Tystnaden som AI:n stängde av

Diskussionen "är det fortfarande värt att lära sig programmera när det finns AI" startar nu från noll varannan vecka. Jag har funderat på det i månader — först som en teoretisk fråga, sedan som en där det avgör vad man säger till den yngre som frågar "var ska jag börja". Ett evidensunderlag har dykt upp, så det här är inte längre åsikter mot åsikter. Och milt uttryckt — båda högljudda ytterkanterna har fel.

Det här är inte "lära sig eller inte". Det handlar om vad exakt du överlåter till AI och vad du behåller själv. Och om en sak som AI verkligen har förändrat — inte i riktning mot "allt har vänts upp och ner", utan i en mycket finare riktning: den tvingande återkopplingen försvann, den som verkligheten själv tidigare skötte åt dig.

Två ytterligheter — båda ensidiga

Först sopar vi bordet rent från två högljudda läger som dyker upp i varje diskussion:

• Läger nr 1: "Man behöver inte lära sig språk längre — AI skriver åt en". Högljuddast bland dem som säljer bootcamps i stil med "bli programmerare på 30 dagar med AI".
• Läger nr 2: "Alla kommer att bli dummare, om några år finns det inga specialister kvar". Högljuddast bland erfarna som är lite skraja inför sin egen hjälplöshet när de ser hur snabbt de yngre framstår som produktiva.

En falsk dikotomi. I grunden har inget fundamentalt förändrats: som alltid är det medveten förståelse som värderas, inte torrt utantillpluggande. AI fördjupar bara klyftan mellan dem som faktiskt har koll och resten — och gör det snabbare än förut.

Vad evidensunderlaget säger

Det här är inte längre "jag tycker". Under 2025–2026 har konkreta mätvärden dykt upp:

• Nature (juni 2026), "Is AI ruining our skills?" — överdrivet stöd på AI bryter ned färdigheter. Inte bara hos programmerare — hos läkare också.
• Anthropic RCT på 52 ingenjörer: en AI-assistent ger ~17% lägre färdighetsbildning. Den fina poängen — det är inte hastigheten i uppgiften som lider, utan formandet av färdigheten. Det vill säga: på kort sikt går det snabbare, på lång sikt blir du sämre.
• AI & Society: deskilling är ett strukturellt problem utan färdig lösning. Inte "AI är dåligt", utan "verktyget har förändrat inlärningsmiljön".
• TechCrunch: ingenjörer vägrar jobba utan AI eftersom de inte längre klarar sig utan. Rubriken: "det här kan slå tillbaka".

Slutsatsen från experten K. Crowston (som Nature citerar) — det handlar inte om "AI eller inte", utan om: bestäm medvetet vilka färdigheter du behåller själv och vilka du överlåter. Det är just den meningen som resten av inlägget utgår från.

Vad du överlåter och vad du behåller

Konkret — här går linjen:

Du kan inte granska det du inte kan läsa. Så "förstå utan att kunna språket" är en illusion; det är blind tillit till AI. Och det är där gränsen går mellan "en specialist som använder AI" och "en AI-operatör". Den förste styr AI:n; den andre styrs av den.

Ytterligare en distinktion som ständigt blandas ihop: förlust av färdighet ≠ icke-utvecklad färdighet. En erfaren som plötsligt börjar luta sig mot AI förblir stark — hen har redan en världsmodell. En nybörjare som från dag ett kör 100% på AI bygger aldrig den modellen. Det är olika problem med olika konsekvenser.

Hur du lär dig rätt — och varför i grunden inget har förändrats

Du måste fortsätta lära dig — bara på rätt sätt. Inte torrt plugga termer eller kommandon, utan förstå logiken och ha en känsla för hur det fungerar i stort. Värdet ligger inte i att "komma ihåg", utan i "förstå → kunna tillämpa → bedöma".

