CLAUDE.md keräsi 82 000 tähteä – ja kurittaa AI:ta

Yksi tiedosto, kymmeniä tuhansia tähtiä

Tekoälykehittäjä Forrest Chang julkaisi GitHubissa yhden ainoan markdown-tiedoston, joka on parissa viikossa ohittanut suosiossa monia vuosia kehitettyjä avoimia kirjastoja. Repon nimi on andrej-karpathy-skills ja sen tähtimäärä on noussut yli 82 000:n. Sisältö mahtuu alle 200 rivin CLAUDE.md-tiedostoon, jonka Claude Code lukee jokaisen istunnon alussa.

Tiedosto perustuu Andrej Karpathyn tammikuussa 2026 jakamaan havaintoon. Tesla- ja OpenAI-taustainen tutkija kertoi siirtyneensä 80-prosenttisesti agenttipohjaiseen koodaukseen. Ongelma oli yksi ja sama: mallit tekevät vääriä oletuksia ja jatkavat eteenpäin tarkistamatta.

Neljä sääntöä, jotka muuttavat lopputuloksen

Chang tislasi Karpathyn ajatukset neljäksi ohjeeksi. Ensimmäinen on tärkein: kerro oletuksesi selvästi, ja jos olet epävarma, kysy. Jos tulkintoja on useita, esittele ne, älä valitse hiljaa yhtä. Konfiguraatio kieltää tekoälyä arvaamasta.

Toinen sääntö vaatii yksinkertaisuutta. Jos ratkaisu mahtuu 50 riviin, ei kirjoiteta 200:aa. Kolmas sääntö on kirurginen tarkkuus: agentti ei saa siivota viereisiä tiedostoja oman tehtävänsä yhteydessä, vaikka koodissa näkyisi pieniä virheitä. Neljäs sääntö pakottaa määrittämään testattavan onnistumiskriteerin ennen kuin riviäkään kirjoitetaan.

Numeroita on kierrätetty kehittäjäblogeissa. Käyttäjien mittausten mukaan AI-koodauksen tarkkuus nousee 65–70 prosentista 91–94 prosenttiin tehtävätyypistä riippuen. Aiemmin lähes joka kolmas korjaus vaati ihmisen siivousta jälkikäteen, uudella konfiguraatiolla virheellisiä yrityksiä jää muutama prosentti.

Vincit ja Reaktor: miten Suomessa ohjataan agenttia

Suomalaisissa ohjelmistotaloissa käydään samaa keskustelua. Vincit Oyj:n Digital Solutions -yksikön johtaja Jarno Rikama kertoi ETN:lle huhtikuussa, että tekoälyagentit tuottavat jo valtaosan koodista ja testauksesta. Yhtiö on siirtynyt chattipohjaisista työkaluista agenttivetoiseen malliin koko kehityksen elinkaaren yli.

Rikama varoittaa silti ilmiöstä, jota hän kutsuu AI-velaksi. Huonosti hallittu agentin käyttö synnyttää väärän hallinnan tunteen: koodikanta kasvaa nopeasti, mutta kukaan ei ymmärrä mitä siellä on. Juuri tähän Karpathyn pohjalle rakennettu CLAUDE.md hakee ratkaisua. Kun agentti joutuu kysymään ennen kirjoittamista, ihminen pysyy kartalla.

Reaktor on profiloitunut suomalaisena AI-osaajana ennen muuta Helsingin yliopiston kanssa rakennetun Elements of AI -kurssin kautta, jonka on suorittanut yli puoli miljoonaa ihmistä. Yhtiö ei ole julkisesti vahvistanut käyttävänsä juuri Karpathyn konfiguraatiota, mutta vastaavia ohjenuoria on jaettu alan sisäisissä keskusteluissa jo pidempään.

Miksi 200 rivin tiedosto kiinnostaa myös ei-koodaajaa

Tavalliselle lukijalle pieni markdown-tiedosto kuulostaa marginaaliselta. Sen takana on kuitenkin iso kysymys siitä, millaista koodia ohjelmistot tuottavat. Yhä suurempi osa pankkien sovelluksista, terveydenhuollon järjestelmistä ja arjen työkaluista syntyy nykyisin agenttien kirjoittamana.

Jos agentti arvaa väärin, käyttäjä saattaa nähdä virheen tuotteessa vasta kuukausien päästä. Karpathyn ohje pakottaa tekoälyn pysähtymään ja varmistamaan ennen muutosta. Vähemmän hiljaisia oletuksia tarkoittaa vähemmän bugeja kuluttajan ruudulla.

Sivuhuomio koskee suomalaisten koodareiden työpaikkoja. Vincit ilmoitti maaliskuussa 45 työntekijän vähennyksistä juuri silloin, kun agenttien osuus työstä kasvaa. Rikaman mukaan ihmisen rooli ei katoa vaan siirtyy. Kysymys on siitä, kenen tehtäväksi jää kirjoittaa se CLAUDE.md ja päättää, mitä agentilta kuuluu kysyä.