Nirvana Fallacy – varför jämför vi AI med en perfekt människa som inte existerar?

När vi jämför verkligheten med ett ouppnåeligt ideal

Begreppet har sitt ursprung i nationalekonomen Harold Demsetz forskning från 1969 och är fortfarande högst relevant. Inte minst i dagens diskussion om artificiell intelligens.

När AI ger ett felaktigt svar, missförstår en instruktion eller fattar ett tveksamt beslut lyfts det ofta fram som bevis för att tekniken inte är tillräckligt mogen eller tillförlitlig.

Samtidigt accepterar vi dagligen att människor gör exakt samma typer av misstag. Kundtjänstmedarbetare lämnar felaktiga besked, administratörer registrerar fel uppgifter, säljare missar viktiga kundbehov och chefer fattar beslut på bristfälliga underlag.

Skillnaden är att vi betraktar mänskliga misstag som naturliga, medan AI:s misstag ofta betraktas som tekniska misslyckanden.

Men varför?

Forskning visar att vi ställer högre krav på AI

En dansk studie publicerad i den vetenskapliga tidskriften BJR Open 2023 undersökte just denna frågeställning.
Forskarna undersökte hur stor felmarginal personal inom radiologi vid Bispebjerg-Frederiksberg Hospital ansåg vara acceptabel när människor respektive AI bedömer röntgenbilder.
Resultatet var anmärkningsvärt:

• Människor: 11,3 procent accepterad felmarginal.

• AI: 6,8 procent accepterad felmarginal.

Deltagarna accepterade alltså en 66 procent högre felmarginal hos människor än hos AI.

Skillnaden var statistiskt signifikant. Studien omfattade 44 analyserade svar och kan därför inte generaliseras till hela arbetsmarknaden, men den illustrerar en tydlig skillnad i hur deltagarna bedömde mänskliga och artificiella prestationer.

Studien undersökte vilka felmarginaler deltagarna accepterade, inte hur många fel människor eller AI faktiskt gjorde. Det är just därför resultatet är så intressant. Det handlar om våra förväntningar och hur vi värderar samma prestation beroende på vem eller vad som utför arbetet.

Vi tycks helt enkelt vara beredda att acceptera betydligt fler misstag från en människa än från en AI som utför samma arbetsuppgift.

Vi jämför AI med en människa som inte existerar

I april 2026 skrev Alexander M. Sidorkin vid California State University forskningsartikeln The Nirvana Fallacy in AI Critique, som publicerades på SSRN i maj samma år.

Han beskriver ett grundläggande tankefel i debatten om AI: Vi jämför en verklig teknik, med alla dess brister, mot en idealiserad mänsklig intelligens.

När AI utvärderas förväntas den ofta vara konsekvent, objektiv, korrekt och tillförlitlig.

Men människor är varken konsekventa, objektiva eller alltid tillförlitliga. Våra beslut påverkas av erfarenheter, känslor, fördomar, bristande kunskap, stress och trötthet.

Vi glömmer information, missförstår sammanhang, drar felaktiga slutsatser och överskattar regelbundet vår egen förmåga.

Trots detta utgår stora delar av AI-kritiken från en föreställning om mänsklig intelligens som varken stöds av forskning eller av våra egna erfarenheter.

Sidorkins slutsats är att en meningsfull utvärdering måste utgå från en konkret arbetsuppgift och jämföra hur AI och människor faktiskt presterar under likvärdiga förutsättningar.

Det är en väsentlig skillnad mot en diskussion där AI förväntas uppfylla kvalitetskrav som människor aldrig har behövt leva upp till.

Att konstatera att AI gör misstag säger i sig väldigt lite om teknikens värde. Det avgörande är hur dessa misstag förhåller sig till de misstag som redan görs av människor.

När den som sätter betyget själv gör fel

Problemet blir ännu tydligare i en vetenskaplig artikel publicerad i eClinicalMedicine i september 2026.

Forskarna Christian Pohlkamp och Torsten Haferlach beskriver fenomenet som The Benchmark Illusion.

De konstaterar att AI-system inom medicinsk diagnostik ofta utvärderas mot mänskliga experters bedömningar, trots att dessa experter själva kan ha betydande felmarginaler.

