AI har redan lärt sig skriva kod, analysera bilder och lösa avancerade problem. Nästa steg är betydligt mer konkret: att låta artificiell intelligens planera och genomföra verkliga experiment, lära sig av resultaten och själv bestämma vad som ska testas härnäst. Forskare och teknikbolag arbetar nu på vad som kan bli en av AI-erans mest omvälvande tekniker – det autonoma laboratoriet.

Tänk dig ett läkemedelslaboratorium där en forskare på morgonen beskriver ett mål: hitta en molekyl som blockerar ett visst protein utan att skada friska celler. I ett traditionellt laboratorium kan uppgiften innebära veckor av litteratursökning, planering, pipettering, mätningar och analys innan forskarna vet vilket experiment som bör göras härnäst.

I framtidens autonoma laboratorium skulle samma instruktion kunna sätta igång ett helt system. En AI går igenom forskningslitteraturen, formulerar hypoteser och väljer vilka molekyler som bör testas. Robotar blandar prover och kör experimenten, instrument mäter resultaten och AI:n analyserar utfallet för att bestämma vilka försök som ska genomföras i nästa omgång. Därefter börjar processen om, inte nästa vecka utan kanske någon minut senare.

Det är denna återkopplande process – hypotes, experiment, resultat, ny hypotes – som en växande grupp forskare och företag nu försöker automatisera. Utvecklingen har gått från futuristisk vision till verkliga laboratorieförsök.

Från AI-assistent till AI-forskare

I februari 2026 presenterade OpenAI och det amerikanska bioteknikbolaget Ginkgo Bioworks ett experiment där GPT-5 kopplades direkt till Ginkgos automatiserade laboratorium. AI-systemet fick optimera så kallad cellfri proteinsyntes genom att designa experiment, ta emot resultaten från laboratoriet och därefter bestämma nästa experimentserie.

Cykeln upprepades sex gånger och resultatet blev enligt OpenAI omkring 40 procent lägre kostnad för proteinsyntesen. Människor behövdes fortfarande för bland annat hantering och påfyllning av reagenser och förbrukningsmaterial, men själva experimentdesignen och återkopplingen mellan försöken kunde köras som en sluten loop.

Det är ett viktigt steg eftersom flaskhalsen inom mycket forskning inte bara är forskarnas intelligens, utan tiden. Ett experiment måste planeras, material måste beställas, prover prepareras, instrument programmeras och resultaten analyseras innan nästa experiment kan börja. Forskningsprocessen blir därför ofta sekventiell, medan autonoma laboratorier i stället kan göra den parallell.

I stället för att ett forskarlag testar tio idéer skulle ett AI-system i teorin kunna koordinera tusentals försök samtidigt. Det är denna möjlighet att kraftigt öka antalet experiment per tidsenhet som gör tekniken potentiellt så betydelsefull.

Problemet: roboten vet inte alltid vad som faktiskt hände

Två nya forskningsarbeten från bland andra Stanford, Princeton, Carnegie Mellon och Genentech visar samtidigt varför ett verkligt autonomt laboratorium är betydligt svårare att bygga än det först kan verka. Det räcker inte att koppla en språkmodell till en robotarm, eftersom laboratoriet innehåller mängder av fysiska moment där små avvikelser kan få stora konsekvenser.

Forskarna beskriver därför behovet av ett slags digitalt nervsystem för hela laboratoriet. I ett av arbetena kallas det ett ”agentic harnessing layer” – ett lager som hela tiden håller samman forskarens mål, AI-systemets plan, laboratoriets instrument, tidigare resultat och graden av osäkerhet i olika observationer.

Till detta behövs vad forskarna kallar en laboratory world model, en ständigt uppdaterad digital representation av laboratoriet och experimentet. Den ska bland annat känna till vilka prover som finns, vilka kemikalier som använts, vad instrumenten gör, vilka experiment som misslyckats och vad som fysiskt befinner sig var.

