraskande affär mellan två AI-konkurrenter

Källa: TechCrunch

Snabbkollen

IrisGo, AI-startup som vill bli din digitala skrivbordsassistent

IrisGo, med stöd från AI-veteranen Andrew Ng, utvecklar en AI-assistent som tittar på vad du gör på datorn och lär sig automatiskt att utföra uppgifter åt dig. Startupet marknadsför sin produkt som en 'AI-butler' som ska hjälpa användare genom att observera och kopiera deras digitala rutiner.

Källor: TechCrunch AI
Railway bygger molnplattform för AI-agenter med 3 miljoner användare

Railway, en molnplattform specialiserad för AI-agenter, har växt till 3 miljoner användare och 100 000 registreringar per vecka. Företaget satsar stort på AI-kodningsagenter med över $200 000 i månatliga utgifter och tror att AI-agenter kommer att eliminera traditionella pull requests genom att automatisera kodgranskning.

Källor: Latent Space
Anthropic väntar sin första vinstgivande kvartal

AI-företaget Anthropic meddelar sina investerare att intäkterna ska mer än fördubblas till cirka 10,9 miljarder dollar under andra kvartalet och att de förväntar sig att gå med vinst för första gången. Det är en rejäl tillväxtspurt för Claude-tillverkaren som visar att AI-chatbotar börjar bli riktigt lönsamma affärer.

Källor: TechCrunch AI
SOLAR: En AI-agent som lär sig själv att anpassa sig kontinuerligt

Forskare har utvecklat SOLAR, en autonom AI-agent som kan lära sig nya färdigheter kontinuerligt utan att glömma tidigare kunskap - ett stort problem med nuvarande språkmodeller. Genom att använda metainlärning (lärande om lärande) kan systemet själv upptäcka nya anpassningsstrategier och presterade bättre än etablerade metoder på reasoning-uppgifter inom matematik, medicin och kodning.

Källor: arXiv cs.AI
AI-agent lär sig optimera industriell design genom slutna simuleringsløkjer

Forskare har utvecklat COSMO-Agent, en AI som använder förstärkningsinlärning för att automatisera den tidskrävande processen mellan CAD-design och simulering inom industrin. Systemet tränar små språkmodeller att orkestrera externa verktyg och revidera geometrier tills designbegränsningar är uppfyllda, med testresultat som visar att mindre modeller kan överträffa större både vad gäller genomförbarhet och stabilitet.

Källor: arXiv cs.AI
Vibe coding kommer till din telefon

AI-kodningsverktyg gör det nu möjligt för vanliga användare att skapa sina egna appar genom så kallad "vibe coding" - där man beskriver vad man vill ha och AI:n skriver koden. Konceptet har blivit allt populärare under 2026 och kan förändra hur vi tänker kring apputveckling, från något som kräver programmeringskunskaper till något alla kan göra.

Källor: The Verge AI
NanoClaw-skapare tackar nej till 200 miljoner kronor, väljer egen väg istället

NanoCo, företaget bakom AI-verktyget NanoClaw (ett alternativ till OpenClaw), har tackat nej till ett uppköpserbjudande på 20 miljoner dollar och valt att istället ta in 12 miljoner dollar i seed-finansiering. Ett intressant val som visar att grundarna tror mer på sin egen vision än på snabba pengar.

Källor: TechCrunch AI
AI-bolagen köper slut alla hårddiskar - företag betalar tre gånger mer

Hyperscalers som bygger AI-system har köpt upp så mycket lagringskapacitet att hårddiskar på 18+ TB nu kostar tre gånger mer än normalt. The Internet Archive och Wikipedia kämpar med att hitta lagring, medan Gartner varnar att bristen kommer hålla i sig till slutet av 2027.

Källor: Computer Sweden
Varning: Farligt att investera i AI-infrastruktur just nu

Analyshuset Gavekal varnar för att investera i AI-infrastruktur och menar att det är "väldigt farligt" just nu. De pekar på kommande konkurrens från Kina som en stor risk för investerare inom AI-sektorn.

Källor: Dagens Industri

Färskbryggt AI varje morgon

15 minuter och en kopp kaffe, allt du behöver.