5 myter om hva KI egentlig ser i bildene dine
Av Chatday Editorial Team ·
Vis en KI et bilde av en hund og spør hvor mange bein den har. Svaret er fire. Rediger nå bildet så hunden har fem bein, og spør igjen. Fortsatt fire.
Det er ikke et oppdiktet lurespørsmål. Det er en av testene i en studie som heter “Vision Language Models Are Biased”, akseptert på ICLR 2026, en av de store KI-forskningskonferansene. Da forskerne viste modellene dyr med ett bein for mye eller ett for lite, telte KI-ene riktig i bare 2,12 % av tilfellene.
Og likevel kan samme type KI lese en uskarp kvittering, forklare en forvirrende innstillingsskjerm eller fortelle deg hvilken plante som står i vinduskarmen. Så hva er det egentlig: ser KI bildene dine på ordentlig, eller ikke? Det meste folk tror om dette, er halvveis riktig. Her er fem vanlige oppfatninger, sjekket én etter én.
Myte 1: KI ser på et bilde på samme måte som deg
Feil. Du ser på et bilde og legger merke til det som faktisk er der. En KI som leser bilder (det tekniske navnet er vision language model, en visuell språkmodell) gjør noe som ligner mer på å kjenne igjen og så huske. Den ser «hund», husker at hunder har fire bein, og svarer det. Forskerne sier det rett ut: modellene «teller ikke».
Det samme skjedde med logoer. Legg til en fjerde stripe i den kjente Adidas-logoen med tre striper, og modellene sa fortsatt tre. På tvers av sju typer redigerte bilder (dyr, logoer, sjakkbrett, brettspill, optiske illusjoner og mønstrede rutenett) fikk de testede modellene fra 2025 i snitt 17,05 % på tellespørsmål. På de uredigerte originalene hadde de alt riktig.
Omtrent tre firedeler av alle svarene deres på de redigerte bildene var nøyaktig det «forventede» tallet: det modellen allerede kjente, ikke det som var i bildet. En tidligere studie, “Vision Language Models Are Blind”, fant det samme mønsteret med tegnede former. Da en Gemini-modell skulle telle overlappende ringer i en logo i OL-stil, svarte den «5» i nesten 99 % av de gale svarene sine, uansett hva det faktiske tallet var. Fem ringer, akkurat som OL.
Kort sagt: KI er glimrende til å kjenne igjen kjente ting, og mye svakere til å legge merke til at noe kjent er blitt endret.
Myte 2: en KI som knuser en matteolympiade, kan vel lese av en klokke
Det tok sin tid. Denne overrasker folk mest. I september 2025 lot en benchmark som heter ClockBench, KI-modeller lese av analoge klokker: klokkeslettet, hvilken viser som er hvilken, og hva klokka ville vise noen minutter senere. Mennesker fikk i snitt 89,1 %. Den beste av de 11 testede modellene klarte 13,3 %.
Stanfords AI Index 2026 brukte dette som favoritteksempel på det forskerne kaller «ujevn intelligens»: KI som kan vinne gull i Den internasjonale matematikkolympiaden, men fortsatt ikke pålitelig kan si hva klokka er. Klokker er overraskende vrient. Modellen må bedømme vinkler presist, skille to like visere fra hverandre og deretter regne litt, og analoge urskiver er mye sjeldnere på nettet enn vanlige digitale tall.
Den gode nyheten er hvor fort det har gått:
| Når | Beste KI-resultat på ClockBench | Gjennomsnittsmenneske |
|---|---|---|
| September 2025 (lansering) | 13,3 % | 89,1 % |
| Mars 2026 (Stanford AI Index) | 50,6 % (GPT-5.4) | rundt 90 % |
| November 2026 (offentlig toppliste) | 87,8 % (Claude Fable 5.2) | 90,7 % |
I dag har Claude Fable 5.2, Gemini 4 Carbon, Gemini 4 Argon, Claude Opus 5.5 og GPT-6 Astra de fem øverste plassene på topplisten, alle på sitt høyeste tenkenivå. Mennesker ligger fortsatt en hårsbredd foran. Men på omtrent ett år gikk avstanden fra «håpløs» til «nesten jevn».