Och det viktigaste: det här är exakt detsamma som det alltid har varit, redan före AI. Det har alltid varit de som faktiskt har koll som värderats som specialister, inte de som har pluggat torrt utantill. AI har inte vänt på något — det gör bara den lata vägen lättare (nu kan man "få det gjort" utan att ha förstått), och därför fördjupas klyftan mellan dessa två typer bara mer.

Den som lärde sig medvetet kommer att förbli sådan. Den som var lat kommer att förbli lat. AI har inte skapat den här uppdelningen — det har bara lyst upp den.

Testa på enkla exempel

• Matematik: att kunna multiplikationstabellen utantill är inte detsamma som att "kunna matematik". Räknemaskinen dödade uppställd multiplikation, men inte behovet av att förstå vad multiplikation är och när den ska användas.
• Telefonen: du har inte längre nummer i huvudet — telefonen kommer ihåg dem. Men du måste veta vem du ringer och varför. Minnet överlät du — omdömet behöll du.
• GPS: du har inte rutterna i huvudet. Men du måste förstå vart du är på väg — och märka när GPS:en leder dig en knäpp omväg.

I alla tre fallen tog maskinen det mekaniska minnet, inte förståelsen och omdömet — och så har det alltid varit. AI är nästa iteration av samma sak, bara med ett bredare spann av sådant som nu kan delegeras.

Syntax är en biprodukt, inte ett mål

Det betyder inte att "man inte behöver kunna syntax". Syntax kommer du ändå att tillägna dig — men som en biprodukt av förståelse och övning, inte som mål. Du lärde dig ju inte %d med flashcards — du fattade logiken bakom format-strings, och det fastnade av sig självt. Så fungerar normalt lärande: du förstår → tillämpar → syntaxen lägger sig på plats. AI bara accelererar den slingan om du använder den rätt.

Men en sak har faktiskt förändrats: den tvingande återkopplingen försvann

"Inget har förändrats" är till kanske 80% sant. En viktig sak har faktiskt förändrats, och den är inte en bagatell.

Tidigare tvingade miljön dig att lära dig. Du kunde inte få fungerande kod att köra utan att åtminstone förstå den så pass mycket att den faktiskt fungerade. Kompilatorn, buggen, kraschen — det var lärare som med våld drog upp alla till en baslinje. Kampen var obligatorisk — och den byggde förståelse även hos de inte särskilt flitiga.

Nu är den här läraren avstängd: du kan få ett fungerande resultat utan att en enda gång ha förstått hur det fungerar. Straffet för bristande förståelse i stunden har försvunnit. Härav följer en konsekvens som tesen "inget har förändrats" missar:

Klyftan fördjupas inte bara mellan fasta typer — den nya miljön drar dit även dem som tidigare skulle ha lärt sig, eftersom den lata vägen nu ger ett fungerande resultat utan omedelbart straff.

Därför är även "den late förblir lat" för snävt. Det handlar mer om miljö och vanor än om läggning: de flesta reagerar på motstånd och återkoppling, de är inte lata "till sin natur". Ta bort motståndet — så glider till och med de icke-lata. Risken finns inte bara hos de lata.

Och det finaste — illusionen av kompetens. AI fyller hålen så smidigt att du aldrig slår in i din egen okunskaps vägg och därför inte märker den. Det känns som att du förstår, eftersom "allt funkar" (effekten metacognitive laziness). Därför har det blivit svårare att förbli flitig: nu krävs det att du medvetet skapar motstånd åt dig själv — ibland stänga av AI, försöka förklara eller skriva utan den, kolla "förstår jag verkligen, eller tror jag bara att jag förstår". Tidigare gjorde verkligheten det åt dig — nu är det ditt ansvar.

Spelreglerna är desamma, men spelet har blivit försåtligare — den lätta vägen maskerar sig nu som framgång.