Mänsklig expertis används alltså som facit, samtidigt som facit inte nödvändigtvis är korrekt.

Forskarna pekar på att AI inom flera avgränsade diagnostiska uppgifter redan kan matcha eller överträffa mänskliga experters prestationer.

Ändå fortsätter mänskliga bedömningar ofta att utgöra den självklara referenspunkten när AI:s korrekthet ska bedömas.

Konsekvensen är att en AI som kommer fram till en annan slutsats än den mänskliga experten riskerar att bedömas som felaktig, även när det är expertens bedömning som brister.

Det är ett grundläggande problem med utvärderingsmetoden.

Om vi använder mänskliga bedömningar som facit utan att samtidigt kontrollera deras korrekthet riskerar vi att underskatta AI:s faktiska förmåga.

Forskarna förespråkar därför utvärderingar som tar hänsyn till osäkerheten även i mänskliga bedömningar och i högre grad mäter faktiska resultat.

Om människan själv gör fel, hur kan vi då okritiskt använda människans bedömning som måttstock för AI:s korrekthet?

Vi mäter AI:s misstag men sällan människans

Teknikentreprenören Fredrik Eriksen beskriver samma problem i artikeln Human Baseline Blindness: Why We Forgive Human Errors We Condemn in AI, publicerad i april 2026.

Hans resonemang är enkelt.

När en AI gör ett misstag finns det ofta dokumenterat. Svaret kan sparas, granskas, analyseras och jämföras med instruktionerna.

När en människa gör motsvarande misstag finns ofta förklaringar som mildrar bedömningen. Arbetsbelastningen var hög, instruktionerna otydliga eller situationen ovanligt komplicerad.

Resultatet blir att AI:s brister synliggörs medan människors brister lättare normaliseras.

Eriksen beskriver hur organisationer ofta utvärderar AI mot bilden av en kompetent medarbetare som alltid har rätt information, är uppmärksam, följer instruktioner och fattar korrekta beslut.

Problemet är att denna medarbetare inte existerar.

Den verkliga arbetsplatsen består av människor med varierande kompetens, erfarenhet och förutsättningar. Kvaliteten varierar mellan individer, arbetsdagar och situationer.

Ändå saknar många verksamheter tillförlitliga mätningar av hur ofta deras medarbetare faktiskt gör fel.

AI:s fel blir därmed mätbara, medan de mänskliga fel som tekniken jämförs med förblir okända.

Eriksens slutsats är att företag måste börja mäta kvaliteten i sina befintliga arbetsprocesser innan de kan göra rättvisa jämförelser med AI.

Det innebär inte att AI alltid ska tillåtas samma felmarginal som människor. I vissa situationer motiverar exempelvis teknikens förmåga att upprepa misstag i stor skala högre krav.

Men dessa krav bör baseras på konkreta risker, inte på en föreställning om mänsklig perfektion.

När vi mäter AI:s misstag utan att känna till människans felmarginal är inte en objektiv kvalitetsjämförelse. Det är att granska det ena alternativet och anta att det andra fungerar.

Hur många fel accepterar vi redan i våra företag?

Resonemanget är direkt tillämpbart på näringslivet.

Föreställ dig ett företag som överväger att införa AI i sin kundservice.

Ledningen oroar sig för att AI kan lämna felaktiga besked, missförstå kunder eller hantera vissa ärenden på ett otillfredsställande sätt.

Men hur ser situationen ut i dag?

Hur många kundsamtal missas? Hur många kunder får felaktiga svar? Hur många ärenden dokumenteras bristfälligt? Hur ofta behöver samma fråga hanteras flera gånger? Hur konsekvent är kvaliteten mellan olika medarbetare?

Om företaget inte känner till svaren på dessa frågor saknas också en relevant jämförelsegrund för att bedöma AI.

Vi accepterar att personal inte kan besvara samtal när de är upptagna, att kundservice har begränsade öppettider och att medarbetare inte alltid har tillgång till rätt information.

Vi accepterar att kvaliteten varierar beroende på vem kunden talar med, när samtalet kommer och hur hög arbetsbelastningen är.

