AGI (Artificial General Intelligence)
AGI, kunstig generel intelligens, er betegnelsen for et AI-system, der kan forstå, lære og løse opgaver på tværs af vidt forskellige områder på mindst menneskeligt niveau. Det står i modsætning til den AI, vi bruger i dag, som er snæver. En sprogmodel kan skrive tekst, en billedmodel kan generere billeder, og et anbefalingssystem kan foreslå produkter, men ingen af dem kan uden videre tage deres kunnen med over i en helt ny opgave, de aldrig er trænet til. En AGI kan det: den generaliserer sin viden og overfører færdigheder mellem domæner uden at skulle omprogrammeres til hver ny opgave. AGI findes ikke endnu. Det er et forskningsmål og et diskussionsemne, ikke et produkt, du kan købe.
Forestil dig forskellen sådan her. En snæver AI, der er verdensmester i skak, kan ikke spille dam, medmindre nogen bygger en ny model til det. Et menneske, der kan spille skak, kan lære dam på få minutter, læse en manual, lave kaffe bagefter og forklare reglerne til et barn. Den fleksibilitet, hvor den samme intelligens håndterer skak, sprog, planlægning og praktiske opgaver, er kernen i det, forskere mener med generel. En AGI ville kunne sætte sig ind i din virksomheds regnskab, skrive en juridisk analyse, fejlfinde en produktionslinje og lære et helt nyt fagområde, uden at et team først skal træne en specialmodel til hver ting.
For en virksomhedsleder er AGI relevant, selvom det ikke findes. Diskussionen styrer milliardinvesteringer, den præger leverandørernes løfter, og den skaber forventninger hos medarbejdere og bestyrelser, som du skal kunne håndtere. Når en leverandør antyder, at AGI er lige om hjørnet, bør du vide, at der ikke findes en fælles definition af, hvornår vi er der, og at afstanden fra dagens kunstige intelligens til ægte generel intelligens er til heftig faglig debat. AGI ligger et sted mellem den snævre AI, du bruger nu, og superintelligens, der ville overgå de dygtigste mennesker på alle felter. Denne side forklarer, hvad AGI er, hvorfor eksperterne ikke kan blive enige om en definition, hvordan man vil måle det, hvornår de store AI-laboratorier tror det kommer, og hvad du konkret bør gøre her og nu.
Hvad AGI er, og hvorfor ingen kan blive enige om definitionen
AGI beskriver et system med menneskelig kognitiv bredde. Standarddefinitionen, som en stribe forskere og opslagsværker bruger, lyder, at AGI er AI, der matcher eller overgår menneskelige evner på tværs af stort set alle kognitive opgaver. Nøgleordet er bredde. En AGI skal kunne ræsonnere under usikkerhed, repræsentere viden inklusive sund fornuft, planlægge, lære, kommunikere på naturligt sprog og kombinere alle disse evner for at nå et mål. Det er summen af mange evner, ikke en enkelt spidskompetence.
Der findes ingen anerkendt definition. I 2025 og 2026 skrev både tidsskriftet Science, mediet Puck og magasinet Fortune om det samme paradoks: alle taler om AGI, men næsten ingen mener det samme. Nogle definerer det ud fra opgaver, andre ud fra økonomisk værdi, andre igen ud fra kognitiv psykologi. Uenigheden er ikke akademisk pedanteri. Den betyder, at to leverandører kan påstå vidt forskellige ting om, hvor tæt vi er, uden at nogen af dem tager fejl efter deres egen målestok.
OpenAI definerer AGI økonomisk. Siden sit charter fra 2018 har OpenAI beskrevet AGI som højt autonome systemer, der overgår mennesker i det meste økonomisk værdifulde arbejde. Det blev sat på spidsen i selskabets kontrakt med Microsoft, hvor AGI i praksis blev knyttet til et tal: systemer, der genererer mindst 100 milliarder dollar i profit. Klausulen gav OpenAIs bestyrelse ret til at erklære AGI opnået og dermed begrænse Microsofts adgang til teknologien. I den omforhandlede aftale i oktober 2025 blev både eksklusiviteten og hele AGI-klausulen fjernet. Definitionen viste sig for kommercielt sprængfarlig til at overleve.
