5 myter om vad AI faktiskt ser i dina bilder
Av Chatday Editorial Team ·
Visa en AI en bild på en hund och fråga hur många ben den har. Svaret blir fyra. Redigera nu bilden så att hunden har fem ben och fråga igen. Fortfarande fyra.
Det är ingen påhittad kuggfråga. Det är ett av testerna i en studie som heter “Vision Language Models Are Biased”, antagen till ICLR 2026, en av de stora AI-forskningskonferenserna. När forskarna visade modellerna djur med ett ben för mycket eller ett för lite räknade AI:n rätt i bara 2,12 % av fallen.
Och ändå kan samma sorts AI läsa ett suddigt kvitto, förklara en rörig inställningsskärm eller berätta vilken växt du har i fönstret. Så hur är det egentligen: ser AI dina bilder på riktigt eller inte? Det mesta folk tror om det är halvsant. Här är fem vanliga föreställningar, granskade en i taget.
Myt 1: AI tittar på en bild på samma sätt som du
Fel. Du tittar på en bild och lägger märke till vad som faktiskt finns där. En AI som läser bilder (den tekniska termen är vision language model, en visuell språkmodell) gör något som mer liknar att känna igen och sedan minnas. Den ser ”hund”, minns att hundar har fyra ben och svarar det. Forskarna säger det rakt ut: modellerna ”räknar inte”.
Samma sak hände med logotyper. Lägg till en fjärde rand i Adidas berömda logga med tre ränder, och modellerna sa ändå tre. Över sju sorters redigerade bilder (djur, logotyper, schackbräden, brädspel, optiska illusioner och mönstrade rutnät) fick de testade modellerna från 2025 i snitt 17,05 % rätt på räknefrågor. På de oredigerade originalen hade de rätt på allt.
Ungefär tre fjärdedelar av alla deras svar på de redigerade bilderna var exakt det ”förväntade” antalet: det som modellen redan kände till, inte det som fanns i bilden. En tidigare studie, “Vision Language Models Are Blind”, hittade samma mönster med ritade former. När en Gemini-modell skulle räkna överlappande ringar i en logga i OS-stil svarade den ”5” i nästan 99 % av sina felaktiga svar, oavsett det verkliga antalet. Fem ringar, precis som OS.
Kort sagt: AI är briljant på att känna igen bekanta saker och mycket sämre på att märka när något bekant har ändrats.
Myt 2: en AI som klarar en matteolympiad kan väl läsa av en klocka
Det tog ett tag. Den här överraskar folk mest. I september 2025 lät ett benchmark som heter ClockBench AI-modeller läsa av analoga klockor: tiden, vilken visare som är vilken och vad klockan skulle visa några minuter senare. Människor fick i snitt 89,1 %. Den bästa av de 11 testade modellerna klarade 13,3 %.
Stanfords AI Index 2026 använde det som sitt favoritexempel på det forskarna kallar ”ojämn intelligens”: AI som kan ta guld i Internationella matematikolympiaden men ändå inte pålitligt kan säga vad klockan är. Klockor är förvånansvärt kluriga. Modellen måste bedöma vinklar exakt, skilja två liknande visare åt och sedan räkna lite, och analoga urtavlor är mycket ovanligare på nätet än vanliga digitala siffror.
Den goda nyheten är hur snabbt det har gått:
| När | Bästa AI-resultat på ClockBench | Genomsnittlig människa |
|---|---|---|
| September 2025 (lansering) | 13,3 % | 89,1 % |
| Mars 2026 (Stanford AI Index) | 50,6 % (GPT-5.4) | cirka 90 % |
| November 2026 (offentlig topplista) | 87,8 % (Claude Fable 5.2) | 90,7 % |
I dag tillhör de fem översta platserna på topplistan Claude Fable 5.2, Gemini 4 Carbon, Gemini 4 Argon, Claude Opus 5.5 och GPT-6 Astra, alla på sin högsta tankenivå. Människor ligger fortfarande en hårsmån före. Men på ungefär ett år gick avståndet från ”hopplöst” till ”nära”.