För dem som redan har koll — spelet är ett annat

Allt ovan handlar om att bygga upp färdigheter från noll. Om du redan är formad — då är bilden omvänd för dig, och det är viktigt att säga rakt ut, för annars läses inlägget som "AI är dåligt", och det är inte tesen.

Den erfarne känner sina gränser. Ser vad AI gav honom → på en halv sekund förstår han var det är "fel", var det är "rätt, men inte för det här fallet", var det är "rätt och ok här och nu". Han har en inbyggd "det här luktar inte rätt"-detektor, byggd av år av verkliga incidenter. AI stänger inte av den detektorn — tvärtom, det matar den snabbare: fler exempel, fler fall, fler patterns som måste sållas snabbt.

Därför är samma AI som riskerar att förvandla en nybörjare till en operatör det som förvandlar en senior till en turbo-senior. Boilerplate på 30 sekunder istället för 3 minuter. Att utforska ett nytt bibliotek — på en kväll, inte en vecka. Att flytta en modul från Python till TypeScript — på riktigt, inte "någon gång sen". Det är nitro i en redan byggd motor.

Och en finare sak till: AI kan inte ljuga obemärkt för den erfarne. AI ljuger för honom lika ofta som för nybörjaren — han fångar det bara innan han läst meningen klart. Det som för nybörjaren är fällan med kompetensillusionen är för seniorn bara ännu en bug-rapport i det dagliga flödet.

För dem som redan lagt tid är AI turbo. För dem som inte lagt tid än är det ännu ett skäl att inte lägga den. Mellan dessa två tillstånd finns ingen mittpunkt — och det gör "exakt när du lärde dig" till en av de viktigaste faktorerna i karriären.

Systemisk risk: "den trasiga stegen"

Seniorer kommer från juniorer. Om AI äter upp juniorjobbet och ingen bygger grunden → om 5–10 år finns det ingen att fostra till seniorer. Risken för en "förlorad generation" av specialister är reell — och det är inte alarmism, utan ett enkelt piping-problem: ingångsröret till systemet är strypt, utgångsröret inte.

Varför det inte kommer att gå hela vägen till noll (men det kommer att göra ont): jämvikten "alla slutade lära sig" är instabil. Brist gör de som lärt sig övervärderade → incitamentet att lära sig återvänder. Företag som medvetet odlar specialister får en moat. Men övergången är smärtsam: operatörerna faller vid första riktiga incident, när AI ljuger tydligt och övertygande och ingen kan skilja sanningen.

Min position

• Du måste lära dig språket — med sikte på läsning och omdöme, inte plugg. Vägen till läsflyt kan inte kortas av; AI kortar inte den vägen — det gör den bara omärkligt valfri.
• Så länge majoriteten "överlåter förståelsen" till AI är att lära sig nu ett möjlighetsfönster: du blir en eftertraktad specialist som styr AI, inte konkurrerar med den. Det är ett kortvarigt fönster — marknaden anpassar sig förr eller senare. Så länge det är öppet är det synd att inte använda det.
• Sund regim: använda AI för att gå snabbare och lära sig djupare, inte för att slippa lära sig. Antimönster — "gör hela uppgiften åt mig". Mönster — du skriver själv, AI förklarar "varför", du sätter dig in i dess variant innan du godtar den.
• En paradox på vägen: för att använda AI effektivt måste du kunna tillräckligt mycket för att i det enkla inte behöva den. Den som är beroende av AI i enkla saker kommer i komplicerade saker att luras av AI utan en chans att märka det.

Källor

• Nature — Is AI ruining our skills? Early results are in (juni 2026): nature.com/articles/d41586-026-01947-1
• InfoQ — Anthropic study, ~17% skill mastery drop: infoq.com/news/2026/02/ai-coding-skill-formation
• TechCrunch — Coders are refusing to work without AI: techcrunch.com/2026/05/29/coders-refusing-ai
• AI & Society — AI deskilling is a structural problem: link.springer.com/article/10.1007/s00146-025-02686-z