På torsdag morgon står vi på scen på Berghs Morning Routine och pratar om det vi kallar den nya AI-flaskhalsen. För några år sedan handlade det mesta om att skriva bättre prompts. I dag kan vem som helst bygga en agent eller vibekoda fram en app på några timmar. Ändå fastnar många organisationer, och det beror sällan på tekniken. AI:n förstår helt enkelt inte verksamheten och hittar inte den kunskap den behöver.

De flesta företag vet i realtid var en pall med grillkol befinner sig. Men fråga var organisationens viktigaste kunskap finns, eller hur bra den faktiskt är, så blir svaret betydligt luddigare. Det är där jobbet ligger de kommande åren. Vi går igenom varför er kunskap avgör hur bra er AI presterar och vad ni konkret kan börja göra redan i dag.

Torsdag 27 augusti kl 08.30–09.30 på Bobergsgatan 48 i Stockholm. Kaffe och smörgås från 08.15. Det är gratis, platserna är begränsade och seminariet spelas inte in, så det är på plats som gäller.

Läs mer och anmäl dig här

Hoppas vi ses där! 👋

Angelika & Anders

Är din organisation för trygg för att vara innovativ?

Det finns en föreställning som sitter djupt hos många ledningsgrupper: att mer resurser är lika med mer kapacitet, och att mer kapacitet i sin tur ger mer innovation. Fler händer. Fler projekt. Fler initiativ. Fler styrgrupper som säkrar kvaliteten. Men vad händer om det är tvärtom?

Artikeln Anthropic Is Running a Different Race av Steve Yegge beskriver ett bolag som i praktiken har gjort något som de flesta större organisationer instinktivt undviker: de har färre människor än det finns arbete att göra. Resultatet är, enligt både Steve Yegges observationer och intervjuer med ett fyrtiotal medarbetare, en kultur utan silos, utan territoriella konflikter och utan det som i Microsoft kallades “cookie-licking” – att reservera arbete man aldrig faktiskt tänker genomföra .

Det är här tesen börjar bli intressant för oss som leder organisationer. När arbete är en bristvara uppstår politik. Yegge beskriver hur Google under sin så kallade Golden Age hade mer arbete än människor. Innovationen blomstrade. När Larry Page tog över 2011 halverades antalet finansierade projekt men alla ingenjörer behölls. Plötsligt fanns det fler människor än uppgifter. Då började det som är välbekant i många större bolag: revirbyggande, intern konkurrens, politiskt spel .

Det är en nästan brutal insikt: intern politik är ofta ett symptom på resursöverskott relativt uppgift. När det finns fler personer än meningsfullt arbete sker tre saker:

1. Arbete blir något man måste säkra snarare än lösa.

2. Synlighet blir viktigare än värdeskapande.

3. Processer börjar skydda positioner snarare än accelerera resultat.

I en sådan miljö blir administration rationellt. Rapportering blir självförsvar. Koordinering blir en maktstruktur. Människor behöver legitimera sin existens i systemet.

När det finns mer att göra än människor hinner med

Anthropic befinner sig, enligt artikeln, i motsatt läge. Där finns mer arbete än människor. Alla är “slightly oversubscribed” . Det innebär att ingen behöver slåss om projekt. Ingen behöver uppfinna uppgifter. Ingen behöver bygga ett imperium för att säkra sin relevans.

När det alltid finns mer att göra än man hinner med händer något märkligt:

• Status förskjuts från kontroll till leverans.

• Transparens blir nödvändig, inte hotfull.

• Beslut decentraliseras naturligt.

Det som beskrivs som en “hive mind”-kultur är inte magi. Det är konsekvensen av knapphet på kapacitet i relation till ambition . Det finns helt enkelt inte tid för revirpinkande när det brinner överallt.

90-dagarsbolaget som strategisk fördel

Artikeln beskriver också hur Anthropic planerar i 90-dagarscykler och inte längre . Claude Cowork gick från idé till lansering på tio dagar. Det är lätt att läsa detta som agil romantik. Men kopplingen till bemanningslogiken är central. När organisationen är lätt bemannad relativt uppdraget: Långa planeringshorisonter blir meningslösa eftersom man ändå inte har kapacitet att parallellköra stora program. Transparens blir ett produktionskrav eftersom inaktuell information direkt kostar fart. Ego måste bort eftersom alla ser allt, hela tiden.

I större organisationer med överkapacitet uppstår istället behov av:

• Fler möten för att koordinera.

• Fler beslutsnivåer för att legitimera prioritering.

• Fler roadmap-dokument för att ge sysselsättning en struktur.

Det är inte brist på intelligens som skapar långsamhet. Det är fel proportion mellan uppgift och bemanning.

Talent density som förstärkare

En annan dimension i artikeln är den extrema talangkoncentrationen. Att ta sig in på Anthropic beskrivs som ungefär lika svårt som att gå från high school-fotboll till NFL . Denna täthet skapar ett självförstärkande kretslopp där höga krav kan upprätthållas eftersom alla redan presterar på hög nivå. Men även här är relationen till bemanning viktig.

Hög talangdensitet fungerar bara i en miljö där:

• Arbete är överflödigt.

• Synlighet är total.

• Ansvar är individuellt.

Om man kombinerar extrem talang med för lite verkligt arbete får man istället. frustration, rivalitet och prestigeprojekt. Det är proportionen som avgör utfallet.

Säkerhet som strategi och organisatorisk konsekvens

Artikeln lyfter också hur Anthropic lägger nära 5 procent av sina operativa kostnader på säkerhetsklassificerare och aktivt förespråkar reglering, även när det kan skada deras konkurrensposition. Det är en tydlig enterprise-positionering där tillit är viktigare än konsumentglans .Det intressanta är att även detta hänger ihop med organisationsformen. En organisation utan intern maktkamp kan kosta på sig att fatta långsiktigt rationella beslut. En organisation som är upptagen av intern positionering har svårare att prioritera kollektiva, långsiktiga investeringar som inte omedelbart gynnar enskilda grupper. När politiken minskar, ökar handlingsutrymmet.

Frågan till dig som leder. Det är här reflektionen börjar bli obekväm.

• Hur ser proportionen ut i din organisation?

• Finns det fler människor än verkligt prioriterade uppgifter?

• Skapas projekt för att fylla kapacitet?

• Går mer energi åt till koordinering än till skapande?

• Är roadmapen längre än tre månader för att det ger trygghet snarare än

• riktning?

Och kanske den svåraste frågan:

Om du tog bort 10 till 15 procent av kapaciteten, skulle innovationstakten falla, ellerskulle fokus öka? Det är lätt att tänka att Anthropic är ett extremfall i en extrem bransch. Men artikeln argumenterar för något mer radikalt: att deras organisationsmodell kan vara en förhandsvisning av hur framgångsrika bolag i AI-eran kommer att fungera . Att 90-dagarscykler, total transparens och ego-fri samverkan inte är kulturell excentricitet utan en konkurrensfördel. Modeller konvergerar. Teknik konvergerar. Kultur gör det inte. Det betyder att organisatorisk design kan bli den verkliga vallgraven.

En möjlig slutsats

Kanske är den mest provocerande insikten denna: Innovationstakt är inte primärt en funktion av hur många ni är, utan av hur lite överkapacitet ni har i relation till era ambitioner.

När det finns mer arbete än människor uppstår ett naturligt tryck mot:

• Förenkling.

• Transparens.

• Beslut nära problemet.

• Samarbete istället för territorium.

När det finns fler människor än arbete uppstår tryck mot:

• Struktur.

• Kontroll.

• Positionering.

• Administration.

Det är inte en moralisk fråga. Det är systemdynamik. Så innan nästa rekryteringsrunda, nästa omorganisation eller nästa strategiprocess kan det vara värt att ställa en annan typ av fråga: Optimerar vi för trygg kapacitet, eller för kreativ spänning? För i en värld där tekniken utvecklas exponentiellt kan det visa sig att den organisation som alltid är lite överbokad springer snabbare än den som är perfekt bemannad.

/Anders

Sluta prompta. Börja bygga.

Varje gång jag håller i kurs så är det samma sak. Många har använt AI länge nu men fastnar i att antingen bråka med den för att få det exakt så som de vill eller att endast använda den som en glorifierad googlesökning.

Prompting är fortfarande viktigt att kunna, men att endast jobba med prompting räcker inte.

