Hvorfor er ChatGPT blevet så dårlig, og hvad du kan gøre ved det

Du ramte et loft og blev flyttet til en reservemodel

Du forestillede dig det ikke. Når du bruger din kvote op på den stærke model, blokerer ChatGPT som regel ikke og nægter at svare. Den giver samtalen videre til en mindre, billigere model og fortsætter i samme tråd, med den samme skriveanimation. Intet i svaret annoncerer, at maskinen bag det har skiftet. Du bemærker det kun, fordi svarene bliver kortere, fladere, mere glemsomme og mere selvsikkert forkerte.

OpenAI dokumenterer dette som tilsigtet adfærd. Virksomhedens udgivelsesnoter for modeller beskriver en minimodel, som brugere når frem til efter at have ramt rate limits på hovedmodellen, og bemærker, at fordi den fungerer som en reserve, vises den ikke i modelvælgeren. Det ene designvalg forklarer det meste af forvirringen: du kan ikke vælge reservemodellen selv, så du kommer aldrig i tanke om at tjekke, om du er på den.

Så den ærlige diagnose: modellen blev sandsynligvis dårligere, og ingen har rørt ved den model, du valgte. Du blev flyttet væk fra den. Resten handler om, hvordan du bekræfter det på tredive sekunder, og hvordan du stopper med at blive overrasket over det.

Tjek først, om det er dit problem og ikke en af de to lignende situationer. Blev du stoppet direkte af en besked, der nævnte din plan eller din grænse, er det et loft, du kan se, og ChatGPT siger, jeg har nået min grænse dækker det. Fejler svar med generiske fejl på tværs af alle samtaler, er det en nedbrud, og hvad du kan bruge, når ChatGPT er nede er den hurtigere læsning. Denne artikel er til det tredje tilfælde, det uden nogen fejlbesked overhovedet: alt virker stadig, det er bare dårligere.

Hvad der faktisk sker, når du rammer loftet

Enhver forbruger AI-plan måler forbrug på en eller anden måde, fordi det koster rigtige penge per besked at køre en stor model. Det, der varierer, er, hvad der sker ved grænsen, og hvilken af disse tre du får, afgør, hvor forvirret du ender med at være.

Adfærd ved grænsen	Hvad du ser	Hvor forvirrende det er
Hårdt stop	Et banner siger, du er stoppet indtil et bestemt tidspunkt, og intet sendes	Irriterende, men ærligt. Du ved præcis, hvor du står
Synligt nedgraderet	En besked siger, du er flyttet til en mindre model	Lidt irriterende, stadig ærligt
Stille fallback	Samtalen fortsætter bare, besvaret af en anden model	Den, der får folk til at tro, produktet er i stykker

ChatGPT ligger mest i den tredje række. Der kommer ofte en besked i selve øjeblikket for skiftet, men beskeder scroller væk og forbliver ikke ved siden af de svar, der følger efter. Dybt inde i en lang tråd, hvor du læser svar frem for grænsefladen omkring dem, vil du ikke lægge mærke til det. Senere vender modellen stille tilbage til normal, når dit vindue nulstilles, hvilket er grunden til, at folk konkluderer, at kvaliteten er tilfældig frem for målt.

En note om tal, for det er her, de fleste artikler om emnet går galt. Udbydere ændrer loft konstant og uden varsel, og loft varierer efter plan, model, funktion og nogle gange aktuel belastning, så et tal trykt i en artikel har kort holdbarhed. Dette tal ændrede sig to gange på to måneder. OpenAI målte over et rullende vindue på nogle timer i årevis, Engadget rapporterede, at den gratis plan tilsyneladende droppede det vindue til fordel for en enkelt ugentlig kvote omkring juli 2026, og i begyndelsen af august 2026 annoncerede OpenAI, at almindelig tekstchat blev ubegrænset på tværs af niveauer, mens filer, billeder, stemme og billedgenerering fortsat blev målt separat. Læs det som en advarsel om trykte tal frem for som den aktuelle tilstand, denne artikel inklusive. Tjek din udbyders egen side for grænser inde fra din konto frem for at stole på en tredjeparts opsummering. ChatGPT siger, jeg har nået min grænse gennemgår nulstillingsspørgsmålet i sin helhed.

Sådan ser du, hvilken model der svarer dig lige nu

Stol ikke på fornemmelsen, tjek det. Grænseflader bliver redesignet med jævne mellemrum, så i stedet for at beskrive, hvor en knap sidder i dag, er her, hvad du skal kigge efter. Disse er knyttet til funktioner, ikke til pixels, så de overlever redesign.

1. Modelnavnet øverst i samtalen. Enhver chatapp viser den valgte model i toppen eller ved siden af skrivefeltet. Det fortæller dig, hvad der er valgt, hvilket ikke altid er det, der svarede.
2. Kontrollerne under et enkelt svar. Hold musen over eller langt tryk på et bestemt svar. Den lille række der (kopiér, tommelfinger, prøv igen) inkluderer som regel en regenerér- eller "prøv igen"-mulighed, og i ChatGPT lader den menu dig gensende spørgsmålet til en navngivet model. Nyttigt til at tvinge en stærkere model frem, men behandl det som en måde at spørge igen på frem for en kvittering: pr. august 2026 kunne vi ikke bekræfte ud fra OpenAIs egen dokumentation, at ChatGPT mærker, hvilken model der producerede svaret, som allerede står foran dig. Planlæg ikke din diagnose omkring at finde en mærkning per besked.
3. Siden for forbrug eller grænser i kontoindstillinger. Tjek den, men forvent lidt: forbrugerplaner viser ikke pålideligt en løbende tæller, og tidspunktet for nulstilling optræder oftere inde i grænsebeskeden end på en indstillingsside.
4. Beskeden i selve øjeblikket for skiftet. Når en sådan vises, sidder den inde i tråden frem for som en pop-up, så hvis du scrollede forbi den, står den stadig deroppe i transskriptionen.
5. Spørg ikke chatbotten, hvilken model den er. En model ved ikke pålideligt sit eget navn eller version og vil selvsikkert nævne det, der blev mest omtalt i dens træningstekst. Det svar er ikke noget værd. Hvorfor AI tager fejl dækker denne type selvsikkert vrøvl.