Men när AI introduceras förväntar vi oss plötsligt att varje samtal ska hanteras korrekt, varje fråga förstås och varje svar vara fullständigt tillförlitligt.

Det är en märklig utgångspunkt för ett affärsbeslut.

En AI-lösning som kan besvara kundförfrågningar dygnet runt, ge konsekventa svar på vanliga frågor och överlämna mer komplicerade ärenden till människor kan innebära en betydande kvalitetsförbättring, även om den inte är felfri.

Anta exempelvis att ett företag i dag missar vart fjärde inkommande samtal. En AI-telefonist som besvarar dessa samtal, hjälper kunderna med vanliga frågor och vidarebefordrar mer komplicerade ärenden skulle kunna förbättra både tillgänglighet och kundservice avsevärt.

Även om AI ibland missförstår en fråga kan det samlade resultatet vara betydligt bättre än när kunden inte får något svar alls.

Ändå riskerar diskussionen att fastna i de enskilda tillfällen då AI inte lyckas, i stället för att handla om hur verksamhetens totala prestation förändras.

Det verkliga värdet av AI ligger inte i att eliminera varje tänkbart misstag. Det ligger i möjligheten att förbättra kvalitet, tillgänglighet, produktivitet och effektivitet jämfört med dagens arbetssätt.

Företag som kräver att AI ska vara felfri innan tekniken får användas riskerar därför att försvara befintliga processer vars brister de aldrig ens har mätt.

AI behöver inte vara perfekt – den behöver vara bättre än alternativet

För att fatta välgrundade beslut om AI behöver företag börja med att utvärdera sina befintliga arbetsprocesser. Hur väl fungerar de i dag? Vilka fel uppstår, vilka resurser krävs och var finns möjligheter till förbättring?

Med den kunskapen blir det möjligt att jämföra AI med verkliga prestationer och identifiera var tekniken kan skapa störst värde.

Om AI kan utföra en arbetsuppgift med färre fel, högre tillgänglighet, bättre kvalitet eller lägre kostnad innebär det en förbättring. I andra fall kan den bästa lösningen vara att kombinera AI:s kapacitet med mänsklig kompetens.

Det handlar inte om att sänka kvalitetskraven, utan om att utvärdera hur olika lösningar kan bidra till bättre resultat, högre kvalitet och effektivare arbetsprocesser.

Nirvana Fallacy påminner oss om en grundläggande princip: Ett alternativ behöver inte vara perfekt för att vara bättre.


Källor och vidare läsning

1. Harold Demsetz (1969)
   Information and Efficiency: Another Viewpoint
   The Journal of Law & Economics, volym 12, nr 1.
   Den ursprungliga nationalekonomiska analysen av Nirvana Approach, som senare kom att benämnas Nirvana Fallacy.
   Läs originalartikeln

2. Anders Lenskjold m.fl. (2023)
   Should artificial intelligence have lower acceptable error rates than humans?
   BJR Open.
   Vetenskaplig studie som undersöker skillnader i accepterade felmarginaler mellan människor och AI vid radiologiska bedömningar.
   Läs studien

3. Alexander M. Sidorkin (2026)
   The Nirvana Fallacy in AI Critique
   California State University, Sacramento.
   Forskningsmanuskript publicerat på SSRN som analyserar tankefelet att jämföra AI med en idealiserad mänsklig intelligens.
   Läs artikeln

4. Christian Pohlkamp & Torsten Haferlach (2026)
   The Benchmark Illusion: On the Curious Underestimation of AI and the Uncertainty of Its Creators' Gold Standards
   eClinicalMedicine, The Lancet Discovery Science.
   Vetenskaplig perspektivartikel om problemen med att använda mänskliga expertbedömningar som facit vid utvärdering av AI.
   Läs artikeln

5. Fredrik Eriksen (2026)
   Human Baseline Blindness: Why We Forgive Human Errors We Condemn in AI
   Analys av varför mänskliga misstag normaliseras medan motsvarande AI-misstag granskas hårdare, samt hur organisationer kan göra mer rättvisande kvalitetsjämförelser.
   Läs artikeln