Forskerne definerer det kognitivt. I oktober 2025 udgav over 30 forskere, ledet af Dan Hendrycks og Dawn Song fra blandt andet UC Berkeley og Stanford, papiret A Definition of AGI. De definerer AGI som en AI, der matcher eller overgår den kognitive alsidighed og dygtighed hos en veluddannet voksen, målt på ti kognitive domæner hentet fra Cattell-Horn-Carroll-teorien, den mest empirisk validerede model af menneskelig intelligens. På den skala scorede GPT-4 27 procent og GPT-5 57 procent. Modellerne har en takket profil: stærke i videnstunge domæner, svage i grundlæggende kognitiv maskineri som langtidshukommelse.
DeepMind opdeler vejen i niveauer. Google DeepMinds medstifter Shane Legg, der var med til at popularisere selve ordet AGI i begyndelsen af 2000-tallet, definerer det jordnært som en kunstig agent, der kan gøre de slags kognitive ting, mennesker typisk kan. DeepMinds forskere vurderer systemer mod en repræsentativ gruppe voksne med mindst en gymnasial uddannelse. For at kvalificere sig som AGI skal et system matche medianmennesket på tværs af alle de målte evner, også de svære.
Dagens modeller er bygget på noget andet. De sprogmodeller, der driver ChatGPT, Gemini og Claude, hviler på foundation models trænet med machine learning på enorme datamængder. De er blevet slående gode til sprog, kode og billeder. Men de er grundlæggende trænet til at forudsige det næste stykke tekst. At forstå verden er noget andet, og det er netop det spring, striden handler om.
Derfor er AGI blevet et glidende ord. Da Nvidias topchef Jensen Huang i marts 2026 sagde til podcastværten Lex Fridman, at AGI allerede er opnået, var det korrekt efter nogle definitioner og forkert efter andre. Når du hører et sådant udsagn, bør du først spørge, efter hvilken definition det gælder. Uden det spørgsmål kan AGI betyde næsten hvad som helst, og så bliver det et markedsføringsord frem for en teknisk kendsgerning.
Vil I have mest muligt ud af den AI, der virker i dag, i stedet for at vente på AGI, hjælper vi jer med at komme godt fra start. Vi kortlægger, hvor jeres virksomhed konkret kan hente værdi med de nuværende modeller, vi opbygger det datagrundlag og de kompetencer, der gør jer klar til at tage nye modeller i brug, og vi sikrer, at opsætningen holder sig inden for EU AI Act. Se mere om, hvordan vi arbejder med AI, på vores AI-side, eller tag en uforpligtende snak med os om, hvor I bedst begynder.
Sådan vil man måle AGI, og hvor grænserne går
Når definitionen er uklar, bliver testene vigtige. Gennem årene har forskere foreslået en række konkrete prøver, der hver forsøger at fange en del af, hvad det vil sige at være generelt intelligent. Ingen af dem er en endelig facitliste. Men tilsammen tegner de et billede af, hvor langt teknologien er, og hvor den kommer til kort.
Turing-testen måler samtale, ikke bredde. Den ældste prøve er Turing-testen fra 1950, hvor en menneskelig dommer skal afgøre, om den, vedkommende skriver med, er en maskine eller et menneske. I 2025 viste et studie fra University of California San Diego, at GPT-4.5 blev bedømt som mennesket i 73 procent af fem minutters tekstsamtaler, altså oftere end de faktiske mennesker i testen. Alligevel mener de fleste forskere, at det ikke beviser AGI. En model kan virke menneskelig i en kort chat uden at kunne ræsonnere, huske og handle bredt.