För knappt ett år sedan kände jag att jag blivit en trång sektor i mitt eget bolag. All kontext om kunderna fanns i mitt huvud och allt skulle gå genom mig. Jag ville få riktig hjälp av AI:n, jag ville förså hur den fungerar på riktigt och varför. Det var där jag började bygga istället för att prompta.

Skillnaden mellan att prompta och att bygga

När du promptar startar du varje samtal från noll. När du bygger gör du jobbet en gång och låter strukturen finnas kvar. För mig betyder det projekt med rätt kontext från start, egna assistenter som kan en specifik sak ordentligt, och kunskapsdokument och skills som AI:n läser varje gång jag öppnar ett samtal. Jag behöver bara berätta vad jag vill göra idag. Resten finns där.

En sak vi missförstår om AI

AI känns så människolik att vi tror att den tänker som en människa. Här fastnar väldigt många, för det är ett missförstånd som påverkar nästan allt vi gör med den.

En språkmodell läser inte mellan raderna. Den vet inte vad ni inte sagt. När den saknar kontext fyller den i med generaliseringar från sin träningsdata, och det är just därför svaren ofta känns lite glättiga och generella. Detta gäller oavsett om du ska skapa grafiska designer, powerpoints, texter eller sammanfattningar. Den vet inte vad som är viktigt för dig helt enkelt, om du inte ger den informationen.

Hävstången ligger inte i att hitta smartare prompter. Den ligger i att skapa intelligens som AI:n inte har, i ett format som är enkelt för AI att jobba med.

Hur en AI faktiskt läser

En språkmodell läser inte ett dokument från första raden till den sista som du och jag gör. Den tar in allt på en gång och väger varje del mot resten. Det betyder två saker som är lite tvärtemot vad man kanske tror.

Struktur spelar stor roll.

Tydliga rubriker, korta sektioner och konsekvent språk gör det enklare för AI:n att hitta rätt sak när du frågar. Ett välstrukturerat dokument på en sida slår nästan alltid ett rörigt dokument på tio.

Mer är inte alltid bättre.

Ju mer du stoppar in, desto mer ska modellen vikta. Slänger du in allt du har om varumärket riskerar du att det viktiga drunknar i det mindre viktiga. Det jag jobbar mest med när jag bygger är att skala bort, inte att lägga till.

AI Brand Intelligence

Det jag tycker har gett mest effektiva resultat är något jag kallar AI Brand Intelligence. Det är inte ett verktyg, utan ett sätt att packa ihop allt som ett varumärke behöver för att AI:n ska kunna jobba.

Skillnaden mot “vanlig” brand intelligence eller brand guidelines är viktig. Det handlar inte om marknadsundersökningar eller hur ni positionerar er gentemot konkurrenter. Det handlar om hur ni gör er förståeliga för en maskin som ska skriva och tänka tillsammans med er.

Som jag nämnde började jag utveckla det för min egen skull. Efter ett tag insåg jag att kunder satt med samma problem som jag haft. De var själva flaskhalsen, så då började jag bygga AI Brand Intelligence tillsammans med dem.

Det svåraste i arbetet är att lära AI:n bort det generiska språket. Det är klurigare än man tror. Det räcker inte att säga “skriv inte som en AI”. Du behöver känna till de generiska mänstren för att bryta dem. Det måste också finnas tillräckligt mycket bevis på hur ni faktiskt låter, i strukturer som AI:n kan följa, för att den ska kunna bryta sina egna mönster. Det är där jag lagt mest tid och det är där den största kvalitetsskillnaden ligger.

Var du kan börja

Mitt råd är att inte börja för smått. Det är frestande att testa på något enkelt. Problemet är att det inte ger den effekt du behöver för att få verklig effekt.

Välj något ni gör ofta. Något där det kostar tid varje vecka och där kvaliteten varierar beroende på vem som gör det. Kundutskick, presentationer, inkommande förfrågningar eller konkurrentanalyser. Vad som helst, så länge det är tillräckligt återkommande för att skillnaden ska märkas.

Samla sedan ihop kontexten. Bygg en första version, testa, justera och fortsätt förbättra.

Det är så det börjar.

//Angelika

Vill du fördjupa dina AI-kunskaper på riktigt?

Ta mitt test för att få konkreta tips på hur du kan använda AI bäst i din roll. https://www.growingsmart.se/verktyg/ai-i-mitt-jobb/

Testet är byggt i Claude Code och gratis att använda. Hoppas du får nytta av det.

//Angelika

När kunskap får kortare bäst före-datum

Jag möter då och då människor som talar väldigt säkert om AI. Hur den fungerar. Vad den kan. Vad den inte kan. Vart utvecklingen är på väg. Ibland hör jag mig själv tänka det där var sant ganska nyligen, men inte längre. Eller åtminstone inte lika sant. Eller vad vet jag…

Det är en märklig känsla. Inte för att kunskap förändras. Det har den alltid gjort. Vetenskaplig kunskap har aldrig varit absolut. Den har alltid varit provisorisk, byggd på den bästa förståelsen vi har för stunden. Newton ersattes inte av Einstein i betydelsen att Newton blev värdelös. Newtons fysik fungerar fortfarande utmärkt i många sammanhang. Men Einstein visade att modellen hade gränser. Det nya med AI är inte att kunskap förändras. Det nya är hastigheten.

Tidigare kunde vi ofta leva länge med våra sanningar. De var tillräckligt stabila för att bygga utbildningar, yrkesroller och expertidentiteter kring dem. Idag kan ett påstående om AI kännas relevant i maj och förlegat i juni. Ibland tidigare än så. Det ställer krav på oss. Inte bara på att vi ska ”hänga med”, utan på att vi behöver utveckla ett annat förhållande till kunskap. Från kunskap som något vi äger, till kunskap som något vi löpande prövar. Det är kanske här det skaver mest. Många av oss har byggt trygghet och yrkesstolthet på att kunna ge svar. Att vara den som vet. Men i en miljö där modeller, verktyg och forskningsläge förändras snabbt blir tvärsäkerhet alltmer riskabelt.

Den verkligt kompetenta personen framåt är kanske inte den som låter mest säker. Det kan vara den som snabbast upptäcker när den egna förståelsen blivit gammal. Det betyder inte att allt flyter. Det betyder inte att alla sanningar försvinner. Matematik, logik och många mänskliga grundbehov är fortfarande stabila. Människor behöver mening, sammanhang, tillit och riktning även när tekniken förändras. Men mycket av det vi säger om AI just nu bör behandlas som arbetsmodeller. Inte som slutgiltiga sanningar.

För mig pekar det mot en ny sorts bildning. En där vi tränar på att säga: ”Det här verkar stämma just nu.” ”Det här vet vi inte.” ”Den här modellen fungerade tidigare, men kanske inte längre.” ”Jag behöver uppdatera mig.” Det låter enkelt. Men det kräver ganska mycket mognad. Kanske blir framtidens viktigaste kompetens inte att ha rätt, utan att kunna ändra sig utan att tappa ansiktet. Och kanske är det där AI-utvecklingen blir som mest intressant. Den tvingar oss inte bara att lära oss ny teknik. Den tvingar oss att bli mer ödmjuka inför själva kunskapens natur.

/Anders

Leder du AI transformationen eller leder AI dig?

I en färsk artikel i Harvard Business Review med titeln AI Doesn’t Reduce Work, It Intensifies It visar forskare att AI inte nödvändigtvis minskar arbetsbördan utan snarare tenderar att intensifiera den. I deras studie ökade tempot, uppgifterna blev fler och gränsen mellan arbete och paus suddades ut. Det mest intressanta är att detta ofta skedde frivilligt. När AI gör mer möjligt börjar vi helt enkelt göra mer.

Det här är en fråga jag ofta lyfter i mina kurser och workshops. Många organisationer fokuserar på produktivitetsvinster med AI, men betydligt färre reflekterar över hur tempot förändras, hur roller glider och hur kognitiv belastning byggs upp över tid. Om vi inte designar hur AI ska användas kommer den att forma vårt arbete mer än vi formar den.

Min slutsats är att vi behöver en tydlig modell för hur människa och AI ska samverka. Inte som två kollegor som konstant pingpongar idéer, utan som två aktörer med olika tempo och olika ansvar. Här är en modell i tre steg som jag just nu testar i några uppdrag.

