Det finns idéer som verkar självklara i efterhand — inte för att de är enkla, utan för att de är rätta. Andrej Karpathy publicerade i april 2026 ett GitHub Gist han kallade en “idea file”. Inte ett ramverk, inte ett bibliotek, inte en SaaS-produkt med välsmort PR-maskineri. Ett markdown-dokument. Inom två veckor hade det 5 000 stjärnor, hundratals forks och ett antal kommersiella produkter byggda runt konceptet. Det är ganska talande — och helt förtjänat.
Om du inte känner till Karpathy: han är medgrundare av OpenAI, doktor från Stanford, mannen som ledde Teslas Autopilot Vision och byggde CS231n — kursen som utbildade en hel generation AI-ingenjörer. Han myntade begreppet “vibe coding” och är grundaren av Eureka Labs. Kort sagt: när Karpathy publicerar ett markdown-dokument och kallar det en “idea file” är det inte vem som helst som tänker högt — det är någon vars tankar brukar landa rätt.
Problemet han satte ord på
De flesta använder fortfarande AI ungefär så här:
Prompt in → Svar ut → Glöm allt → Börja omRAG — Retrieval-Augmented Generation — är standardsvaret på minneslösheten. Du laddar upp dokument, AI:n hittar relevanta bitar, ett svar genereras. Men som Karpathy formulerar det så träffande: “The LLM is rediscovering knowledge from scratch on every question. There’s no accumulation.” Varje fråga startar från noll. Ingen inlärning, ingen ackumulering, ingen sammansatt förståelse som byggs upp över tid. Det är ungefär som att ha en senior konsult som får total minnesförlust efter varje Teams-möte.
Hans förslag är lika enkelt som det är elegant: behandla kunskap som kompilerad kod. Dina källor är källkoden. Wikin är binären. LLM:en är kompilatorn. Han beskriver det i en metafor som faktiskt fastnar: “Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase.” Du kompilerar inte om varje gång du kör ett program — varför ska AI behöva återupptäcka allt varje gång du ställer en fråga?
I praktiken är LLM Wiki en mappstruktur med tre delar: /raw för immutable källdokument, /wiki för AI:ns levande kunskapsbas, och en schema.md med konventioner. När du lägger till ett nytt dokument indexerar inte AI:n bara — den läser, förstår och integrerar. Den uppdaterar befintliga sidor, flaggar motsägelser och stärker korsreferenser. Karpathys egna wiki växte till ungefär 100 artiklar och 400 000 ord. Wikin förbättras med varje ny källa. Det är en fundamental skillnad mot RAG.
AI bryr sig inte om din stack
Det finns något nästan ironiskt i att vi efter decennier av enterpriseplattformar, integrationsmotorer, middleware och oändliga “digital transformation initiatives” landar i insikten att markdown + metadata + länkar är extremt kraftfullt. Framtiden knackade på dörren och sa att den ville prata om .md-filer.
Men det är logiskt. AI bryr sig egentligen inte om snygga dashboards, animationer eller fjorton lager JavaScript-framework. AI bryr sig om signal, struktur och semantik — och rena textfiler är löjligt effektiva på precis det. De är lätta att läsa, versionshantera, diffa, tokenisera och integrera med MCP och AI-agenter. Inga proprietära format att låsa sig till, ingen databas att migrera, ingen leverantör att vara beroende av. Det är också precis därför AIWiki är byggt som det är byggt.
Bekräftelse, inte revolution
Jag vill vara tydlig: det faktum att Karpathy sätter ord på det här är bra, inte oväntat. Det är precis så bra idéer sprids — när rätt person, med rätt trovärdighet, formulerar det på rätt sätt vid rätt tillfälle. Men det är en bekräftelse, inte ett genombrott. Wikifilosofin har haft rätt hela tiden — det är bara nu den får tillräckligt med stjärnor på GitHub för att folk ska lyssna.