Anledningen är ett problem som forskarna kallar ”reality gap”, alltså skillnaden mellan vad datorn tror hände och vad som faktiskt inträffade i laboratoriet. Anta exempelvis att en robot ska flytta 50 mikroliter vätska från ett provrör till en analysplatta. Roboten genomför hela rörelsen korrekt och programvaran registrerar uppgiften som slutförd.

Men vätskan kan ha varit ovanligt trögflytande och pipettspetsen delvis täppts igen, så att endast 30 mikroliter faktiskt hamnade i behållaren. För datorn är experimentet korrekt genomfört, men för biologin är det ett annat experiment. Om AI-systemet sedan analyserar resultatet utifrån antagandet att rätt mängd användes kan felet spridas vidare genom hundratals efterföljande försök.

Kameror kan bli laboratoriets ögon

Därför behöver framtidens laboratorier betydligt fler sensorer. Kameror kan exempelvis kontrollera vätskornas volym och färg, trycksensorer i pipetter kan upptäcka blockeringar och RFID-taggar tillsammans med maskinseende kan kontrollera att rätt prov hamnar på rätt plats.

Instrument kan samtidigt kontinuerligt rapportera temperatur, kalibrering och slitage. AI-systemet behöver med andra ord inte bara kunna resonera utan också kunna observera världen, och problemet blir därmed påfallande likt utvecklingen av självkörande bilar.

En självkörande bil behöver inte bara veta vart den ska, utan måste hela tiden skapa en modell av verkligheten runt bilen: vägen, fotgängare, andra fordon, väder och sin egen position. Ett autonomt laboratorium behöver göra samma sak med provrör, celler, robotar och instrument.

Ett av de första användningsområdena kan bli nya material

Det finns områden där utvecklingen redan är långt framskriden, och materialvetenskap lämpar sig särskilt väl för automatiserade experiment eftersom många försök kan standardiseras. Under 2026 beskrev forskare exempelvis ett robotlaboratorium som använder AI för att experimentera med luftkänsliga material för framtida batterier.

Systemet producerade och analyserade hundratals materialprover och använde resultaten för att förändra vilka sammansättningar det ville undersöka härnäst. Forskarna rapporterade att andelen lovande material ökade under experimentserien, vilket visar hur ett slutet system kan lära sig vilka delar av ett enormt sökutrymme som är mest intressanta.

Ett framtida batterilaboratorium skulle därför kunna få ett mål som: ”Hitta ett material som lagrar mer energi än dagens litiumjonbatterier, klarar 2 000 laddningscykler och använder billigare råvaror.” AI:n skulle därefter kunna föreslå nya kemiska sammansättningar, låta robotar tillverka dem, mäta egenskaperna och automatiskt koncentrera experimenten kring de mest lovande kandidaterna.

Tusentals misslyckade material skulle då kunna testas utan att en människa behöver utvärdera varje enskilt experiment. Det är precis i sådana stora och väldefinierade sökutrymmen som autonoma laboratorier sannolikt får sitt första stora genombrott.

Jakten på läkemedel kan förändras

Den kanske största ekonomiska effekten kan komma inom läkemedelsutveckling, där utvecklingen av ett nytt läkemedel ofta tar många år eftersom enorma mängder molekyler och biologiska mekanismer måste undersökas. Ett autonomt laboratorium skulle exempelvis kunna studera varför en viss cancercell blir resistent mot behandling och därefter systematiskt pröva olika biologiska förklaringar.

AI-systemet kan analysera tidigare forskningsresultat, föreslå vilka gener som bör förändras, konstruera experimentet och låta robotar modifiera cellerna. Därefter analyserar systemet hur cellerna reagerar, formulerar en ny hypotes och startar nästa experiment, varpå processen kan fortsätta dygnet runt.