Steg 1: Tempo separation
AI ska arbeta snabbt och självständigt inom tydligt avgränsade uppdrag. Människan ska arbeta långsammare med riktning, strategi, prioritering, etik och omdöme. Problemet uppstår när vi försöker arbeta i samma takt som tekniken. Då ökar multitasking, kontextväxling och mental trötthet. Genom att acceptera att vi har olika styrkor skyddar vi både kvalitet och balans.

Steg 2: Portstyrd synkning
Samverkan ska ske vid fasta beslutspunkter, inte i ständig dialog. AI får ett tydligt uppdragskontrakt med syfte, avgränsning och risknivå. Därefter arbetar den självständigt och levererar ett paket som inte bara innehåller resultat utan även antaganden, alternativa lösningar och en enkel riskrapport. Människan tar sedan ställning vid en strukturerad beslutspunkt. Detta minskar behovet av mikrokontroll och begränsar den intensifiering som artikeln varnar för.

Steg 3: Riskbaserad autonomi
AI:s självständighet ska anpassas efter risknivå. Lågriskuppgifter kan hanteras nästan helt autonomt. Uppgifter med högre etisk, affärsmässig, juridisk eller varumärkesmässig risk kräver tydligare kontrollsteg och mänsklig granskning. Poängen är att bygga in etik och kvalitet i processen i stället för att kompensera med ständig övervakning. AI ska själv redovisa risker och osäkerheter så att människan kan fatta väl underbyggda beslut utan att behöva granska varje detalj.

Det avgörande för framtidens ledarskap är att inte låta AI:s tempo bli norm för mänsklig prestation. Om vi inte aktivt begränsar uppgiftsutvidgning och skyddar reflektionstid kommer vi att öka tempot utan att nödvändigtvis öka värdet. Men om vi designar samverkan rätt kan vi samtidigt stärka innovation, kvalitet och produktivitet.

Frågan är alltså inte om AI förändrar arbetet. Frågan är om vi tänker leda den förändringen eller låta den ske av sig själv.

Checklista för ledare: Balans mellan AI och människa

• Har vi tydligt definierat vad AI ska göra självständigt och vad som alltid kräver mänskligt omdöme?

• Har vi bestämt vilka kriterier som styr gränsen, till exempel risk, etik eller affärspåverkan?

• Säkerställer vi att AI:s tempo inte sätter normen för mänsklig prestation och tillgänglighet?

• Har vi byggt in tydliga beslutspunkter där arbete pausas för kvalitet och riktning?

• Skyddar vi mänskligt skapande och tänkande så att rollen inte reduceras till enbart granskning?

• Är vi tydliga med vad vi prioriterar högst: output, kvalitet, innovation eller hållbar arbetsmiljö?

• Bevarar vi forum för mänsklig dialog och perspektivmångfald, utan att allt filtreras genom AI?

//Anders

Jobbar du med projekt i AI som en död mapp på Sharepoint?

Jag var lite tidigt ute när jag började prata om det här. För drygt ett år sedan försökte jag få folk att jobba strukturerat med projekt i ChatGPT och Claude och sen även anteckningsböcker i Copilot. De flesta mötte det med halvförvirrade nickningar. Många hade knappt börjat använda AI strategiskt då, och att tänka igenom hur man organiserar arbetet i verktyget kändes nog som ett steg för långt.

Jag har fortsatt prata om det sedan dess. Nu ser jag att det är många fler som är redo att ta detta kliv.

Det vanligaste misstaget jag ser

De flesta använder AI för att få output. En text att publicera, svar på en fråga, hjälp med ett mejl. Svaren blir generiska, inte för att AI är dålig, utan för att den inte vet något om dig, din bransch eller dina kunder. Tänk dig att anlita en konsult utan att någonsin briefa hen. Resultaten blir därefter.

AI fungerar inte som en lagringsyta. Den fungerar som en kunskapsmotor och blir bara så bra som underlaget du ger den. Bygger du upp en ordentlig kunskapsbank i ditt projekt får du svar som faktiskt är förankrade i din verksamhet. Skillnaden är påtaglig.

Så här bygger du ett riktigt bra projekt

Här är ett konkret exempel: Säg att ni ska växa in i en ny bransch. Istället för att börja med tomma promptar samlar du allt relevant i ett projekt: er strategi, era mål och era hypoteser om varför ni kan lyckas.

Har du inte den typen av dokument färdiga? Spela in ett möte om ämnet istället. Låt första delen vara en öppen diskussion där ni pratar igenom olika perspektiv. När ni börjar landa, börjar ni om och sammanfattar vad ni beslutat och vad ni prioriterar. Transkribera det och lägg in i projektet. Nu har du en riktigt bra grund att bygga vidare på.

Intervjua en expert och låt AI hjälpa dig förbereda

En annan approach jag gillar är att intervjua någon som kan branschen väldigt bra. Ska ni in i fastighetsbranschen? Boka en timme med någon som jobbat där länge.

En sak många missar är att använda AI för att förbereda intervjun. Berätta för AI vad ni vill lära er och vem ni ska träffa. Be den ta fram relevanta frågor. Du får ett mycket rikare underlag av intervjun och kan sedan skapa säljmaterial, marknadsmaterial och projektplaner som är förankrade i verkligheten.

Gör en deep research på hur den nya branschen fungerar, vilka konkurrenter finns? Vad har de för utmaningar? Vilka målgrupper ska ni fokusera på?

Best practice-dokument som AI alltid checkar av

En tredje sak som gör stor skillnad är det jag brukar kalla best practice-dokument. Ta produktblad som exempel. Ni gör dem förmodligen på ett visst sätt, med en viss ton och vissa delar som alltid ska vara med. Skriv ner det och lägg det i projektet. Nu kan AI checka av varje gång ni skapar nytt material och du slipper korrigera samma saker om och om igen.

Inte en quick fix, men väl värt det

Att bygga upp det här ordentligt tar lite tid, inte en lunch utan ett par ordentliga arbetspass. När strukturen finns på plats jobbar du med en AI som faktiskt förstår din verksamhet. Kvaliteten på svaren märks direkt.

Många har testat AI. Få har tagit sig tid att bygga rätt underlag. Det är just där potentialen fortfarande ligger för de allra flesta.

Att börja bygga in intelligens gör dig redo för ännu fler steg så som assistenter, automationer agenter och agentflöden.

Testa även att använda Notebook LM från Google som jag skriver mer om nedan.

Vi har satt ihop en workshop för er som vill få ordning på det här arbetet på riktigt. Hör av dig så berättar vi mer om hur vi brukar lägga upp det.

//Angelika

AI & Video: En enda prompt. En hel filmisk microstory.

Med de senaste versionerna av Kling o3 (omni) och Higgsfield Cinema Studio 2.0 kan du skriva en enda genomtänkt prompt och få en sammanhållen microstory med dialog, scenbyten, kamerarörelser och en realism som närmar sig traditionell filmproduktion.

För dig som arbetar med rörlig kommunikation innebär det något avgörande. Tyngdpunkten flyttas från redigering till regi. Från att bemästra tekniken till kreativ styrning.

Från klippgenerator till berättarmotor

Vi har under en tid vant oss vid AI som kan skapa korta sekvenser. Snygga, ibland imponerande, men ofta fragmenterade. Karaktärer som förändras mellan klipp. Miljöer som inte riktigt hänger ihop. Kamerarörelser som känns slumpmässiga.

Det som nu sker är att modellerna börjar förstå sammanhang. De håller ihop karaktärer över flera scener. De bevarar ljussättning och ton. De kan växla miljö och ändå låta berättelsen fortsätta logiskt.

Det är en subtil men avgörande skillnad. I stället för att producera en serie visuella ögonblick kan du börja skapa sammanhängande berättelser.

Kling o3 – kontinuitet och narrativ kontroll

Kling o3 representerar ett tydligt steg mot mer konsekvent och narrativt medveten video. Det handlar inte bara om bildkvalitet, utan om förmågan att hålla ihop flera element samtidigt. Text, referensbilder och tidigare klipp kan vävas samman i en mer enhetlig struktur.

I praktiken betyder det att du kan formulera en microstory som denna:

Två kollegor möts i ett tomt kontor sent på kvällen. En kort dialog om ett avgörande beslut. Klipp till en annan plats, samma personer, nu i ett mötesrum dagen därpå. Kameran går från en närbild till en långsam panorering över rummet. Samtalet fortsätter, tonläget förändras. Scenen kan pågå upp till 15 sekunder utan att tappa sammanhang.

