Robodogen som avslöjade Indiens AI-utbildningskris

Internet skrattade, men skratten hade en vass underton.

Den 17 februari 2026, på Bharat Mandapam, Indiens främsta kongresslokal, sade en professor från Galgotias University till en DD News-kamera att hennes universitet hade byggt "Orion", en elegant fyrbent robodog, som en del av ett ₹350-crore AI Centre of Excellence.

Påståendet höll inte längre än till eftermiddagen.

Kinesiska medier och teknikobservatörer hävdade snabbt att maskinen var Unitree Go2, en robot som säljs online, och uppvisningen gick från PR till pinsamhet.

Strömmen till montern ska ha stängts av, universitetet eskorterades ut, en ursäkt följde och en granskning meddelades.

För ett land som rankades trea i Stanfords 2025 Global AI Vibrancy-verktyg, var spektaklet inte bara en PR-tabbe; det var ett stresstest.

När memerna tonade bort återstod en fråga: vilken sorts AI-ekosystem producerar en demo som inte står sig mot en sökruta?

Betyget ingen ville ha

Indiens AI-berättelse idag stöds av seriös validering.

Stanfords Global AI Vibrancy-verktyg för 2025 placerade Indien på tredje plats, en uppgång som indiska medier tolkade som bevis för att landet klättrar på flera AI-indikatorer.

Den placeringen spelar roll eftersom den speglar bredd: talangaktivitet, forskningssignaler och ekosystemets storlek, inte bara en iögonfallande produktlansering.

Men AI är ett av de områden där omfattning kan dölja ytlighet.

Ett land kan ha många AI-användare som kan använda färdiga verktyg, och ändå ha svårt att producera AI-byggare: forskare och ingenjörer som skapar nya metoder, publicerar bestående resultat och genererar försvarbar IP.

Här stöter Indiens berättelse på det finstilta.

Flera sammanställningar och policysammanfattningar har framhävt hur liten Indiens andel av globala AI-patent förblir jämfört med de två största AI-makterna.

Stanfords AI Index Report 2025 placerar Indien på ungefär 0,37 % av världens AI-patent, jämfört med Kina på omkring 70 % och USA på cirka 14 %.

Patent är en ofullkomlig måttstock: många håller låg kvalitet, vissa genombrott förblir opatenterade, och öppen källkod är en verklighet.

Men som indikator på vem som äger grundläggande teknik är de det bästa tillgängliga, och Indiens andel är försvinnande liten.

Om Indiens patentandel är så liten innebär det inte att landet saknar talang. Det innebär att ekosystemet varit bättre på att utbilda människor att använda teknik än att skapa den i stor skala.

Det är därför Robodog-händelsen träffade så hårt. Att köpa en robot och att bygga en robot är inte samma sak.

Det första är upphandling. Det andra är forskning, tillverkning, systemteknik, testning och iteration — arbete som kräver laboratorier, budgetar och erfarna mentorer.

När ett system konsekvent underinvesterar i det senare börjar det belöna sken av innovation framför dess praktiska utövning.

​

Finansieringsgolvet under ”innovationen”

Bakom de flesta historier om ”falsk innovation” finns en verklig berättelse om knapphet.

Indiens utgifter för forskning och utveckling uppgår till omkring 0,6 % av BNP, enligt rapportering baserad på Economic Survey 2025–26.

Samma rapportering kopplad till Economic Survey pekar på en andra begränsning: Indiens näringsliv bidrar endast med omkring 41 % av den totala FoU-kostnaden.

Dessa siffror formar allt nedströms. När privat kapital inte i meningsfull grad finansierar universitetsforskning lutar systemet tungt mot statliga budgetar och studieavgifter.

Det tenderar att producera förutsägbart beteende: universitet optimerar för det som är billigt att visa upp och lätt att räkna: nya center, nya MoU:s, nya ”AI”-utbildningar och konferensartiklar, snarare än det som är dyrt att bygga, som tillgång till beräkningskraft, högkvalitativa datamängder, hårdvarulaboratorier och långsiktig forskningshandledning.

Jämförelser med jämförbara ekonomier gör Indiens position ännu mer påtaglig.

Rapportering baserad på Economic Survey har kontrasterat Indiens 0,6 % FoU-intensitet med betydligt högre nivåer i USA, Kina och Sydkorea.

Kontrasten blir skarpare när vi ser närmare på Indiens andel från näringslivet, medan privata aktörer deltar mycket mer i de andra ekonomierna.

Med andra ord försöker Indien vinna ett djupteknologiskt race med en grund FoU-bas och med företag som ännu inte bär större delen av forskningsrisken.

Det är här ansvarsskyldigheten förvrängs. När resurserna är tunna och mätvärdena brusiga jagar institutioner signaler.

De döper om importerade drönare till ”inhemska plattformar”. De behandlar leverantörspartnerskap som ”forskningsframsteg”.

De registrerar lågkvalitativa patent för att blåsa upp innovationsindikatorer. De pressar fakulteten mot kvantitetsbaserade publiceringsmål.

