Robothunden som avslørte Indias AI-utdanningskrise

Internett lo, men latteren hadde en skarp kant.

Den 17. februar 2026, på Bharat Mandapam, Indias fremste messe- og kongresslokale, fortalte en professor fra Galgotias University til et DD News-kamera at universitetet hennes hadde bygd «Orion», en elegant firebent robothund, som del av et ₹350-crore AI Centre of Excellence.

Påstanden overlevde ikke ettermiddagen.

Kinesiske medier og teknikkobservatører hevdet raskt at maskinen var Unitree’s Go2, en robot som selges på nettet, og presentasjonen gikk fra PR til pinlighet.

Strømmen til standen skal ha blitt slått av, universitetet ble ledet ut, en unnskyldning fulgte, og det ble kunngjort en granskning.

For et land rangert som tredje i Stanfords 2025 Global AI Vibrancy-verktøy, var skuespillet ikke bare en PR-tabbe; det var en stresstest.

Når memeene falmet, sto ett spørsmål igjen: hva slags AI-økosystem produserer en demo som ikke tåler et søkefelt?

Karakterkortet ingen ønsket

Indias AI-fortelling i dag støttes av alvorlig validering.

Stanfords Global AI Vibrancy-verktøy for 2025 plasserte India som nummer tre, et hopp som indiske medier tolket som bevis på at landet klatrer på flere AI-indikatorer.

Denne rangeringen betyr noe fordi den reflekterer bredde: talentaktivitet, forskningssignaler og økosystemets størrelse, ikke bare én prangende produktlansering.​

Men AI er ett av de feltene hvor omfang kan skjule overfladiskhet.

Et land kan ha mange AI-brukere som kan ta i bruk ferdiglagde verktøy, og likevel slite med å produsere AI-byggerne: forskere og ingeniører som skaper nye metoder, publiserer holdbare resultater og genererer forsvarlig IP.

Her krasjer Indias historie med finstrek.

Flere sammenstillinger og oppsummeringer rettet mot politikk har fremhevet hvor liten Indias andel av globale AI-patenter fortsatt er sammenlignet med de to største AI-maktene.

Stanfords AI Index Report 2025 plasserer India på omtrent 0,37 % av globale AI-patenter, mot Kina på rundt 70 % og USA på omkring 14 %.​

Patenter er et ufullkomment mål: mange er av lav kvalitet, noen gjennombrudd blir ikke patentert, og åpen kildekode er reelt.

Men som indikatorer på hvem som eier grunnleggende teknologi, er de de beste tilgjengelige, og Indias andel er forsvinnende liten.

Hvis Indias patentandel er så liten, betyr det ikke at India mangler talent. Det betyr at økosystemet har vært bedre til å trene folk i å bruke teknologi enn i å skape den i stor skala.​

Derfor traff robothund-episoden så kraftig. Å kjøpe en robot og å bygge en robot er ikke samme oppgave.

Det første er innkjøp. Det andre er forskning, produksjon, systemteknikk, testing og iterasjon — arbeid som trenger laboratorier, budsjetter og erfarne veiledere.

Når et system konsekvent underinvesterer i det siste, begynner det å belønne inntrykket av innovasjon fremfor praksisen av den.

​

Finansieringsgrunnlaget under «innovasjon»

Bak de fleste historier om «falsk innovasjon» ligger en reell historie om knapphet.

Indias utgifter til forskning og utvikling ligger på omtrent 0,6 % av BNP, ifølge rapportering basert på Economic Survey 2025–26.

Den samme rapporteringen knyttet til Economic Survey peker på en annen begrensning: Indias næringsliv bidrar bare med omtrent 41 % av den totale FoU-utgiften.​

Disse tallene former alt nedstrøms. Når privat kapital ikke i betydelig grad finansierer universitetsforskning, hviler systemet tungt på offentlige budsjetter og skolepenger.

Det gir gjerne forutsigbar atferd: universiteter optimaliserer for det som er billig å vise og lett å telle: nye sentre, nye MoU-er, nye «AI»-gradprogrammer og konferanseartikler, i stedet for det som er dyrt å bygge, som tilgang til datakraft, høykvalitets datasett, maskinvarelaboratorier og vedvarende forskningsveiledning.

Sammenligninger med jevnaldrende økonomier gjør Indias posisjon enda mer påtrengende.

Rapportering basert på Economic Survey har kontrastert Indias 0,6 % FoU-intensitet med mye høyere nivåer i USA, Kina og Sør-Korea.

Kontrasten blir skarpere når vi ser nærmere på næringslivets andel, som er langt høyere i disse økonomiene.​

Med andre ord prøver India å vinne et deep-tech-løp med en grunn FoU-pool, og med selskaper som ennå ikke bærer hoveddelen av forskningsrisikoen.

Her blir ansvarlighet forvrengt. Når ressursene er tynne og målene støyende, jakter institusjonene på signaler.

De omdøper importerte droner til «innfødte plattformer». De behandler leverandørpartnerskap som «forskningsprestasjoner».