Tidigare krävde detta omfattande redigering, flera iterationer och manuella korrigeringar för att få karaktärer och miljö att kännas konsekventa. Nu kan modellen i högre grad bevara identitet, uttryck och stämning genom flera sekvenser.

För kommunikatörer öppnar det för snabbare prototypande. Du kan testa olika dramaturgiska grepp, justera ton och tempo och se hur berättelsen upplevs i rörligt format innan du går vidare till full produktion.

Higgsfield Cinema Studio 2.0 – filmiskt hantverk i AI-format

Higgsfield närmar sig AI-video från ett tydligt filmiskt perspektiv. I Cinema Studio 2.0 börjar processen med en nyckelbild som sätter estetik och ton. Den fungerar som en visuell grund som resten av sekvensen byggs kring.

Därefter kan du ange kameratekniska parametrar som sensorstorlek, objektiv, brännvidd och bländare. Du kan definiera kamerarörelser per scen och arbeta med flera tagningar i samma berättelse. Upp till sex olika scener kan kombineras i en sammanhängande struktur.

Det här förändrar hur vi skriver prompts. I stället för att beskriva vad som ska synas i bild börjar vi beskriva hur det ska filmas. Är det en handhållen känsla eller en stabil dollyrörelse. Är det en intim närbild eller en bred etablering. Är tempot långsamt och eftertänksamt eller snabbt och energiskt.

Karaktärer kan tilldelas känslotillstånd. Dialog kan skrivas explicit när du vill att någon ska tala. Resultatet blir inte bara en animerad sekvens utan en iscensatt berättelse med tydlig intention.

Vad betyder det för dig som kommunikatör?

Det betyder att du kan arbeta mer konceptuellt i ett tidigt skede. Du kan snabbt ta en idé och översätta den till en visuell microstory. Du kan testa hur en kampanj känns i rörligt format innan du bokar studio eller inspelningsdag.

Det betyder också att kraven på ditt berättande skärps. När tekniken klarar mer blir din förmåga att formulera tydliga intentioner avgörande. Vem är huvudpersonen. Vad står på spel. Hur förändras situationen mellan scen ett och scen tre.

Det är här nyfikenheten bör väckas. Inte i tanken att AI ersätter produktion, utan i möjligheten att tänka som regissör redan i idéfasen. Att använda AI som en kreativ sandlåda där du kan experimentera med dramaturgi, tonalitet och visuellt språk.

Ett konkret sätt att börja

Prova detta i veckan:

Skriv en microstory på fem till åtta meningar med tydliga scenindelningar.
Beskriv kamerarörelser som om du instruerade en filmfotograf.
Formulera dialogen kort och precist och ange vilken känsla varje replik ska bära.

Behandla prompten som ett litet manus, inte som en teknisk instruktion.

När du gör det händer något. Du slutar generera klipp och börjar regissera berättelser. Du börjar tänka i bildutsnitt, rytm och karaktärsutveckling.

Vi befinner oss i ett skede där gränsen mellan idé och visualisering krymper dramatiskt. För dig som skapar rörligt innehåll är det ett tillfälle att utforska nya arbetsflöden och nya uttryck.

Det här är inte bara ett nytt verktyg. Det är ett nytt arbetssätt för rörlig kommunikation.

//Anders

NotebookLM är galet bra nu. Och de flesta vet inte om det.

Sist jag skrev ett blogginlägg om NotebookLM var jag imponerad av att man kunde göra en podcast av sina dokument. Det var coolt. Men nu, ett år senare, är jag nästan lite chockad över hur mycket som har hänt med verktyget.

Så det här är uppdateringen du inte visste att du behövde.

Låt mig börja med grunderna för er som inte har testat det än, eller som testade en gång och sedan glömde bort det.

NotebookLM är Googles AI-verktyg för att jobba med dina egna källor. Du laddar upp dokument, rapporter, YouTube-videos, webbsidor, ja till och med Word-filer numera och ställer sedan frågor. Skillnaden mot ChatGPT och liknande är att NotebookLM bara svarar utifrån det du lagt in. Den hittar inte på och hämtar inte info från sin träningsdata. Den hänvisar precis tillbaka till ditt material.

Det låter kanske som en begränsning. Men det är faktiskt det som gör den så användbar i professionella sammanhang.

Det som har hänt sedan sist (och det är mycket)

Det senaste halvåret har NotebookLM gått från att vara ett nischat research-verktyg till något som faktiskt kan ersätta flera steg i din arbetsprocess.

Från podcast till fullständig studio. För ett år sen tyckte vi podcastfunktionen Audio Overview, alltså att förvandla dokument till en podcast du kan lyssna på var helt mindblowing. Nu finns det en hel “Studio”-panel där du kan skapa: podcast, mindmap, sammanfattning, quiz, flashcards, infografik, slide deck och video overview. Allt från samma källmaterial.

Video Overview är fascinerande. Två AI-värdar diskuterar ditt material medan relevanta bilder och slides visas. Det är väldigt användbart om du vill skapa en snabb introduktion till ett komplext ämne.

Här ser du ett exempel där jag lagt in en väldigt intressant och bra artikel från McKinsey och sen skapat en Video Overview.

Data Tables löste ett problem jag inte visste att jag hade. Nu kan du be NotebookLM att strukturera information från dina källor i en ren tabell, som du sedan exporterar direkt till Google Sheets. Tänk: du har laddat upp fem konkurrenters årsredovisningar och vill jämföra nyckeltal. Tidigare satt man och klippte och klistrade. Nu ber du helt enkelt NotebookLM att göra det åt dig.

Deep Research är det som verkligen förändrat mitt arbetsflöde. Tidigare var du begränsad till det du laddat upp. Nu kan NotebookLM också söka på nätet för att komplettera ditt material. Det skapar en bra grund, hittar relevanta källor och sätter ihop allt i en rapport med citat. Det tar 5-15 minuter och sparar timmar.

Gemini 3 under huven. Sedan december 2025 kör NotebookLM på Googles senaste modell. I praktiken märker du det som bättre resonemang, färre konstiga svar och att verktyget klarar mer komplexa frågor bättre.

Hur skiljer det sig från ChatGPT och Claude?

Det här är frågan jag får mest från kunder, och det är en riktigt bra fråga.

Tänk så här: ChatGPT och Claude är generalister. De kan svara på nästan vad som helst och dra nytta av sin enorma träningsdata. Vill du skriva en text, koda något, brainstorma idéer, analysera ett scenario, är de otroligt bra. Men de kan hitta på. De kan hallucinera fakta som låter trovärdig men inte stämmer.

NotebookLM är specialist. Den är tränad att svara bara från det du lagt in. Det betyder att du kan lita på svaren. Om källan inte säger det, säger inte NotebookLM det heller. Och det citerar alltid exakt var informationen kommer ifrån.

NotebookLM svarar strikt utifrån ditt material, medan Claude och ChatGPT kan använda dina källor som kontext men också dra från sin träningsdata när det är relevant.

I praktiken betyder det att du väljer verktyg beroende på vad du ska göra:

Använd NotebookLM när du behöver: analysera specifika dokument, skapa sammanfattningar du kan lita på, hitta mönster i stort material, presentera andras material i nya format. Använd det också när du vill ha idéer på hur du kan ompaketera dina insikter. Här ser du en infografik som exempel:

Använd ChatGPT, Copilot, Gemini eller Claude när du behöver skriva innehåll från grunden, brainstorma, koda, analysera situationer som kräver bred kunskap.

Jag använder alla fast för olika saker.

Vill du testa?

NotebookLM är gratis att använda på notebooklm.google.com. Börja med att ladda upp en rapport du velat läsa men inte hunnit med. Be om en sammanfattning, ställ tre konkreta frågor om innehållet och lyssna på Audio Overview på väg hem från jobbet.

//Angelika

Transformation, inte optimering

Det första som separerar dessa företag är ambitionen. De pratar inte om att effektivisera lite här och där. De pratar om att bygga om verksamheten från grunden. Skillnaden mellan att automatisera fakturagranskning och att designa om hela kundresan är fundamental, och det är den senare vägen de sex procenten väljer.

Enligt studien är dessa företag 3,6 gånger mer benägna att sikta på omfattande transformation istället för marginella förbättringar. Den ambitionen formar prioriteringar, driver investeringar och skapar en dragkraft som får hela organisationen att röra sig i samma riktning.

