Jeg liker at Peter Steinberger sier det så rett ut: bygg lekent, og gi deg selv tid til å bli god. I et AI-marked der alle jager neste lansering, er det nesten provoserende fornuftig. Poenget hans treffer meg, fordi de beste AI-oppsettene jeg har laget selv ikke kom fra en «genial masterplan», men fra små eksperimenter som fikk leve lenge nok til å bli nyttige.
I intervjuet hos TechCrunch beskriver han OpenClaw som et prosjekt som vokste frem gjennom utforsking, ikke perfeksjon fra dag én. Det er en viktig påminnelse for oss som bygger med AI nå: første versjon skal ikke være pen. Den skal være ekte nok til at du lærer noe av den.
Når jeg ser tilbake på egne AI-flows, er det nettopp iterasjonene som har gitt resultater. Ikke én magisk prompt, men en serie med feil, justeringer og nye tester. Derfor mener jeg dette er et av de mest praktiske rådene jeg har lest i år.
«Lek» er ikke useriøst — det er en metode
I artikkelen OpenClaw creator’s advice to AI builders… forklarer Steinberger at mye startet med nysgjerrighet og egne behov. Jeg tror det er akkurat slik gode AI-produkter blir til: du bygger noe du faktisk savner i hverdagen, ikke noe du tror ser bra ut i en investor-deck.
Den lekne tilnærmingen senker også terskelen for å komme i gang. Hvis målet ditt er å lære én konkret ting per uke, blir du raskt bedre uten å brenne deg ut. Hvis målet er «verdens beste agent» innen fredag, gir du opp før du egentlig har begynt.
Jeg ser det samme når folk sier at AI-koding «ikke funker». Ofte har de testet i to dager og forventet senior-nivå med en gang. Det blir som å kjøpe gitar og bli skuffet fordi du ikke kan solo samme kveld.
OpenClaw viser hvorfor iterasjon slår hype
OpenClaw traff en nerve fordi det handlet om handling, ikke bare prat. Hvis du vil forstå hva som gjorde prosjektet så interessant i praksis, har jeg tidligere skrevet en detaljert gjennomgang i denne analysen av Clawdbot/OpenClaw. Der ser du både potensialet og de reelle sikkerhetsfallgruvene.
Det er også verdt å huske at reisen gikk raskt: fra viralt sideprosjekt til at Steinberger ble hentet inn av OpenAI. Det skiftet oppsummerer jeg i denne saken om overgangen til OpenAI. Når tempoet er så høyt, blir evnen til å lære fort viktigere enn å late som om alt er ferdig.
For min del er læringen enkel: bygg smått, test ekte bruk, og stram inn etter data. Det er kjedeligere enn overskrifter om «AI-revolusjon», men det er slik ting faktisk virker over tid.
Slik bruker jeg rådet i egen AI-bygging
Jeg har begynt å tenke i korte eksperiment-løkker: én idé, én tydelig brukeroppgave, én uke med testing. Når noe fungerer, kobler jeg det videre i pipeline. Når noe svikter, arkiverer jeg uten drama. Det holder fremdriften oppe og gjør at jeg ikke låser meg til dårlige valg.
Hvis du vil bygge lignende oppsett, er en praktisk start å se hvordan jeg satte opp agentflyt og arbeidsmetode i guiden min til å bygge en egen AI-hær med OpenClaw. Der er poenget ikke «kopier alt», men å gi deg en struktur du kan justere etter din hverdag.
Jeg mener vi trenger mer av denne mentaliteten i AI-feltet nå: mindre prestisje, mer håndverk. Du trenger ikke være ekspert på dag én. Du må bare være villig til å bygge, måle, forbedre — og gjenta.
Min konklusjon
Steinberger sitt råd høres enkelt ut, men det er strategisk smart: vær leken, og gi deg selv tid til å bli god. I praksis betyr det at du behandler AI som et fag du trener på, ikke en knapp du trykker på for å få perfekte resultater.
Det er også en sunn motvekt til panikken mange kjenner på rundt jobb og AI. De som blir attraktive fremover er folk som kan løse problemer, tilpasse seg verktøyene og faktisk bygge ting. Det er en ferdighet som kan trenes, og starten er ofte noe så lite som et lite sideprosjekt du synes er gøy.
Så mitt råd er det samme: plukk et prosjekt du har hatt i bakhodet lenge. Lag en enkel versjon i kveld. Juster i morgen. Etter noen uker har du ikke bare en prototype, men en ny kompetanse som faktisk teller.