Inget av dessa beteenden är försvarbart. Men de är förståeliga i ett system som belönar utslag som ser ut som framsteg, även om den underliggande kapaciteten fattas.

Där pipeline:en brister: lärosalar, mentorer och beräkningskraft

Om du vill veta varför ”Orion”-ögonblicket är trovärdigt måste du lämna mässhallen och gå in i den genomsnittliga ingenjörssalen.

Invezz talade med prof. Naveen Garg, chef för institutionen för datalogi och teknik vid IIT Delhi, som beskriver problemen som en fråga om grundläggande kunskaper och mentorskap.

Indien behöver, säger han, ”ett större antal utexaminerade med starka grundkunskaper i matematik och datavetenskap” och ”en större pool av människor som kan erbjuda mentorskap för kvalitativ AI-forskning”.

Han är lika tydlig om incitamenten:

”Regeringen verkar inte seriöst ge de incitament som behövs för att göra oss till ett forskningslett toppland inom AI-området. De stora aktörerna som Kina och USA har faktiskt investerat enorma resurser i att skapa kvalitetsforskare. Det har ännu inte skett i landet,” sa han.

Problemet med den där ”mentorpoolen” är inte akademisk finstilt. Det avgör om studenter lär sig recept eller resonemang.

Modern AI‑forskning kräver statistiskt tänkande, optimering och gedigen systemkunskap.

Den kräver också omdöme: hur man utvärderar en modell, hur man testar den under verkliga förhållanden, hur man upptäcker fel och hur man kommunicerar osäkerhet på ett ansvarsfullt sätt.

Sedan finns infrastrukturområdet, som tyst formar vad studenter kan göra.

Hardeep, en Senior AI Engineer och alumn från IIIT Prayagraj, tillskrev sin examen att den gav honom ”starka teoretiska grunder i maskininlärning (ML), naturlig språkbehandling (NLP) och algoritmer.”

Men han tillägger en avgörande detalj i samtal med Invezz: ”Transformers och moderna LLM:er täcktes inte då, och praktiskt projektarbete var begränsat på grund av infrastrukturkostnader.”

För icke-specialister: ”Transformers” är en modellarkitektur som driver många moderna AI-system, inklusive stora språkmodeller (LLM) som genererar text.

Att träna och testa dem i meningsfull skala kräver ofta dyr beräkningskraft (GPU:er) och noggrann ingenjörskonst — resurser som många högskolor inte har.

Hardeep drar slutsatsen som borde oroa beslutsfattare mest:

”Idag är det mycket enklare att bygga riktiga AI-produkter; framgång beror till stor del på individuell nyfikenhet och självlärande snarare än enbart universitetsutbildning.”

Självlärande är inte en brist; det är en dygd inom teknik.

Problemet uppstår när självlärande blir en ersättning för institutionell kapacitet.

När universitet konsekvent lägger ut de svåraste delarna av utbildningen på YouTube, öppna kurser och personliga bärbara datorer, får de fortfarande reputationsfördelarna, men studenterna betalar det verkliga priset i tid, osäkerhet och ojämna resultat.

Det är därför tillgång till beräkningskraft blivit den nya skiljelinjen. Indiens politiska satsningar har börjat uppmärksamma denna begränsning.

Rapporter kring IndiaAI Mission har pekat på storskalig GPU‑distribution, omkring 18 000 GPU:er redan utplacerade under missionen.

Det spelar roll eftersom delad beräkningskraft kan sänka tröskeln för forskare och startups som annars inte kan köra seriösa experiment.

Men GPU‑upphandling är inte samma sak som forskningskapacitet.

Beräkningskraft utan mentorer skapar omsättning: människor som kör experiment utan stark vägledning kring utvärdering, etik och reproducerbarhet.

Mentorer utan beräkningskraft skapar frustration: studenter som förstår teorin men inte kan göra meningsfullt praktiskt arbete.

En trovärdig AI‑utbildningsstrategi behöver båda delar, utöver en tunn skikt av elitcampus.

Trovärdighetsproblemet: En forskningskultur du inte kan koppla ur

En robodog kan kopplas ur. En trovärdighetskris kan den inte.

Indiens publiceringssystem har utsatts för växande granskning för forskningsintegritet, inklusive rollen för så kallade ”paper mills” och manipulerad granskningsprocess i vissa fall.

En September 2025 peer-reviewad studie publicerad i Journal of Data Science, Computing and Information Sciences använde Retraction Watch-data och granskade 2 853 indragna artiklar av indiska forskare från 2010 till 2024.

Studien fann att indragningar ökade kraftigt efter 2021, med 57,55 % som inträffade mellan 2021 och 2024.

Samma analys listar de ledande angivna orsakerna, som inkluderade falsk peer review (1 007 artiklar), plagiat (880) och datamanipulation/förfalskning (746).

För läsare som inte är bekanta med ”falsk peer review”: peer review ska vara en oberoende expertgranskning före publicering.