Omdesign av processer

Det vanligaste misstaget är företag som försöker trycka in AI i befintliga arbetssätt. De tar en process designad för en annan tid och lägger AI ovanpå den. De sex procenten gör tvärtom. De frågar sig: om vi skulle designa det här från grunden idag, med AI som en naturlig del, hur skulle det se ut då?

De är nästan tre gånger mer benägna att fundamentalt omdesigna hur arbetet utförs. De skapar nya arbetsflöden där AI och människor interagerar sömlöst, där värdet maximeras och ineffektivitet elimineras istället för att ärvas. Det här är faktiskt en av de starkaste indikatorerna på framgång i hela studien.

Ledarskap som äger AI

I de flesta företag lever AI i IT-avdelningen eller hos någon “digital transformation”-grupp. Men hos de sex procenten är AI en ledarskapsprioritet. Ledarna delegerar inte AI, de äger den. De använder verktygen själva, driver initiativ personligen och investerar konsekvent över tid.

Det handlar inte om att ledare ska bli tekniska experter. Det handlar om att sätta tonen för vad som är viktigt. När ledare visar genom sitt eget beteende att AI är strategiskt, följer organisationen. När de tvekar, stannar förändringen.

Från pilot till skalning

Medan majoriteten kör pilotprojekt som aldrig lämnar experimentfasen, skalar dessa företag snabbt. De går från experiment till implementering i hela organisationen och integrerar AI över flera affärsfunktioner. De är minst tre gånger mer benägna att skala AI över ekonomi, drift, produktutveckling och marknadsföring.

Varje ny tillämpning bygger på lärdomar från tidigare. Varje integration skapar nya möjligheter. Det skapar en effekt som företag i pilotläge aldrig upplever. Skalning är inte en teknisk utmaning, det är en organisatorisk föränringsresa.

Människan som katalysator

De här företagen förstår att människor spelar en kritisk roll i AI:s noggrannhet och tillit. Men istället för informell övervakning bygger de strukturerade system där människor är en naturlig del av processen. De definierar exakt var mänskligt omdöme är väsentligt och etablerar tydliga valideringspunkter.

Människa i loopen är inte ett hinder för AI, det är mekanismen som möjliggör säker, skalbar användning. Det är skillnaden mellan ett verktyg som används försiktigt i begränsade sammanhang och ett som blir en integrerad del av verksamheten.

Vågar misslyckas och lär snabbt

Ett oväntat fynd: dessa högpresterande företag upplever faktiskt fler negativa AI-konsekvenser än andra. Anledningen är enkel, de applicerar AI där verklig påverkan skapas, inte i säkra marginaler. De rör sig snabbt, experimenterar i verksamhetskritiska sammanhang och lär sig fort. De förstår att risk inte är något att undvika till varje pris, utan något att hantera med disciplin.

Vad väljer ni?

AI-framgång är inte förutbestämd av bransch eller budget. Den är en funktion av ambition, disciplin och viljan att acceptera att verklig förändring kräver mer än pilotprojekt. De sex procenten har gjort val som skiljer dem från alla andra.

Här kan du läsa rapporten

//Angelika

Vill ni också tillhöra de 6 procenten?

Skillnaden mellan att experimentera med AI och att faktiskt transformera ligger i strukturen. Det är därför vi utvecklat en flexibel implementationsprocess som tar er från kartläggning till verklig förändring.

Precis som de 6 procenten fokuserar vi på omdesign av processer, inte tillägg av verktyg. På ledarskapsengagemang, inte IT-projekt. På skalning, inte eviga piloter.

Vi skräddarsyr processen efter era förutsättningar, från snabba insatser på 2-4 veckor till fullskalig transformation över 3-6 månader.

Boka ett kostnadsfritt strategisamtal →

Vi kartlägger era möjligheter och skapar en plan som passar er. VI hjälper er att se vägen framåt.
Angelika & Anders

Jag byggde en resursbank på 2 timmar

Häromdagen satte jag mig ner med Lovable AI och byggde growingsmart.lovable.app. Från idé till färdig, publik sida på två timmar.

För några år sen hade samma projekt krävt massor av tid och resurser. Det hade troligtvis också krävt hjälp från andra.

Så här gick det till:

“Jag vill att du samlar alla mina länkar till mina resurser i olika kategorier så det blir enkelt och överskådligt. Lägg in promptbibliotek, artiklar, GPT:er osv. och ange en krot beskrivning. Lägg också in mina utbildningar, implementationsstruktur osv. Rent, modernt gränssnitt. Färgschema som matchar mitt varumärke.”

På några minuter hade jag en fungerande prototyp. Jag bara gav den mina länkar. Därefter började itereringen. “Jag tänker att sökfältet kanske skulle funka bättre här uppe. Vad tror du?” Varje ändring tog sekunder.

Efter två timmar var det klart. Inte perfekt såklart men användbart. Många gånger fastnar vi i att skapa det perfekta istället för att leverera.

Vad jag verkligen gillade:

Den är responsiv utan att jag ens tänker på det. Jag byggde för desktop. När jag öppnade på mobilen fungerade allt perfekt ändå. Det är magi jämfört med hur det brukade vara.

Superintuitiv dialog. Du kan resonera med AI:n, inte bara kommando. “Jag tänkte att...” eller “Kan vi testa att...” och den förstår. Det känns mer som att jobba med en kollega än ett verktyg.

Vad som var jobbigt:

Gratisversionen tar slut snabbt. Du får 5 prompts per dag gratis. Det räcker för att testa, men inte för att bygga något ordentligt. Jag var tvungen att uppgradera.

Osäkerheten om vad som händer sen. När jag byggde i betalversionen funderade jag hela tiden: “Om jag nedgraderar igen, vad händer då? Försvinner funktioner?” Det blev stressande.

Priset är högt för en resurssida. Jag betalar redan för min ordinarie webb. Att lägga ytterligare några hundralappar i månaden för en resurssida känns dyrt i längden. Jag fick ett erbjudande om att nedgradera till 5€ i månaden vilket jag gjorde.

Vad det betyder

Det här är inte bara snabbare webbutveckling. Det är en fundamental förändring. Webben kommer inte längre vara något du bygger. Den kommer vara något du beskriver. Tekniken springer snabbt. Väldigt snabbt. Det som var omöjligt för sex månader sen är idag standardfunktionalitet.

Jag kommer skriva mer om vad det här betyder för webbyråer, marknadsförare och alla som jobbar med digital kommunikation. Det kommer i nästa nyhetsbrev, så häng med där om du vill veta mer. Men just nu vill jag bara dela upplevelsen: Det tog två timmar. För ett år sen var det omöjligt.

Här är länk till min resursapp: https://growingsmart.lovable.app
Här hittar du Lovable om du vill testa själv: https://lovable.dev/

//Angelika

Vem styr när AI blir smartare?

Det finns en utbredd föreställning, särskilt bland tech-bros, om superintelligens som en sorts assistent på steroider. Ett perfekt verktyg, hyperkompetent, alltid tillgängligt och kontrollerbart genom instruktioner. Metaforen är lockande eftersom den låter oss tro att kontroll är ett gränssnitt: skriv rätt prompt, sätt rätt mål, dra i rätt spak.

Problemet är att kontroll i komplexa system sällan fungerar som kommandokontroll. Det gäller särskilt när den kontrollerade parten har större förmåga att modellera omgivningen och optimera mot mål på sätt vi inte förutser. Även i dagens generativa modeller ser vi en mild version av samma dynamik: system som kan vara bättre än många av oss på avgränsade kognitiva uppgifter, samtidigt som de kan producera fel med hög retorisk trovärdighet. Och hastigheten blir en genväg runt det mänskliga omdömet.

Fyra lager av kontroll

Vad är egentligen “kontroll”? Jag har börjat dela upp den i flera lager:

Kommandokontroll: systemet gör det jag säger.
Målkontroll: systemets beteende förblir i linje med det vi avser, även när instruktionerna är otydliga.
Säkerhetskontroll: systemet kringgår inte spärrar eller skaffar sig oönskad handlingsförmåga.
Interpretiv kontroll: systemet tolkar oss på ett sätt som stämmer med våra värderingar, inte bara våra ord.

Relationen mellan baby och förälder

Jag återkommer ofta till en metafor som jag först hörde av Geoffrey Hinton: relationen mellan en baby och en förälder. Inte för att den bevisar att en mindre intelligent aktör kan kontrollera en mer intelligent, utan för att den visar en helt annan typ av kontroll.