Strengere prøver flytter kravet ud i verden. Beskæftigelsestesten, foreslået af forskeren Nils Nilsson, kræver, at en maskine kan udføre økonomisk vigtigt arbejde lige så godt som et menneske. Kaffetesten, som Apple-medstifter Steve Wozniak har gjort kendt, kræver, at en robot kan gå ind i et fremmed hjem og lave en kop kaffe uden hjælp. Ben Goertzels robot-studentertest kræver, at en maskine kan tage en universitetsgrad. Fælles for dem er, at de måler handling i den fysiske eller økonomiske verden, frem for overbevisende sprog.
ARC-AGI afslører afstanden tydeligst. Den test, der lige nu siger mest om, hvor langt der er til AGI, er ARC-AGI, udviklet af forskeren Francois Chollet. Den består af små opgaver, hvor man ud fra få eksempler skal gennemskue et abstrakt mønster, noget de fleste mennesker gør intuitivt. På den nyeste version, ARC-AGI-2 fra 2025, scorede selv de bedste reasoning-modeller lavt. Googles Gemini 3 Pro nåede 31 procent i grundform og 54 procent med en dyr ekstra beregningsramme, mens Claude Opus 4.5 landede på 37,6 procent. Mennesker løser opgaverne næsten ubesværet, og netop det gab er kernen i skeptikernes argument.
Agentbaserede systemer er tættere på, men stadig snævre. Agentic AI dækker modeller, der planlægger og udfører opgaver i flere trin med adgang til værktøjer. Det minder ved første øjekast om generel intelligens, og en agent kan i dag klare dele af softwareudvikling, research og kundeservice selvstændigt. Bredden er dog stadig bundet til de opgavetyper, systemet er bygget og trænet til. En agent, der booker rejser, kan ikke uden videre overtage bogholderiet.
Grænsen nedad: snæver AI. Al den AI, danske virksomheder bruger i dag, er snæver. Den er specialiseret, ofte ekstremt dygtig inden for sit felt og hjælpeløs uden for det. En AGI ville være det modsatte: en model med den samme brede kompetence som en dygtig medarbejder, der kan flyttes fra opgave til opgave. Grænsen er ikke skarp, for nutidens store modeller er bredere end tidligere tiders specialsystemer, men de er stadig langt fra menneskelig generalitet.
Grænsen opad: superintelligens. AGI skal også holdes adskilt fra superintelligens. AGI betyder menneskeligt niveau. Superintelligens, eller ASI, betyder et system, der overgår selv de dygtigste mennesker på alle områder med stor margin. De to begreber blandes ofte sammen i debatten, selvom de beskriver forskellige ting. Nogle forskere mener, at springet fra AGI til superintelligens kan gå meget hurtigt, fordi et system på menneskeligt niveau kan bidrage til at forbedre sig selv. Andre tvivler på, at det ene automatisk fører til det andet.
Tidslinjer: hvem tror hvad, og hvem er skeptikerne
Estimaterne spænder vidt og flytter sig. Spørgsmålet om, hvornår AGI kommer, giver lige så mange svar, som der er eksperter. En metaanalyse fra 2012 og 2013 satte medianforventningen blandt forskere til et sted mellem 2040 og 2050. En gennemgang fra september 2025 fandt, at de fleste eksperter regner med AGI før år 2100, men spredningen er enorm. Ingen af aktørerne har en pålidelig metode til at forudsige det, og mange gætter med økonomiske interesser på spil.
Dario Amodei, Anthropic: et til fem år. Blandt de mest optimistiske står Anthropics topchef. Han undgår typisk ordet AGI og taler i stedet om powerful AI, et system, der kan gøre alt, hvad et menneske kan, på niveau med en nobelpristager inden for mange fagområder. Hans tidshorisont er kort, et sted mellem et og fem år, og han peger på, at en selvforstærkende forbedringssløjfe kan presse den yderligere ned.
