En tråd på Hacker News som eksploderer akkurat nå handler om noe mange i AI-miljøet har hvisket om en stund, men få har sagt høyt: den euforiske fremgangskurven vi har sett i LLM-verdenen de siste par årene ser ut til å flate ut.

Artikkelen det lenkes til — publisert på wheresyoured.at — argumenterer for at de store kapasitetsgjennombruddene i store språkmodeller er i ferd med å bli sjeldnere og dyrere å oppnå. Dette er ikke en outsider-mening lenger. Det er en sentiment som bobler opp fra folk som jobber tett på feltet.

Når 736 kommentarer på HN er enige om at noe lukter rart, er det verdt å følge med.

Hva betyr "bremser opp" konkret? Handler det om at benchmark-tallene ikke lenger imponerer på samme måte? At compute-kostnadene eskalerer raskere enn ytelsesgevinsten? Kommentatorer på tråden peker på begge deler — og legger til at selve "scaling law"-mantrat som har drevet investeringsbølgen begynner å miste troverdighet i praksis, selv om ingen stor aktør vil innrømme det offentlig.

Dette henger tett sammen med noe som også diskuteres heftig i andre deler av AI-undergrunnen: vi har bygget oss inn i en arkitektonisk blindgate. Store autoregressive transformer-modeller er fremdeles nyttige, men de er energisluker, kostbare å trene og har strukturelle begrensninger som ikke forsvinner uansett hvor mye data du pøser inn. Alternativene — neuromorfe nettverk, neuro-symbolske systemer, Mixture-of-Experts, spesialiserte småmodeller som Phi-3 — begynner å se mer interessante ut, ikke bare akademisk, men kommersielt.

AI-veksten bremser opp — og tech-undergrunnen merker det - Bilde 1

Det er ikke slik at AI-feltet stopper opp. Det er heller at definisjonen av "fremgang" er i ferd med å endre seg. Å trene en enda større GPT-klon er ikke lenger automatisk lik et gjennombrudd. Investorer og produktteam begynner å stille andre spørsmål: hva er faktisk nytteverdi per dollar, og finnes det smalere, raskere og billigere arkitekturer som gjør jobben bedre for spesifikke use cases?

Dette er fortsatt early signals fra et community, ikke etablert konsensus. Men når en artikkel om AI-stagnasjon topper HN med hundrevis av kvalitetskommentarer en tirsdag formiddag i juni 2026, er det et tegn på at stemningen er i ferd med å skifte — og at mainstream tech-media sannsynligvis vil plukke opp denne narrativen innen få uker.

Følg med på hvordan de store labene kommuniserer rundt sine neste modellslipp. Retorikken der vil si mye om de også kjenner bremsen.