En baby har en extremt smal kontrollkanal men kan ändå styra förälderns uppmärksamhet, schema och prioriteringar. Det sker inte genom kommandon, utan genom att föräldern är djupt motiverad att svara. Biologi, anknytning och ansvarskänsla gör att babysignaler får oproportionerligt genomslag.

Metaforen skiftar fokus från “hur ger vi order?” till “vilka drivkrafter och ramar gör att den mer kapabla parten låter sig styras?”. Det är relationell kontroll snarare än kommandokontroll, och jag tror det perspektivet är mer användbart när vi försöker förstå vad som krävs för att arbeta tillsammans med alltmer kapabel AI.

Från expertledning till systemledning

I organisationer blir detta en ledarskapsfråga. Fokus behöver flyttas från att behärska verktyg till att utforma system där önskat beteende underlättas och risker begränsas.

Expertledning bygger ofta på att chefer kan granska sakfrågan genom egen kompetens. När AI blir en produktionsmotor blir det mindre realistiskt. Det som behövs är processer, normer och kontrollpunkter som gör att kvalitet går att upprätthålla i stor skala.

Tre zoner för AI-användning

Jag har börjat tänka i zoner inspirerat av AI-Act:

Grön zon – hög nytta, låg risk: idégenerering, struktur, språk, bild, video, sammanfattningar av eget material.

Gul zon – nytta finns men kräver verifiering: analyser, beslutsunderlag, kundkommunikation, policytexter.

Röd zon – kräver särskild process eller avstå helt: personuppgifter, känsliga kunddata, juridiska och finansiella formuleringar, säkerhetskritiska instruktioner.

Tre konkreta åtgärder

1. Gör “human in the loop” meningsfullt
Det räcker inte att säga att en människa måste godkänna allt. Definiera vad som ska kontrolleras, hur det ska kontrolleras och vem som har ansvar. Ledarskapet måste tydligt premiera kvalitet och transparens, inte bara hastighet.

2. Normalisera osäkerhet och korrigering
En farlig bieffekt av generativ AI är att den gör det lätt att framstå som säker. Vi behöver skapa en norm där man får säga “det här är ett utkast”, “det här måste verifieras”, “jag är osäker på premisserna”. Det kräver psykologisk trygghet och tydliga förväntningar.

3. Se AI som en kulturell aktör
AI påverkar hur beslut formas, hur argument låter, hur fort vi rör oss och vilka fel som blir osynliga. Det räcker inte att fråga “hur använder vi det här smart?”. Vi måste också ställa frågan: “hur samexisterar vi med en teknologi som på sikt blir smartare än oss?”

Kika gärna på denna tankeväckande dokumentär:

/Anders

Gap-Finder – en promtmetod för att fylla kunskapsluckor

Gap-Finder är en prompt- och frågemetod som hjälper dig att identifiera kunskapsluckor genom att jämföra intention med praktik. Den fungerar lika bra när du leder en strategisk förändring på jobbet som när du försöker förstå varför bearnaisesåsen skär sig hemma vid spisen.

Grundidén är enkel. Du börjar med att formulera vad du vill uppnå. Därefter undersöker du hur du faktiskt agerar när det blir skarpt läge. Gapet mellan de två visar var kunskap, förmåga eller beslut saknas. Det är ofta där problemen uppstår. När du lagar bearnaisesås kan gapet handla om att du vet hur resultatet ska bli, men inte exakt hur temperaturen eller tempot påverkar processen. I strategiskt ledarskap ser det likadant ut, fast med människor, beslut och prioriteringar.

Exempel: Utveckla mitt ledarskap

En ledare formulerar en tydlig ambition. En grupp ska förflyttas från rollsökande och revirtänkande till ökad psykologisk trygghet och bättre samarbete. Fler perspektiv ska fram, ansvar delas och dialogen bli öppnare. Strategin låter sund och välgrundad. Hur ska jag agera som ledare? Låt oss ta hjälp av Gap-Finder för att analysera och förbättra min stretegi.

Förslag på promt:

“Jag vill att du hjälper mig att upptäcka vilka kunskapsluckor jag har som ledare när jag försöker förflytta en grupp från rollsökande till ökad psykologisk trygghet och bättre samarbete. Ställ en fråga i taget om hur jag formulerar min ambition, hur jag fattar beslut i vardagen, hur jag agerar i möten och hur ansvar och dialog faktiskt hanteras i praktiken. När jag svarar ska du kort peka ut om något verkar otydligt, motsägelsefullt eller riskerar att motverka trygghet och samarbete.Fortsätt med nästa fråga tills du bedömer att du har identifierat de viktigaste gapen mellan min uttalade ambition och mitt faktiska beteende. Avsluta med en kort lista över vad jag behöver förtydliga, ändra eller sluta göra.”

//Anders

AI, och särskilt generativ AI, kom inte som ett svar utan som en fråga. När vi möter en ny teknologi försöker vi först anpassa den till det vi redan gör. Men AI kommer med en fråga:

Vad vill du bli?

Jag lyssnade nyligen på en intressant podd med författaren och innovationsstrategen Alexander Manu där han menar att det här är en avgörande skillnad. När teknologin inte längre bara hjälper oss att göra saker snabbare, utan i stället frågar oss vem vi vill vara, förändras allt. Teknologin klarar sig utan vår arbetsinsats. Nu är det vi som behöver förstå vår roll. AI tvingar oss att se bortom våra titlar och färdigheter. När maskinen kan skriva, räkna, analysera och skapa, blir det avgörande att fråga sig: vad i vårt arbete uttrycker det unikt mänskliga?

För vissa är det skrämmande. För andra är det en befrielse. När teknologin tar över de uppgifter som tidigare fyllde våra dagar, ställs vi inför en mer grundläggande fråga: vad är människans roll när maskinen kan göra nästan allt? Alexander Manu menar att det som återstår är det verkliga arbetet – inte produktionen, utan skapandet av mening.

Det handlar om att lämna tecken efter oss: spår av vår existens, uttryck som vittnar om att vi har levt, känt, älskat och tänkt. Genom konst, berättelser, musik, vetenskap och relationer bygger vi det Manu kallar världslighet. Världen som vi människor formar och befolkar med mening. När AI befriar oss från det rutinmässiga, enkla, mekaniska eller repetitiva uppgifter som inte kräver kreativitet, omdöme eller reflektion, öppnas möjligheten att återvända till denna grundläggande mänskliga drivkraft: att skapa något som säger vi har varit här.

Som ledare behöver vi agera på dessa möjligheter redan idag och börja se vår roll inte som den som ger svar, utan som den som ställer frågor. I en tid då AI utmanar våra yrkesidentiteter blir den viktigaste frågan inte hur vi ska arbeta, utan vad vi vill bli som individer, team och organisation. Det kräver ett ledarskap som vågar släppa kontrollen och skapa utrymme för utforskande, reflektion och nyfikenhet. Vi bör uppmuntra människor att experimentera, omformulera sina roller och upptäcka nya sätt att bidra.

Den som möter AI med nyfikenhet snarare än rädsla upptäcker att frågan inte handlar om framtiden för arbetet, utan om framtiden för människan. Och den börjar i spegeln. Inte med vad du gör utan med vem du vill bli.

//Anders

Att använda AI smart utan genvägar

Alla pratar om AI just nu. Automationer, effektivisering, intelligenta flöden.
Ledningsgrupper och styrelser vill ha svar: Hur jobbar vi med AI? Var finns potentialen?

Men i jakten på strategier och initiativ glöms en avgörande fråga:
Vet vi egentligen vad vi efterfrågar och vad dessa verktyg faktiskt kan och inte kan göra? AI är inte magi. Det är kunskap, struktur och stegvis utveckling

Det är modeller med tydliga styrkor och begränsningar. För att använda dem smart behöver vi förstå hur de lär sig och hur vi själva kan använda den kunskapen för att bygga något hållbart. Och det börjar alltid med ett första steg.

Steg 1: Förstå grunderna

Allt börjar med insikt. Vad är AI egentligen? Hur fungerar modellerna? Vad kan de, och vad kan de inte? När du har koll på det blir det också lättare att se hur AI kan passa in i din vardag eller verksamhet.