De sender inn patenter av lav kvalitet for å blåse opp innovasjonsdashbordene. De presser fakultetet mot kvantitetsbaserte publikasjonsmål.

Ingen av disse atferdene er forsvarlige. Men de er forståelige i et system som belønner resultater som ser ut som fremgang, selv om den underliggende kapasiteten mangler.

Hvor pipelinen bryter: klasserom, veiledere og datakraft

Hvis du vil vite hvorfor «Orion»-øyeblikket er troverdig, må du forlate messehallen og gå inn i et vanlig ingeniørklasserom.

Invezz snakket med prof. Naveen Garg, leder for Department of Computer Science and Engineering ved IIT Delhi, som rammer inn bruddet som et grunnleggende- og veiledningsproblem.

India trenger, sier han, «et større antall kandidater med sterke grunnlag i matematikk og informatikk» og «en større gruppe mennesker som kan tilby veiledning for kvalitetsforskning innen AI.»

Han er like direkte om insentiver:

«Regjeringen ser ikke ut til å gi de insentivene som trengs for å gjøre oss til et ledende forskningsdrevet land innen AI. De store aktørene som Kina og USA har faktisk investert enorme ressurser i å skape kvalitetsforskere. Det har ikke skjedd her i landet ennå,» sa han.

Problemstillingen rundt «veilederpoolen» er ikke akademisk nitpicking. Den avgjør om studentene lærer oppskrifter eller resonnement.

Moderne AI-arbeid krever statistisk tenkning, optimalisering og solid systemkunnskap.

Det krever også dømmekraft: hvordan evaluere en modell, hvordan teste den under reelle forhold, hvordan oppdage feil og hvordan formidle usikkerhet på en ansvarlig måte.

Dernest er det infrastrukturelle begrensninger som stille former hva studentene kan gjøre.

Hardeep, en senior AI-ingeniør og alumnus fra IIIT Prayagraj, tilskriver graden sin «sterke teoretiske grunnlag i maskinlæring (ML), naturlig språkbehandling (NLP) og algoritmer.»

Men han legger til en viktig detalj i samtale med Invezz: «Transformers og moderne LLM-er ble ikke dekket den gangen, og praktisk prosjektarbeid var begrenset på grunn av infrastrukturkostnader.»

For ikke-spesialiserte lesere: «Transformers» er en modellarkitektur som driver mange moderne AI-systemer, inkludert store språkmodeller (LLM-er) som genererer tekst.

Å trene og teste dem i meningsfull skala krever ofte dyr datakraft (GPU-er) og nøye ingeniørarbeid — ressurser mange høyskoler ikke har.

Hardeep konkluderer med en linje som bør bekymre politikere mest:

«I dag er det langt mer tilgjengelig å bygge ekte AI-produkter; suksess avhenger i stor grad av individuell nysgjerrighet og selvstudium snarere enn bare universitetsopplæring.»

Selvlæring er ikke en svakhet; det er en dyd i teknologi.

Problemet oppstår når selvlæring blir en erstatning for institusjonell kapasitet.

Når universiteter konsekvent outsourcer de vanskeligste delene av opplæringen til YouTube, åpne kurs og personlige bærbare PC-er, oppnår de fortsatt omdømmefordelene, men studentene betaler prisen i tid, usikkerhet og ujevne resultater.

Derfor har tilgang til datakraft blitt den nye skillet. Indias politiske satsing har begynt å erkjenne denne begrensningen.

Rapporter om IndiaAI Mission har pekt på storskala GPU-distribusjon — omtrent 18 000 GPU-er allerede distribuert under misjonen.

Det betyr noe fordi delt datakraft kan senke terskelen for forskere og oppstartsbedrifter som ellers ikke kan kjøre alvorlige eksperimenter.​

Men anskaffelse av GPU-er er ikke det samme som forskningskapasitet.

Datakraft uten veiledere gir churn — folk som kjører eksperimenter uten sterk veiledning om evaluering, etikk og reproduserbarhet.

Veiledere uten datakraft skaper frustrasjon: studenter som forstår teorien, men ikke kan gjøre meningsfullt praktisk arbeid.

En troverdig strategi for AI-utdanning trenger begge deler, og ikke bare i et tynt lag av elitecampuser.

Troværdighetsproblemet: En forskningskultur du ikke kan koble fra

En robothund kan kobles fra. En troverdighetskrise kan ikke.

Indias publiseringsøkosystem har møtt økende granskning for forskningsintegritet, inkludert rollen til «paper mills» og manipulert fagfellevurdering i enkelte tilfeller.

En fagfellevurdert studie fra september 2025 publisert i Journal of Data Science, Computing and Information Sciences brukte Retraction Watch-data og undersøkte 2 853 tilbaketrukne artikler av indiske forskere fra 2010 til 2024.

Studien fant at tilbaketrekninger økte etter 2021, med 57,55 % av tilfellene mellom 2021 og 2024.

Den samme analysen lister de ledende oppgitte årsakene: falsk fagfellevurdering (1 007 artikler), plagiat (880) og datamanipulasjon/falskneri (746).​

For lesere som ikke kjenner til «falsk fagfellevurdering»: fagfellevurdering skal være uavhengig ekspertkontroll før publisering.