Demis Hassabis, Google DeepMind: omkring 2030. DeepMinds topchef er mere forbeholden. Han angiver cirka 50 procents sandsynlighed for et system med alle menneskelige kognitive evner inden udgangen af årtiet. Samtidig fremhæver han, hvad der mangler: evnen til selv at formulere nye hypoteser og til ægte videnskabelig kreativitet, ud over at løse opgaver, andre har stillet. Hassabis er optimist på den lange bane, men advarer mod at tro, at de sidste skridt er de nemmeste.
Sam Altman, OpenAI: målstregen flytter sig. OpenAIs topchef har bevæget sig i en påfaldende retning. I slutningen af 2025 sagde han, at AGI måske allerede var suset forbi med overraskende lille samfundsmæssig effekt sammenlignet med forventningerne, og at feltet i stedet burde fokusere på superintelligens. Det er en bemærkelsesværdig melding fra manden, hvis virksomhed har AGI som erklæret mål, og den viser, hvor glidende begrebet er blevet. Når man nærmer sig, rykker definitionen.
Flere optimister trækker samme vej. Tidligere OpenAI-medarbejder Leopold Aschenbrenner kaldte i 2024 AGI inden 2027 for slående sandsynligt. Turing-prisvinderen Geoffrey Hinton har anslået, at superintelligente systemer kan komme inden for 5 til 20 år. Og Nvidias Jensen Huang mener, at vi efter nogle definitioner allerede er der. Fælles for de optimistiske meldinger er, at de typisk kommer fra mennesker og virksomheder med store økonomiske interesser i, at fortællingen holder.
Yann LeCun, skeptiker: sprogmodeller er ikke vejen. LeCun, der i mange år var Metas topforsker og en af pionererne bag moderne AI, forlod i november 2025 Meta for at starte sin egen virksomhed med fokus på world models. Hans centrale pointe er, at store sprogmodeller ikke fører til menneskeligt niveau. De mangler en indre model af, hvordan verden fungerer, og kan ikke planlægge og ræsonnere som et menneske. AGI kræver efter hans opfattelse en anden arkitektur.
Gary Marcus og de mere grundlæggende tvivlere. Kognitionsforskeren Gary Marcus har i årevis argumenteret for, at AGI ikke er nært forestående, og at ren opskalering af nuværende modeller ikke fører derhen. Han peger på frontier-modellernes vedvarende problemer med pålidelighed og ræsonnement. Længere ude står filosoffen Hubert Dreyfus og fysikeren Roger Penrose, der har afvist, at menneskelig intelligens overhovedet kan genskabes i en maskine, og Microsoft-medstifteren Paul Allen mente, at AGI var usandsynlig i dette århundrede. Ingen af lejrene kan bevise deres påstand, og det er i sig selv en vigtig pointe.
Hvad AGI-debatten betyder for dansk erhverv lige nu
Superintelligens er AI, der overgår menneskers kognitive evner på alle områder. Forstå begrebet, forskellen til AGI, og hvad det betyder for din virksomhed.
Kunstig intelligens er paraplyen over systemer, der kan lære og handle. Forstå AI, ML, deep learning og generativ AI, og hvor det skaber værdi.
En frontier model er den mest avancerede type AI-model på markedet. Forstå hvad der kendetegner dem, og hvorfor de er centrale for virksomheders AI-strategi.
En foundation model er en stor, pretrænet AI-model, du bygger ovenpå. Forstå hvad der kendetegner dem, de førende modeller, og hvad de ikke er.
En reasoning model tænker trin for trin, før den giver et svar. Forstå hvordan ræsonneringsmodeller adskiller sig fra standard-LLM'er, og hvornår de skaber værdi.
Agentic AI er AI, der selv planlægger, bruger værktøjer og handler mod et mål. Forstå agent-loopet, hvad det bruges til, og hvad det ikke er.
Machine learning er AI, der lærer af data frem for faste regler. Forstå de tre typer, hvordan en model bygges, og hvad virksomheder bruger det til.