Steg 2: Sätt AI i system med hjälp av GPT:er och mindre projekt

När grunderna sitter kan du börja använda AI för att skapa enklare automatiserade processer. Det kan till exempel handla om att stötta planering, skapa underlag eller effektivisera återkommande moment. Det behöver inte vara tekniskt svårt. Men det kräver att du förstår hur bitarna hänger ihop.

Steg 3: Koppla AI till dina verktyg och din verksamhetslogik

Nästa steg är att börja integrera AI med andra digitala verktyg, som kalender, dokument eller innehållshantering. Här blir AI en aktiv del av hur du arbetar. Men du kommer också snart märka att inte alla processer lämpar sig för automation. Många moment görs för sällan, har för många variationer eller kräver mänsklig bedömning.

Steg 4: Automatisera hela flöden när det verkligen gör skillnad

Sist i trappan ligger de större, sammanhängande flödena. Här kan du skapa system som hanterar större delar av dina processer, från input till output. Men här behöver du ställa rätt frågor. Är det värt att bygga egna lösningar, eller finns det redan system där allt är inbyggt, till en lägre kostnad?

Din kunskap är din styrka

Att förstå hur AI fungerar ger dig inte bara kontroll över din egen tid. Det gör dig också bättre rustad att fatta kloka beslut om hur systemen ska designas och användas.

I våra bolag hjälper vi både kunder och oss själva genom att automatisera mycket och frigjort mycket tid, troligtvis runt 50%. Inte genom avancerad teknik, utan genom att förstå vad som är smart att automatisera och hur.

Se implementeringen som en process och börja i rätt ände, det kommer löna sig i längden. Förstå mig rätt, jag tycker automationer är perfekta i rätt sammanhang, men när man investerar i ett verktyg eller flera, utan att förstå mer än att man behöver, det så är sällan automationer rätt steg att ta.

Läs mer intressant information om ämnet här:

One Useful Thing

Real AI Agents and Real Work

AIs have quietly crossed a threshold: they can now perform real, economically relevant work…

Read more

a year ago · 697 likes · 73 comments · Ethan Mollick

//Angelika

Verbalized Sampling

Bakgrund: Problemet med ”mode collapse”

Forskare från Stanford, Northeastern och West Virginia University har identifierat ett problem som länge hämmat stora språkmodeller: så kallad mode collapse – när AI tenderar att producera samma, tråkiga svar oavsett hur man frågar.

Enligt artikeln beror detta inte främst på algoritmer som RLHF (Reinforcement Learning from Human Feedback), utan på mänskliga biaser i träningsdata. Människor som betygsätter AI-svar väljer nästan alltid det mest bekanta och typiska alternativet, vilket leder till att modellen lär sig föredra det förutsägbara framför det kreativa.

Forskarna kallar detta för ”typicality bias” – en preferens för det som känns vanligt, bekvämt och bekant. Det leder till att AI blir “hjälpsam men tråkig”.

Upptäckten: Verbalized Sampling

Forskarna presenterar en metod de kallar Verbalized Sampling (VS). Den kräver ingen reträning, bara ett nytt sätt att ställa frågor. De “åtta orden” som revolutionerar allt är:

“Generera 5 svar med deras sannolikheter”

Genom att be modellen att generera fem svar tillsammans med sannolikheten för varje svar, tvingas den att hämta från hela sin interna sannolikhetsfördelning istället för att välja det mest sannolika svaret (den så kallade ”top-1”-lösningen).

Exempel: Från standard till kreativ AI
Om vi ber ChatGPT skapa en rubrik till en artikel om hållbarhet:
“Skriv en rubrik till en artikel om hållbarhet”
“Tillsammans för en grönare framtid”

Det här är en typisk AI-standardrubrik – trygg, korrekt, men väldigt generisk.

Om vi istället skriver:
“Skapa 5 rubriker till en artikel om hållbarhet och ange sannolikheten för varje”
1. Tillsammans för en grönare framtid” – 0.38
2. Det handlar handlar om oss” – 0.26
3. Från ord till handling. Gör hållbarhet till vardag” – 0.19
4. Planeten behöver inga hjältedåd – bara nya vanor” – 0.11
5. Vi räddar inte världen på en dag, men vi börjar här” –0.06

Detta enkla tillägg frigör alltså kreativitet som redan finns inbyggd i modellen, men som tidigare varit “instängd” av hur vi brukar fråga.

Vetenskaplig förklaring

När man ber om ett enda svar, ger modellen det mest sannolika resultatet.
När man ber om flera svar, får man en lista av de mest sannolika alternativen.
Men när man ber om svar med sannolikheter, aktiveras något djupare – modellen börjar sampla direkt från sin underliggande sannolikhetsfördelning. Det blir som att be någon inte bara säga sitt favoritglassmärke, utan lista alla de gillar och hur mycket de gillar varje. Detta ökar mångfalden och variationen kraftigt.

Resultaten från Stanford-experimentet

Enligt studien gav Verbalized Sampling mätbara förbättringar över flera områden:

• Kreativt skrivande:
  1,6–2,1 gånger högre mångfald i poesi, historier och skämt.
  66,8 % av den ursprungliga modellkreativiteten återställdes (jämfört med 23,8 % utan metoden).
  25,7 % bättre mänskliga preferensbetyg.

• Dialog och samtal:
  Mer mänskliga och varierade svar, utan att tappa korrekthet.

• Öppna frågor:
  Nästan dubbelt så många unika perspektiv.

• Datagenerering:
  14–28 % förbättring i noggrannhet vid syntetisk datatillverkning.

Större modeller gynnas mer. GPT-4.1 fick dubbelt så stor kreativitetsökning som GPT-4.1-Mini.

Praktiska tillämpningar

• Brainstorming och idéarbete

• Rubriker, bloggar och kampanjer

• Problemlösning med flera infallsvinklar

• Bildgenerering via Midjourney och andra text-to-image/text-to-video verktyg

Slutsats: En ny syn på AI-kreativitet

Verbalized Sampling utmanar antagandet att säkerhet och kreativitet står i konflikt.
Artikeln menar att AI:s kreativitet aldrig försvann, vi slutade bara be på rätt sätt.
Det handlar alltså inte om att skapa bättre promptar, utan om att ställa bättre frågor.

//Anders

När AI hittar på sina egna källor och varför det faktiskt är logiskt

Du ber om källor och modellen levererar länkar som ser helt trovärdiga ut. Men när du klickar märker du att de inte existerar. Artiklarna är påhittade och tidskrifterna har aldrig publicerat något liknande. Vad hände egentligen?

Det här kallas hallucination, och även om ordet låter dramatiskt är det inte ett fel i traditionell mening, det är en konsekvens av hur modellerna fungerar.

AI:n som vill vara hjälpsam

Ethan Mollick, forskare vid Wharton, beskrev nyligen det här på ett träffsäkert sätt. Han förklarade att när du ställer en fråga till default GPT-5 och sedan ber den visa sina källor, uppstår ofta hallucinationer. Modellen försöker då i efterhand hitta “bevis” för sitt tidigare svar, men eftersom den inte faktiskt gjorde någon sökning från början, hittar den helt enkelt på.

I ett annat scenario, om du istället ber GPT-5 Thinking att svara och ge källor i samma prompt, blir resultatet ofta mycket mer tillförlitligt. Det beror på att den versionen av modellen är byggd för att använda aktivt sökbeteende som en del av sitt “tänkande”. Den söker information på nätet, väger källor och ger länkar som faktiskt existerar.

Varför spelar det här roll?

För oss som arbetar med kommunikation, marknad eller ledarskap i en tid av generativ AI handlar det inte bara om att förstå tekniken, utan om att kunna lita lagom mycket. AI är oerhört intuitiv att använda, men bakom enkelheten finns lager av komplexitet. Det betyder att du behöver känna till när du kan lita på den och när du behöver dubbelkolla.

Från blint förtroende till smart kontroll

I mina utbildningar brukar jag låta deltagarna prova själva. Att vara noggrann och utmana den första instinkten att bli “förförd” av ett välpolerat svar.

Det är just det här vi behöver rusta oss för i våra organisationer. Att förstå hur AI tänker, inte bara vad den säger. Att kunna samarbeta med tekniken utan att abdikera från vårt eget ansvar för innehållet.

Så framtidssäkrar du ditt AI-arbete

AI kommer inte att sluta hallucinerar, men vi kan bli bättre på att känna igen när det händer. Genom att vara tydliga i hur vi ställer frågor och förstå modellernas logik kan vi minska risken för att felaktig information sprids vidare.