Myte 3: et skarpere og større bilde fikser feilene
Stort sett feil. Det føles logisk: Hvis KI-en tok feil, gi den et bedre bilde. Men i den «blinde» studien endret farger, linjetykkelse eller oppløsning nesten ingenting på hvor godt modellene telte overlappende ringer. Problemet var ikke at de ikke kunne skjelne formene. Informasjonen var der. Det vanskelige var å gjøre den om til de riktige ordene.
Det som derimot hjalp mye, var å fjerne rotet. I den «partiske» studien nesten doblet treffsikkerheten seg når bakgrunnen ble fjernet fra de redigerte bildene, et hopp på rundt 21 prosentpoeng. En travel bakgrunn gir KI-en flere hint til å falle tilbake på det den forventer («det er en gård, så det er en vanlig hund») i stedet for det som faktisk er foran den.
Myte 4: bare be den se en gang til
Virker knapt. Å be en modell dobbeltsjekke, eller bare holde seg til det som er i bildet, økte telletreffsikkerheten med bare 2 prosentpoeng i snitt i den «partiske» studien. Å la den tenke lenger hjalp opp til et visst punkt, med treffsikkerhet som klatret til rundt 40 %, og deretter ble det verre etter hvert som modellen overtenkte.
Det som virker bedre, er å endre spørsmålet. «Hvor mange?» inviterer til et svar fra hukommelsen. Ber du KI-en gå gjennom bildet først, må den faktisk se på bildet:
- «List opp hver person på dette bildet fra venstre mot høyre, og si så hvor mange de er.»
- «Beskriv hvor timeviseren og minuttviseren peker, og si så hva klokka er.»
- «Les opp hver linje på denne kvitteringen, og regn så ut totalsummen.»
Hvis beskrivelsen steg for steg er feil, ser du det med en gang, og det er hele poenget. Du ser hvor det glapp, i stedet for bare å få et selvsikkert tall.
Myte 5: da er bilde-KI for upålitelig til å bry seg med
Feil, og det er denne myten som er verdt å legge fra seg. Alle feilene over kommer fra bevisst vriene tester: redigerte logoer, ekstra bein, rare urskiver. De er laget for å finne de svake punktene, og det gjør de godt. De viser også at de svake punktene krymper raskt. Teamet bak den «partiske» studien rapporterer at GPT-6 Astra, lansert i oktober 2026, får 84,10 % på den samme testen der modellene fra 2025 i snitt fikk 17 %.
Én detalj henger likevel igjen. Når Astra tar feil, sier forskerne, gir den det innlærte svaret i 92,4 % av tilfellene. Vanen har ikke forsvunnet. Den dukker bare opp mye sjeldnere.
I hverdagen ser det langt lysere ut. Beskrive en scene, lese trykt tekst, forklare en skjermdump, kjenne igjen en vanlig gjenstand: alt dette spiller på KI-ens styrke, nemlig å kjenne igjen kjente ting. Her er en grov guide til når du kan slappe av og når du bør sjekke:
| Hva du spør om | Hvor mye du kan stole på den | Hvorfor |
|---|---|---|
| «Hva er på dette bildet?» | Høyt | Å kjenne igjen kjente scener er sterksiden |
| Lese trykt tekst, menyer, skilt | Høyt | Tydelig tekst er godt dekket i treningsdataene |
| Forklare en skjermdump eller feilmelding | Høyt | Den leser skjermen og kjenner programvaren |
| Telle gjenstander, særlig mange | Sjekk det | Den kan oppgi det forventede antallet |
| Alt som er uvanlig eller redigert | Sjekk det | Den har en tendens til å «rette» rariteter til det normale |
| Analoge klokker, målere, skiver | Sjekk det | Bedre nå, men fortsatt bak mennesker |
Det samme gjelder for ord, forresten. Hvis du har lurt på hvorfor KI pleide å snuble i å telle bokstavene i et ord, viser forklaringen vår om hvorfor KI ikke kan telle r-ene i strawberry at det er en nær slektning av dette problemet.
Den enkleste måten å se alt dette selv på, er å prøve med et bilde fra din egen kamerarull. Velg noe hverdagslig, så noe litt rart, og be KI-en gå gjennom hva den ser. Guiden vår om hvordan du får KI til å forklare hvilket som helst bilde eller skjermdump har flere ideer til hva du kan spørre om.