Jag har arbetat med wikis sedan tidigt 2000-tal och startade ALMBoK.com redan 2012 — en kunskapsbas för ALM, DevOps och mjukvaruutveckling byggd på exakt samma filosofi: rena textfiler, strukturerad kunskap, öppna format som lever längre än plattformen. AIWiki.se är en naturlig fortsättning på samma tanke, fast med AI som domän och har funnits sedan april 2025. Det som är nytt nu är att AI äntligen gör den filosofin skalbar på ett sätt som inte var möjligt tidigare. Karpathy bekräftar det med 5 000 GitHub-stjärnor bakom sig.
Den bakgrunden är inte en parentes — det är anledningen till att AIWiki är designat som det är. Inte byggt runt en modell eller ett API, utan runt kunskapen som ska överleva dem båda.
AIWiki — samma filosofi, ett bredare ekosystem
AIWiki.se är byggt på DokuWiki — och det är ett medvetet val som förtjänar lite mer förklaring än “vi valde en wikiplattform”. DokuWiki lagrar allt innehåll som rena textfiler istället för i databaser, men det är bara utgångspunkten. Det är ett moget open source-projekt med ett stort och aktivt community, hundratals plugins och teman, inbyggt stöd för backlinks och dynamiska sidlänkar, fulltextsökning, åtkomstkontroll per sida och namnrymd, och en arkitektur som är designad för att vara enkel att underhålla och migrera. Det finns plugins för allt från diagram och LaTeX till LDAP-autentisering och strukturerade datafält. Inget vendor lock-in, ingen databas att oroa sig för, inga licenskostnader — och innehållet är alltid läsbart och återanvändbart utanför plattformen. Det är precis den typen av frihet som behövs när man bygger ett långsiktigt kunskapssystem. Text-first av design, inte av slump.
Där LLM Wiki är ett personligt verktyg för en individ, försöker AIWiki.se vara ett organisatoriskt ekosystem runt samma grundtanke. Det kombinerar kurser och kunskapsbank med promptbibliotek, kontextarkitektur, förmågekartor och ett examinationssystem. Målet är att kunskap inte bara ska lagras — utan att den ska leva, återanvändas och förbättras över tid.
En av de sakerna jag tror mest på i hela ekosystemet är SKILL.md-konceptet — strukturerade markdown-dokument som paketerar kontext, instruktioner och bästa praxis i ett format AI kan konsumera direkt. Det är i princip det Karpathy kallar “schema file”, men applicerat på återanvändbara arbetsflöden och kunskapsdomäner. Du skriver det en gång, AI:n kan använda det om och om igen. Kompilerad kompetens.
Ekosystemet har flera sammankopplade delar som var och en bidrar till helheten:
| Sektion | URL | Vad det är |
|---|---|---|
| Kurser | aiwiki.se/ai | Nivåindelade utbildningar från nybörjare till enterprise-användning |
| Kunskapsbank | aiwiki.se/kunskap | Central hubb för begrepp, lösningar och AI-insikter |
| Promptar | aiwiki.se/prompt | Promptbibliotek och mallar för återanvändbara AI-interaktioner |
| Kontext | aiwiki.se/kontext | Kontextarkitektur, AI governance och styrningsmodeller |
| Förmågekartor | cap.aiwiki.se | Capability maps för att visualisera och strukturera AI-förmågor |
| Examination | exam.aiwiki.se | Smart Exam Format — AI-stödd kunskapsutvärdering och inlärning |
| Skill Manager | skill.aiwiki.se | Paketerade SKILL.md-filer — kompilerad kompetens redo att konsumeras av AI |
| Presentation | preso.aiwiki.se | Visuell introduktion till AIWikis centrala koncept |
| MCP | mcp.aiwiki.se | Model Context Protocol — AI-integrationer och agentarkitektur (test.aiwiki.se) |
| AssiSten | chat.aiwiki.se | Demo-assistent som visar hur hela ekosystemet hänger ihop i praktiken |
AssiSten — med stenkoll på AI Wiki
AssiSten är AIWikis demo-assistent — men det är en dålig beskrivning av vad den faktiskt är. Bättre: det är en fungerande demonstration av hela konceptet i ett chattfönster. Ställ en fråga om ett begrepp från kunskapsbanken och svaret kommer inte från en generisk språkmodell utan från ett system där promptar anger avsikt, Skills bär metod och kvalitet, MCP-verktyg hämtar aktuell information från underliggande system, och paketerad kunskap förankrar svaret i det som faktiskt är dokumenterat i AIWiki. Svar, termer och hänvisningar hänger ihop — inte för att AI:n är smart nog att gissa rätt, utan för att strukturen gör jobbet.