Fordi hver af disse afhænger af en grænseflade, der ændrer sig, er det tjek, der faktisk holder, adfærdsmæssigt. Hold en kort testprompt gemt et sted, en hvis gode svar du genkender øjeblikkeligt. En besværlig omskrivning, en lille logisk gåde fra dit eget arbejde. Når kvaliteten føles skæv, send den. Du vil vide inden for få sekunder, om du taler med den model, du tror, du gør, og intet redesign kan tage det fra dig.

Hvorfor den mindre model føles anderledes

Reservemodellen er ikke en saboteret version af den store model. Det er en anden, mindre model, trænet separat, valgt fordi den koster langt mindre at køre. Mindre modeller er reelt gode til det lette flertal af forespørgsler, hvilket er grunden til, at de overhovedet fungerer som reserve. De fejler i et bestemt mønster, og når du kender mønsteret, kan du opdage skiftet helt uden nogen grænseflade.

• Kortere arbejdshukommelse i praksis. Den mindre model har ofte et mindre kontekstvindue, og selv hvor det opgivne vindue er lignende, holder den fast i tidlige detaljer mindre pålideligt. Symptomet er at skulle genforklare noget, du fastlagde tyve beskeder tidligere, eller at miste en betingelse, du satte i starten. Hvad et kontekstvindue er forklarer, hvorfor kvaliteten ofte falder, før du rammer grænsen.
• Svagere instruktionsfølge, især ved stablede instruktioner. Én instruktion vil den følge. Fire på én gang ("under 200 ord, ingen punktopstillinger, andenperson, hold klientnavnet ude") er der, hvor den begynder at droppe en eller to stille og roligt. Dette er det mest pålidelige tegn.
• Fladere struktur. Svar driver mod en generisk form: kort intro, tre overskrifter, opsummering. Den større model er bedre til at afgøre, at dit spørgsmål fortjener en anden form.
• Mere selvsikre fejl. Samme flydende stemme, en smule mindre kapacitet bag den, så kløften mellem hvor sikker den lyder, og hvor rigtig den er, bliver bredere.
• Svagere fleretrins-ræsonnement. Alt, der kræver flere mellemresultater holdt samtidig (en beregning med betingelser, en plan med afhængigheder, fejlfinding), forringes langt mere end en omskrivning gør.

Læg mærke til, hvad der mangler på den liste: afslappet samtale, korte omskrivninger, hurtige forklaringer, toneændringer, oprydning i et afsnit. På det arbejde er den mindre model tæt på umulig at skelne og hurtigere. Det er designet, ikke et uheld. Reservemodellen er kun et problem, når den lander på de forespørgsler, der havde brug for den større model, og du kan ikke se, hvilken du fik.

Én ting at holde ved siden af reservemodellen: assistenter dirigerer også automatisk og afgør for dig, om et spørgsmål fortjener en hurtig model eller en langsommere ræsonneringsmodel. Når den router bliver justeret, kommer identiske prompts tilbage med anden dybde end sidste uge, hvilket udefra ligner nøjagtig, at modellen er blevet dårligere. Mellem fallback og routing er det en enkelt app, der træffer beslutningen uden at fortælle dig det, så du kan ikke adskille "modellen ændrede sig" fra "jeg blev flyttet" fra "jeg stillede et dårligere spørgsmål".

Hvad du kan gøre ved det

I nogenlunde rækkefølge efter indsats. De første tre er gratis og tager minutter.

1. Bekræft, før du klager. Kør din gemte testprompt. Kommer svaret tilbage fladere, end du ved den prompt fortjener, er du på reservemodellen og er som regel tilbage til normal, når vinduet nulstilles.
2. Budgettér den stærke model. Lav engangsarbejde (omskrivninger, idéudvikling, hurtige spørgsmål) et billigt sted. Lange, ufokuserede tråde bruger kvoten hurtigst op.
3. Start en ny chat til hver opgave. Lange tråde bærer hele historikken med ind i hver forespørgsel, hvilket koster mere og får den mindre reservemodel til at kæmpe hurtigere.
4. Del instruktionen op, mens du er på den lille model. Den følger én instruktion pålideligt og fire upålideligt, så send fire beskeder.
5. Verificér alt, du ville handle på. I et fallback-vindue forbliver selvtilliden høj, mens nøjagtigheden falder. Det er præcis, når et forkert tal glider igennem.
6. Hold en anden stærk model inden for rækkevidde. Overraskelsen gør kun ondt, når én app ejer routingbeslutningen, og du ikke har andre steder at gå hen, når den flytter dig. En anden konto, eller en arbejdsplads med flere modeller på én gang, gør en stille nedgradering til et valg, du selv træffer.

Intet af det får rate limits til at forsvinde, og ingen bør fortælle dig andet. Kapacitet koster penge alle steder. Det, der ændrer sig, er, at grænsen bliver synlig og genoprettelig i stedet for, at du opdager en uge senere, at halvdelen af dit arbejde blev skrevet af en model, du aldrig valgte. Er du usikker på, hvilken model der passer til hvilket arbejde, er hvordan du vælger en AI-model et framework frem for en rangliste.