FutureHouse har redan demonstrerat delar av detta arbetssätt med sitt AI-system Robin. Systemet integrerade hypotesgenerering, planering av biologiska experiment och analys av resultaten i en sammanhängande forskningsprocess. Ett projekt kring åldersrelaterad makuladegeneration gick från idé till forskningsresultat på omkring två och en halv månad, även om människor fortfarande utförde de fysiska experimenten.

Skillnaden mot nästa generations laboratorier är att även den sista länken – själva experimentet – automatiseras. Om det lyckas kan en mycket större del av forskningskedjan löpa utan att människor behöver flytta information och material mellan varje steg.

Forskning kan bli en molntjänst

En ännu större förändring kan handla om vem som kan bedriva avancerad forskning. I dag krävs ofta laboratorier värda hundratals miljoner kronor för forskning inom exempelvis läkemedel, kemi eller avancerade material, men om laboratorier kan fjärrstyras av AI kan samma infrastruktur delas mellan många forskare.

Principen påminner om utvecklingen inom datacenter. För tjugo år sedan behövde teknikföretag köpa sina egna servrar, medan de i dag hyr datorkraft från Amazon, Microsoft eller Google med några knapptryckningar. Något liknande kan på sikt hända med laboratorier.

En forskare i Stockholm skulle kunna beskriva ett experiment på sin dator. Ett AI-system översätter experimentet till instruktioner som skickas till ett robotlaboratorium i Boston. När försöket är färdigt skickas resultaten automatiskt tillbaka och AI:n planerar nästa experiment.

Lila Sciences är ett av företagen som försöker bygga just detta och beskriver sina anläggningar som AI Science Factories, där AI-modeller kopplas samman med instrument och robotar så att hypoteser, experiment och analys bildar en sammanhängande loop. Om modellen fungerar kan avancerad experimentell forskning på längre sikt bli en tjänst som köps ungefär som molnbaserad datorkraft.

AI kan börja producera sin egen träningsdata

Det finns dessutom en egenskap hos autonoma laboratorier som gör tekniken särskilt intressant för AI-utvecklingen. Dagens stora AI-modeller tränas huvudsakligen på data som människor redan har skapat, men vetenskapliga AI-system skulle kunna börja skapa ny kunskap själva.

Ett experiment ger ett resultat som aldrig tidigare funnits i någon databas, och det resultatet blir sedan ny träningsdata. AI:n använder kunskapen för att välja ett bättre experiment, vilket producerar ytterligare data och skapar en återkopplingsloop mellan AI, experiment och nya observationer.

Det är denna mekanism som gör att vissa forskare talar om möjligheten till självförbättrande forskningssystem. Lila beskriver exempelvis sina experiment som ett sätt att skapa nya ”scientific tokens” – observationer som inte existerade innan experimenten genomfördes – och använda dem för att förbättra kommande modeller.

Om återkopplingen fungerar kan forskningens hastighet därför öka på ett sätt som skiljer sig från vanlig automatisering. Systemet blir inte bara snabbare, utan kan successivt bli bättre på att välja vilka experiment som faktiskt är värda att göra.

Men helt autonoma biologilabb ligger längre bort

Trots de snabba framstegen är bilden av forskare som snart kan lämna över laboratoriet helt till AI fortfarande missvisande. Biologi är extremt svårt att automatisera eftersom människokroppen innehåller omkring 20 000 gener och enorma mängder celltyper, molekylära tillstånd och genetiska variationer.

Samtidigt är biologiska experiment känsliga. Celler förändras, kemikalier bryts ned, temperaturer varierar, prover kontamineras och robotar gör små mekaniska fel. Ett AI-system måste därför inte bara vara intelligent nog att designa experiment, utan också tillräckligt robust för att förstå när verkligheten inte följer planen.

Just denna skillnad mellan digital plan och fysisk verklighet är en central poäng i de nya arbetena om autonoma laboratorier. Det är också en av anledningarna till att utvecklingen sannolikt kommer gå snabbare i standardiserade och lättmätta experiment än i komplex biologisk forskning.

