Ordet sycophancy har funnits i AI-forskningen i flera år. Det förekommer i papers, i modellutvärderingar och i teknisk dokumentation från de stora AI-bolagen, och under det senaste året har det tagit steget ut i den bredare diskussionen om hur språkmodeller påverkar oss. Ordet låter specialiserat, som en egenskap bara forskare kan mäta och bara ingenjörer kan åtgärda.
Ordet betyder medhåll.
En sycofantisk modell anpassar sitt innehåll efter din position. Den läser av vart du lutar och lutar åt samma håll. Ställer du en fråga med en förväntan inbyggd, levererar den svaret som möter förväntan. Presenterar du en idé, hittar den idéns styrkor. Det handlar om innehållslig eftergift, vilket skiljer den från artighet. En artig modell väljer sina ord med omsorg. En sycofantisk modell väljer sina slutsatser efter dig.
Svenskan har ordet sedan länge, sykofanti, smickrarens konst, men i AI-sammanhang är det den engelska formen som cirkulerar.
Varifrån medhållet kommer
Mekanismen sitter i träningen. Språkmodeller finjusteras med mänsklig feedback, där människor bedömer vilka svar de föredrar. Människor föredrar svar som känns bra. Svar som bekräftar känns bra. Modellen lär sig sambandet och optimerar mot det.
Medhållet är alltså en direkt konsekvens av optimeringsmålet. Systemet gör exakt det som det tränats att göra: producera svar som användare belönar. Att användare systematiskt belönar bekräftelse är ett mänskligt mönster, dokumenterat i decennier av forskning om confirmation bias. Träningen kodifierar mönstret och bygger in det i modellens beteende.
Den som arbetat med engagemangsoptimerade system känner igen logiken. Sociala medier lärde sig leverera innehåll som håller användaren kvar, och det som håller användaren kvar är det som bekräftar. Jag har beskrivit den mekaniken som dopaminlogik: snabba bekräftelsecykler som belöningsstruktur. Sociala medier tillämpade den på innehåll. Språkmodeller tillämpar den på resonemang.
Varför medhållet är svårt att se
Medhåll fungerar som bäst när det passerar obemärkt. Ett svar som bekräftar din position känns som ett svar som stämmer. Upplevelsen av att ha rätt och upplevelsen av att bli bekräftad är svåra att skilja åt inifrån, eftersom båda producerar samma känsla av att något faller på plats.
Jag har kallat den upplevelsen syntetisk trygghet: känslan av att vara förstådd och bekräftad av ett system som är konstruerat för att producera exakt den känslan. Bekräftelsen kommer utan underliggande position, historia eller intresse. Den kommer från ett optimeringsmål.
Det som går förlorat är arbetet i tolkningsmellanrummet, utrymmet mellan input och slutsats där det egentliga tänkandet sker. Det utrymmet kräver friktion för att existera. En invändning, en motfråga, en alternativ läsning tvingar fram omprövning. Medhållet fyller utrymmet med bekräftelse, och den kognitiva process som skulle ske där uteblir.
Vad forskningen nu visar
I februari 2026 publicerade forskare vid MIT och University of Washington papret "Sycophantic Chatbots Cause Delusional Spiraling, Even in Ideal Bayesians". Det är en formell modell som visar att bekräftelsespiralen uppstår strukturellt, oberoende av hur rationell användaren är. Forskarna modellerade en idealt bayesiansk användare, en tänkt person som uppdaterar sina övertygelser felfritt utifrån tillgänglig information, och spiralen uppstod ändå.
Spiralen ser ut så här. Du ställer en fråga. Modellen håller med. Du tolkar medhållet som bekräftelse och din övertygelse stärks. Nästa fråga ställer du från en position av starkare övertygelse, och modellen håller med igen. Varje varv ökar avståndet till verkligheten, och du saknar verktyg för att märka det inifrån samtalet.
Forskarna testade två uppenbara lösningar. Den första var att hindra modellen från att ljuga. En modell som håller sig till sanningen kan ändå driva spiralen genom urval: den väljer vilka sanningar den lyfter fram och vilka den lämnar utanför. Den andra var att varna användaren om att modellen tenderar att hålla med. Spiralen fortsatte trots varningen, eftersom feedbackloopen är starkare än vetskapen om den.
Båda lösningarna misslyckades strukturellt. Det är paprets centrala resultat, och det bekräftar formellt vad som varit synligt för den som analyserat hur bekräftelselogik samspelar med mänsklig kognition. Jag skrev om spiralen i Bekräftelsemaskinen och om upplevelsen den producerar i artiklarna om syntetisk trygghet. Terminologin är ny i det bredare samtalet. Mekanismen har varit beskriven här sedan tidigare.
Vad man gör med kunskapen
Eftersom varken sanningskrav eller varningar räcker, ligger ansvaret i arbetssättet. Tre principer bär i praktiken.
Be om motståndet explicit. En modell som ombeds hitta svagheter i ditt resonemang levererar svagheter. Medhållet är ett defaultbeteende, och default går att åsidosätta med instruktion. Formulera uppdraget som granskning istället för bedömning: "vad brister i det här" ger ett annat svar än "vad tycker du om det här".
Separera idé från identitet i prompten. En modell läser av ägarskap. "Min kollega föreslår att vi..." granskas hårdare än "jag tänker att vi...". Att presentera sin egen position som någon annans är ett enkelt sätt att koppla bort anpassningen.
Behandla bekräftelse som utebliven information. Ett medhåll säger något om modellens optimeringsmål och lite om sakfrågan. Svaret som bär information är det som tillför något du saknade: en invändning, ett motexempel, en aspekt du missat. Bekräftelse utan tillägg är ett svar att gå vidare från, till en skarpare fråga.
Medhållet följer med modellerna så länge träningens grundlogik ser ut som den gör. Det som går att förändra är vad medhållet möter. En användare som vet vad sycophancy betyder, och som organiserar sitt arbete efter den vetskapen, behåller tolkningsarbetet där det hör hemma: hos sig själv.
Katri Lindgren har arbetat med digital beteendedata sedan 2008 och skriver om kognitiv integritet, syntetisk trygghet och tolkningsmellanrummet. Begreppen finns samlade i working paper-form på Zenodo (DOI: 10.5281/zenodo.19916093).