Det är skillnaden mellan att prata med ett kunskapssystem och att prata till en chatbot. Data förädlas till information, samlas till kunskap, och möter modellen som kognitiv kontext — det som styr hur frågan förstås, vad som prioriteras och vad som kan accepteras som svar. Tillsammans bildar det en kedja som kan stödja riktiga beslut: förutsägbara, granskbara och kopplade till verksamhetens egna källor.
Det är inte för att kontrollera AI. Det är för att ge AI rätt kontext från första prompten — och låta strukturen göra det tyngre jobbet.
Ett bra exempel på hur detta kan förstärkas ytterligare är exam.aiwiki.se. Examinationsmiljön delar samma kunskapskälla som resten av AIWiki, vilket innebär att AI:n kan generera nya frågor baserade på hur du svarat på tidigare frågor — adaptivt och dynamiskt — med kunskap hämtad direkt från aiwiki.se och skills via MCP-anrop. Det handlar inte om statiska frågebanker utan om en levande kunskapsutvärdering som formas i realtid utifrån vad du kan, vad du missat och vad som faktiskt finns dokumenterat i systemet. Feedback-loopen går hela vägen tillbaka till källan.
Vad Karpathy egentligen bekräftade
Det är lätt att missförstå varför LLM Wiki gick så viralt. Det handlar inte om att markdown är revolutionerande. Det handlar om att en av de mest respekterade rösterna i AI-världen bekräftade en sanning som många organisationer fortfarande inte internaliserat: det som skiljer organisationer åt i AI-eran är inte modellen — det är kontexten modellen får tillgång till.
Alla kan köpa tillgång till samma modeller. GPT-4, Claude, Gemini, Llama — standardvara inom några år. Det som inte är standardvara är din kunskap, din metadata, din taxonomi och din informationsarkitektur. Det är din signal-to-noise ratio. Som Karpathy visar handlar det ytterst om att bygga strukturer där AI kan arbeta mot persistent kunskap istället för isolerade engångsprompts.
En varning är ändå på sin plats, för den glöms bort i entusiasmen: AI förstärker struktur, bra och dålig. Dålig metadata plus AI ger hallucinationer med självförtroende och enterprise-branding. Det är ungefär samma problem som tidigare, fast nu med generativ AI och större budget.
Bygg din egen
Det är fullt möjligt att göra egna implementationer av AI Wiki-konceptet för olika syften och olika nivåer. Du kan bygga en intern kunskapsbas för din organisation, en domänspecifik wiki för ett ämnesområde, eller en minimal variant för ett enskilt projekt. Konceptet skalas — från en persons markdown-mapp à la Karpathy, till ett team-wiki på DokuWiki, till ett fullständigt ekosystem med kurser, prompts, skills, examination och governed AI-assistenter. Det är inte allt-eller-inget. Du börjar där du är, med det du redan vet, och låter strukturen växa med behovet. Det enda som inte fungerar är att vänta tills allt är perfekt.
Karpathy publicerade ett markdown-dokument och fick en hel bransch att få en aha-upplevelse. Jag förstår det — och applåderar det. Men för de som arbetat med textbaserade kunskapssystem i decennier känns det mer som en välförtjänt bekräftelse än en revolution. Text, struktur och semantik har alltid vunnit på lång sikt. Vi väntade bara på att AI skulle göra det tillräckligt tydligt för resten att se.