När den förfalskas eller komprometteras kan opålitligt arbete komma in i den vetenskapliga litteraturen.

Indragningar är systemets nödbroms, men de avslöjar också kostnaden av svaga incitament och svag tillsyn.

Varför spelar detta roll för AI? För att AI‑framsteg beror på pålitlig forskning.

Om forskningspipen är brusig, artiklar som inte kan reproduceras, överdrivna resultat och tvivelaktiga dataset saktar ner industrins adoption och skadar global trovärdighet.

Landet tillbringar i slutändan mer tid med att jaga mätvärden än att bygga bestående kapacitet.

Robodog-händelsen är i det avseendet den visuella kusinen till ett djupare mönster: uppträdande före bevis.

När institutioner belönas för att synas i framkanten snarare än för att göra framkantarbete, investerar de förutsägbart i optik.

Det är också därför policysvaret inte kan stanna vid bestraffning. Det måste förändra incitamenten: vad rankingar värdesätter, vad ackrediteringsgranskningar undersöker och vad finansiering kopplas till.

Om systemet fortsätter att betala för volym kommer det fortsätta leverera volym, ibland ärlig, ibland inte.

​

Byggare vs användare: talangläckaget

Indiens AI-debatt delas i allt högre grad i två läger: optimisterna som hävdar att Indien blir en byggare, och skeptikerna som säger att Indien fortfarande mestadels är en storskalig användare.

Prof. M Jagadesh Kumar, tidigare ordförande för UGC och ordförande för NEP 2020 Review Committee, framför det optimistiska fallet med övertygelse:

"Idag är indiska institutioner inte bara användare av AI. De blir snabbt byggare av AI. Indiska institutioner samarbetar i allt större utsträckning med industrin för att utveckla AI-lösningar inom utbildning, hälsa, styrning, jordbruk och smarta städer. Jag kan ge några exempel," sa prof. Kumar till Invezz.

"Utbildningsdepartementet har stött AI Centres of Excellence, såsom TANUH vid IISc. Detta centrum arbetar med skalbara AI-lösningar för hälso- och sjukvård (särskilt icke‑smittsamma sjukdomar). IIT Madras Global Research Foundation tillkännagav ett Applied AI Innovation Centre för att påskynda tillämpad AI. Centret kopplar forskning till ansvarsfull verklig användning," tillade han.

Han betonade vidare IndiaAI Mission, som främjar AI-innovation, tillgång och Indien‑centrerade lösningar i samarbete med indiska utbildningsinstitut.

"Dessa exempel visar att många indiska universitet arbetar med AI som är inkluderande och användbar i praktiken."

Med avseende på Galgotias-incidenten är prof. Kumar försiktig utan att namnge någon institution:

"Om någon institut överdriver sina påståenden bör motåtgärderna vara proportionerliga, pedagogiska och korrigerande. Institutioner bör också utbilda sina team i etik, forskningsintegritet och ansvarsfull kommunikation. Detta tillvägagångssätt är det säkraste sättet att skydda renomméet för Indiens genuina innovatörer," sa han.

"Det förhindrar också att uppblåsta påståenden skapar en falsk berättelse. Men det råder ingen tvekan i mitt sinne att Indiens högre utbildningsinstitutioner snabbt bygger AI‑kapacitet och skapar inkluderande lösningar," tillade han.

Ändå är skeptikerns poäng svår att bortse från: elitens undantag definierar inte medianen. Ett fåtal toppinstitut kan verkligen bygga och publicera.

Men Indiens högre utbildningssystem är stort och ojämnt. Om de flesta lärosäten inte kan erbjuda verklig tillgång till beräkningskraft, trovärdigt mentorskap och en forskningskultur som prioriterar integritet, förblir statusen som ”byggare” koncentrerad till toppen.

Lärosalar framför ceremonier

Och även när Indien utbildar stark AI‑talang har landet svårt att behålla den.

Rapporter som sammanfattar Stanfords AI Index‑kopplade talangmått har framhävt Indiens netto‑AI‑talangmigration på -1,55, vilket signalerar ett nettoflöde ut ur landet enligt den mätningen.

Det spelar roll eftersom hjärnflykt inte bara är en rubrik.

Det är en kumulativ förlust av mentorer, grundare och forskningsledare — exakt de personer som behövs för att stärka den inhemska pipelinen.

I finansiella termer investerar Indien i talangutbildning men fångar inte tillräckligt av de långsiktiga avkastningarna.

Och när avkastningen läcker ut känner institutioner ännu större press att prestera för rankingar och PR, eftersom det djupare resultatet — ett stabilt forsknings-ekosystem — är svårt att visa snabbt.

Unitree Go2 (oavsett om det var den modellen eller inte) är i slutändan ett rekvisita i en större berättelse.

Indien saknar inte ambition. Det saknar inte smarta studenter. Det saknar den typ av utbildnings- och forskningsarkitektur som förvandlar ambition till ägd teknik.

Robodogen var inte skandalen. Systemet som gjorde den möjlig var det.