Når den forfalskes eller kompromitteres, kan upålitelig arbeid komme inn i den vitenskapelige litteraturen.

Tilbaketrekkinger er systemets nødbrems, men de avslører også kostnaden av svake insentiver og svak håndheving.​

Hvorfor betyr dette for AI? Fordi AI-framgang avhenger av troverdig forskning.

Hvis forskningspipen er støyete, kommer artikler som ikke kan reproduseres, overdrivende resultater og tvilsomme datasett — industriadopsjon bremser opp og global troverdighet tar skade.

Landet ender opp med å bruke mer tid på å jakte metrikker enn på å bygge varig kapasitet.

Robothund-episoden er, på den måten, den visuelle søsteren til et dypere mønster: fremvisning fremfor bevis.

Når institusjoner belønnes for å bli sett i fronten heller enn for å gjøre frontlinjearbeid, vil de forutsigbart investere i optikk.

Derfor kan ikke politiske reaksjoner stoppe ved straff. De må endre insentivene: hva rangeringer verdsetter, hva akkrediteringsrevisjoner undersøker, og hva finansiering knyttes til.

Hvis systemet fortsetter å betale for volum, vil det fortsette å få volum — noen ganger ærlig, noen ganger ikke.

​

Byggere vs brukere: talentlekkasjen

Indias AI-debatt deler seg i økende grad i to leirer: optimistene som hevder at India blir en bygger, og skeptikerne som sier at India fortsatt i stor grad er en bruker i stor skala.

Prof. M Jagadesh Kumar, tidligere UGC-leder og leder for NEP 2020 Review Committee, fremmer det optimistiske synet med overbevisning:

"I dag er indiske institusjoner ikke bare brukere av AI. De blir raskt AI-byggere. Indiske institusjoner samarbeider i økende grad med industrien for å utvikle AI-løsninger innen utdanning, helse, forvaltning, landbruk og smarte byer. Jeg kan gi noen eksempler," sa prof. Kumar til Invezz.

"Utdanningsdepartementet har støttet AI Centres of Excellence, som TANUH ved IISc. Dette senteret jobber med skalerbare AI-løsninger for helse (spesielt ikke-smittsomme sykdommer). IIT Madras Global Research Foundation kunngjorde et Applied AI Innovation Centre for å akselerere anvendt AI. Senteret knytter forskning til ansvarlig bruk i den virkelige verden," la han til.

Han understreket videre IndiaAI Mission, som fremmer AI-innovasjon, tilgang og India-sentrerte løsninger i samarbeid med indiske utdanningsinstitusjoner.

"Disse eksemplene viser at mange indiske universiteter arbeider med AI som er inkluderende og utrullbar."

Med hensyn til Galgotias-episoden er prof. Kumar avmålt uten å navngi noen institusjon:

"Hvis noen institusjon overdriver sine påstander, bør tiltakene være proporsjonale, pedagogiske og korrigerende. Institusjonene bør også trene teamene sine i etikk, forskningsintegritet og ansvarlig kommunikasjon. Denne tilnærmingen er den sikreste måten å beskytte omdømmet til Indias ekte innovatører," sa han.

"Det hindrer også at oppblåste påstander skaper en falsk fortelling. Men det er ingen tvil i mitt sinn om at Indias høyere utdanningsinstitusjoner raskt bygger AI-kapasitet og skaper inkluderende løsninger," la han til.

Likevel er skeptikernes poeng vanskelig å ignorere: eliteutliggere definerer ikke medianen. En håndfull toppinstitutter kan genuint bygge og publisere.

Men Indias høyere utdanningssystem er stort og ujevnt. Hvis de fleste campuser ikke kan tilby reell tilgang til datakraft, troverdig veiledning og en forskningskultur som setter integritet først, forblir «bygger»-status konsentrert på toppen.

Klasserom fremfor seremonier

Og selv når India produserer sterke AI-talenter, sliter landet med å beholde dem.

Rapportering som oppsummerer Stanford AI Index-relaterte talentmetrikker har fremhevet Indias netto AI-talentmigrasjonsscore på -1,55, som signaliserer en netto utstrømning på det målet.

Det betyr noe fordi hjerneflukt ikke bare er en overskrift.

Det er et sammensatt tap av veiledere, grunnleggere og forskningsledere — nettopp de menneskene som trengs for å styrke den nasjonale pipelinen.​

Økonomisk sett investerer India i talentdannelse, men fanger ikke nok av de langsiktige avkastningene.

Og når avkastningen lekker ut, føler institusjonene enda mer press for å prestere for rangeringer og PR, fordi det dypere resultatet — et stabilt forskningsøkosystem — er vanskelig å vise raskt.

Unitree Go2 (enten det var den modellen eller ikke) er til syvende og sist en rekvisitt i en større historie.

India mangler ikke ambisjon. Det mangler ikke smarte studenter. Det mangler den typen utdannings- og forskningsarkitektur som omdanner ambisjon til egenutviklet teknologi.

Robothunden var ikke skandalen. Systemet som gjorde den plausibel var det.