Så snabbt kan utvecklingen gå

Det mest sannolika är inte att världen plötsligt får helt människofria laboratorier, utan att utvecklingen sker stegvis. De närmaste 1–3 åren kan slutna AI-loopar bli relativt vanliga i väl standardiserade laboratoriemiljöer, exempelvis inom proteinproduktion, kemisk optimering, materialexperiment och vissa typer av molekylär screening.

OpenAI och Ginkgos experiment visar att sådana system redan kan fungera när experimentutrymmet och laboratorieplattformen är tydligt definierade. Nästa steg blir sannolikt att samma typ av system får kontroll över fler instrument, fler typer av experiment och längre kedjor av beslut.

Inom ungefär 3–7 år är det rimligt att betydligt större delar av läkemedels- och materialforskningen kan bedrivas i så kallade self-driving labs. Forskaren sätter mål och begränsningar medan AI-system hanterar stora delar av den iterativa experimentprocessen, vilket i vissa miljöer kan innebära att en forskargrupp går från hundratals experiment per månad till tiotusentals.

Helt generella autonoma biologilaboratorier är sannolikt ett projekt för 2030-talet eller längre. Där måste AI-systemet kunna hantera oväntade situationer, nya instrument, komplexa biologiska system och säkerhetskritiska beslut med en robusthet som dagens system ännu inte har.

Utvecklingen behöver dock inte nå full autonomi för att få enorm ekonomisk betydelse. Om AI kan automatisera 70 eller 80 procent av den repetitiva forskningsloopen kan produktiviteten inom vissa forskningsområden förändras dramatiskt, även om människor fortfarande behåller kontrollen över mål, säkerhet och de viktigaste besluten.

Forskarens roll försvinner inte – men den förändras

Det betyder heller inte nödvändigtvis att forskaren försvinner. Snarare kan arbetet flyttas från genomförandet av experiment till formuleringen av problemen, ungefär på samma sätt som AI redan förändrar programmering och andra kunskapsyrken.

En forskare kanske i dag tillbringar stora delar av veckan med provberedning, dokumentation, programmering av instrument och analys av rutinmässiga resultat. I ett agentstyrt laboratorium blir de viktigaste uppgifterna i stället att formulera vad man försöker förstå, vilka resultat som verkligen skulle förändra en hypotes, vilka risker som är acceptabla och när AI-systemet bör stoppas.

Det centrala mänskliga bidraget kan därmed bli att avgöra vilka frågor som är värda att ställa och hur oväntade resultat ska tolkas. Människan går från att utföra varje enskilt steg till att styra system som gör en allt större del av arbetet.

Från forskningslaboratorium till upptäcktsmaskin

Det verkligt omvälvande scenariot uppstår om flera tekniker nu utvecklas samtidigt. AI-modellerna blir bättre på vetenskapligt resonemang, robotarna blir billigare, laboratorieinstrument får standardiserade programmeringsgränssnitt och sensorer gör det möjligt för datorerna att förstå vad som faktiskt händer i laboratoriet.

Samtidigt genererar varje experiment ny data som kan förbättra nästa generation AI. Varje enskild komponent finns redan i någon form, och den avgörande utmaningen är nu att koppla ihop dem till tillförlitliga system.

Lyckas det kan laboratoriet förändras från en plats där människor manuellt genomför experiment till något som mer liknar en upptäcktsmaskin: ett system som kontinuerligt producerar hypoteser, testar dem mot verkligheten och använder resultaten för att bestämma vad som bör undersökas härnäst.

Det skulle kunna påverka allt från nya batterier och solceller till läkemedel, jordbruk och material. Den största förändringen kan dock vara själva hastigheten i vetenskapen, eftersom dagens forskning ytterst begränsas av hur många experiment människor hinner föreställa sig, genomföra och analysera.

Om den begränsningen gradvis försvinner är det inte bara laboratoriet som automatiseras. Då börjar vi automatisera en del av själva upptäcktsprocessen.