Myt 3: en skarpare, större bild fixar misstagen
Mest fel. Det känns logiskt: om AI:n svarade fel, ge den en bättre bild. Men i den ”blinda” studien påverkade ändrade färger, linjetjocklek eller upplösning knappt hur bra modellerna räknade överlappande ringar. Problemet var inte att de inte kunde urskilja formerna. Informationen fanns där. Det svåra var att omvandla den till rätt ord.
Det som däremot hjälpte mycket var att ta bort röran. I den ”partiska” studien nästan fördubblades träffsäkerheten när bakgrunden togs bort från de redigerade bilderna, ett lyft på ungefär 21 procentenheter. En plottrig bakgrund ger AI:n fler ledtrådar att falla tillbaka på det den förväntar sig (”det är en bondgård, så det är en vanlig hund”) i stället för det som faktiskt finns framför den.
Myt 4: säg bara åt den att titta igen
Funkar knappt. Att be en modell dubbelkolla, eller bara utgå från det som syns i bilden, höjde träffsäkerheten i räkning med bara 2 procentenheter i snitt i den ”partiska” studien. Att låta den tänka längre hjälpte upp till en viss gräns, med en träffsäkerhet som klättrade till runt 40 %, och sedan blev det sämre när modellen började övertänka.
Det som fungerar bättre är att ändra frågan. ”Hur många?” lockar fram ett svar ur minnet. Om du ber AI:n gå igenom bilden först tvingas den titta på den faktiska bilden:
- ”Räkna upp varje person på den här bilden från vänster till höger, och säg sedan hur många de är.”
- ”Beskriv vart timvisaren och minutvisaren pekar, och säg sedan vad klockan är.”
- ”Läs upp varje rad på det här kvittot, och räkna sedan ihop summan.”
Om beskrivningen steg för steg är fel ser du det direkt, och det är just poängen. Du ser var det gick snett i stället för att bara få en självsäker siffra.
Myt 5: då är bild-AI för opålitlig för att bry sig om
Fel, och det är den här myten som är värd att släppa. Alla misslyckanden ovan kommer från medvetet kluriga tester: redigerade logotyper, extra ben, konstiga urtavlor. De är gjorda för att hitta de svaga punkterna, och det gör de bra. De visar också att de svaga punkterna krymper snabbt. Teamet bakom den ”partiska” studien rapporterar att GPT-6 Astra, som släpptes i oktober 2026, får 84,10 % på samma test där modellerna från 2025 i snitt fick 17 %.
En detalj sitter dock kvar. När Astra har fel ger den, enligt forskarna, det inpluggade svaret i 92,4 % av fallen. Vanan har inte försvunnit. Den dyker bara upp mycket mer sällan.
I vardagen ser det betydligt ljusare ut. Beskriva en scen, läsa tryckt text, förklara en skärmbild, känna igen ett vanligt föremål: allt det spelar på AI:ns styrka, att känna igen bekanta saker. Här är en grov guide till när du kan slappna av och när du bör kolla:
| Vad du frågar | Hur mycket du kan lita på den | Varför |
|---|---|---|
| ”Vad finns på den här bilden?” | Mycket | Att känna igen bekanta scener är dess styrka |
| Läsa tryckt text, menyer, skyltar | Mycket | Tydlig text finns rikligt i träningsdatan |
| Förklara en skärmbild eller ett felmeddelande | Mycket | Den läser skärmen och kan programvaran |
| Räkna föremål, särskilt många | Kolla | Den kan ange det förväntade antalet |
| Allt som är ovanligt eller redigerat | Kolla | Den tenderar att ”rätta” konstigheter till det normala |
| Analoga klockor, mätare, visartavlor | Kolla | Bättre nu, men fortfarande efter människor |
Samma sak gäller för ord, förresten. Om du har undrat varför AI förr snubblade på att räkna bokstäverna i ett ord visar vår förklaring av varför AI inte kan räkna r:en i strawberry att det är en nära släkting till det här problemet.
Det enklaste sättet att se allt det här själv är att testa med en bild från din egen kamerarulle. Välj något vardagligt, sedan något lite konstigt, och be AI:n gå igenom vad den ser. Vår guide om hur du får AI att förklara vilket foto eller vilken skärmbild som helst har fler idéer om vad du kan fråga.