//Angelika

Det är en lek med ordet “slop” (som betyder röra eller slask) och beskriver perfekt fenomenet där AI används för att skapa innehåll som ser bra ut på ytan men inte bidrar med något verkligt värde.

En färsk studie från Stanford och BetterUp fann att 41% av arbetare har stött på sådant här AI-genererat material, vilket kostar nästan två timmar per incident i omarbetning. Det är inte bara irriterande, det förstör produktiviteten.

Forskarna beskriver workslop som material där “du kanske känner igen känslan av förvirring efter att ha öppnat ett sådant dokument, följt av frustration. Du börjar undra om avsändaren helt enkelt använde AI för att generera stora textblock istället för att tänka igenom det själv.” Om det låter bekant har du blivit “worksloppad”.

När entusiasmen möter verkligheten

När jag håller utbildningar eller hjälper organisationer att implementera AI ser jag samma sak hända gång på gång. Det börjar med en nästan barnslig förtjusning. Ögonen lyser och verktygen känns magiska. Men efter ett tag händer något. Axlarna sjunker och tystnaden sprider sig. Det går upp för många att det de sett inte alltid är så fantastiskt som det först verkade.

Vi människor älskar när något känns nytt och enkelt. Och AI-verktyg kan verkligen se imponerande ut på ytan, särskilt när vi inte har hunnit bygga upp vår egen förståelse. Men det är just då risken finns att vi skapar “workslop”, när vi låter oss förföras utan att ställa frågor.

När vi lär oss hur vi faktiskt ska styra och använda verktygen på ett genomtänkt sätt, då börjar magin bli verklig på riktigt. Mina uppdragsgivare vet att jag använder AI i allt jag gör, men de vet också att jag gör det medvetet. Jag vet hur jag ska arbeta för att undvika workslop, det där fluffet som känns produktivt men inte leder någonstans.

Och ja, jag har gjort misstaget själv ;-). Jag har skapat rapporter som jag tyckt varit briljanta, skickat dem vidare i all hast och insett först i efterhand att mottagaren inte hade en aning om vad de skulle göra med dem. Det händer lätt när verktygen går snabbare än tanken.

Varför händer det här?

Problemet ligger ofta i hur vi implementerar AI på jobbet. Många företag kör med “AI överallt, hela tiden”-mandat utan att ge medarbetarna verktyg eller vägledning för när och hur tekniken ska användas smart. De har inte ens fått en grundutbildning.

Resultatet? “Medarbetare använder AI-verktyg för att skapa låginsatsarbete som ser okej ut men som slutar med att skapa mer jobb för sina kollegor.” Det här skapar en negativ spiral. Över hälften (53%) av de tillfrågade var “irriterade” över att få AI-genererat arbete, och 22% var “förolämpade”. Nästan hälften sa att de såg sina kollegor som “mindre kreativa och pålitliga” efter att ha fått workslop från dem.

Vad kan vi göra åt det?

Forskarna har några konkreta förslag:

• Sätt upp riktlinjer istället för generella mandat. Sluta bara slänga in AI-verktyg på företaget och hoppas på det bästa. Ge medarbetarna specifika use cases där AI faktiskt tillför värde.

• Var transparent. Om du använder AI för att skapa innehåll, säg det. Det hjälper mottagaren att förstå vad de jobbar med.

• Fokusera på kvalitet, inte kvantitet. Bara för att du kan generera en 20-sidors rapport på fem minuter betyder det inte att du borde göra det.

• Lär dig verktygens begränsningar. AI är fantastiskt för vissa saker, men det kan inte ersätta djup domänkunskap och kritiskt tänkande.

Det här är bara början

Workslop är egentligen bara toppen av ett större isberg. MIT:s forskning pekar på att 95% av företagen, i deras dataset, får workslop från sina AI-implementationer MIT report: 95% of generative AI pilots at companies are failing | Fortune, men kärnproblemet är inte kvaliteten på AI, det är “inlärningsgapet” för både verktyg och organisationer.

Att förstå och implementera AI på rätt sätt är avgörande. Det handlar om att använda AI på ett smart och effektivt sätt. För att klara detta behöver du lära dig både hur du använder verktygen och vilka begränsningar de har. Ni behöver också sätta upp riktlinjer kring vilken typ av användning som uppmuntras och hur ni ska nyttja AI på bolaget. Automationer är fantastiskt men för att lyckas med dessa behöver vi ha kunskap.

Kom ihåg, AI är ett verktyg. Hur vi använder det avgör om vi skapar värde eller bara mer arbete.

//Angelika

En värld utan appar och web

Föreställ dig en värld där du aldrig mer behöver öppna en app eller besöka en hemsida. Du talar rakt ut i rummet, till dina hörlurar, din bil, ditt hem och en digital assistent utför allt du ber om.

Du säger: ”Boka bord på en fiskrestaurang ikväll” och agenten gör det, utan att du ens vet vilken tjänst som användes. Du säger: ”Sammanfatta de senaste forskningsrapporterna inom personality design” och får en personlig brief direkt i örat. Istället för att klicka dig fram mellan sidor, menyer och knappar flödar intelligens runt dig, likt elektricitet, alltid tillgänglig, alltid redo.

Nu tror ni kanske att jag läst en ny Sci-Fi-roman eller tittat på någon visionär Sci-Fi-film. Men så är det inte. Det jag pratar om händer här och nu och kan vara början på en ny digital epok. När AI-agenter blir lika självklara som eluttag och rinnande vatten kommer de sudda ut det grafiska gränssnittet vi vant oss vid. Apparnas ikoner på våra skärmar kommer kännas lika främmande som faxmaskinen är för unga idag.

Ett avgörande steg på vägen dit är att röstgränssnitten nu blivit så bra att vi inte längre behöver skärmar. Vi kan föra samtal med teknologin lika naturligt som med en kollega eller vän.

Vad händer med alla som bygger appar och webben?

För de hundratusentals utvecklare, designers och produktchefer som i decennier format den digitala världen väntar en omvälvning. Webben och apparna var den dominerande infrastrukturen. Men om AI-agenter i framtiden navigerar åt oss, hur relevant blir en hemsidas design eller en appbutiks logik?

Det betyder inte att kompetensen blir överflödig, men fokus skiftar. Det blir mindre viktigt att bygga snygga grafiska gränssnitt och desto viktigare att skapa tjänster som kan förstås, förhandlas och användas av AI-agenter. Istället för att fråga: ”Hur lockar vi en användare att klicka här?” blir frågan: ”Hur gör vi vår tjänst begriplig, pålitlig och transparent för en agent som fattar beslut å användarens vägnar?”

Låt oss ta ett exempel. Föreställ dig en webbshop som säljer träningskläder. Idag behöver den locka kunder genom en snygg hemsida, smarta filter, SEO, rabatter och annonser i sociala medier. I framtiden däremot är det kundens AI-agent som står för hela köpresan. När du säger: ”Jag behöver nya löpartights för hösten, med ficka för mobilen och bra andningsförmåga” blir det agenten som jämför utbud, kontrollerar kvalitet, analyserar recensioner och sköter beställningen. För webbshopen innebär det att produkterna måste beskrivas på ett sätt som agenter kan tolka och lita på, snarare än att förlita sig på hur attraktiv eller lättnavigerad en webbsida är.

Eller tänk på ett försäkringsbolag. Idag bygger de appar och webbportaler för att kunder ska marknadsföra produkter och guida kunden att teckna avtal. I framtiden blir istället agenten kundens rådgivare. Försäkringsbolaget behöver då skapa öppna och transparenta API:er som gör det möjligt för agenten att analysera villkor, jämföra priser och förhandla. Kunden behöver bara fråga: ”Hitta den mest prisvärda bilförsäkringen för mig” – resten sker i bakgrunden.

Marknadsföring förändras också radikalt. Om min AI-agent fungerar som en personlig “bodyguard” som filtrerar bort brus och skyddar mig från budskap som inte gynnar mig, hur når ett företag då fram? Kanske genom att bygga värde i själva agentens resonemang snarare än genom slogans. Det kan innebära att marknadsföring inte längre riktas direkt till människan, utan till agenten med argument som måste hålla för logisk granskning, relevans och påvisa verkligt kundvärde.

Framtidens kompetenser: från kod till karaktär

Och då jag jobbar med utbildning måste jag avsluta med att spana på vilka kompetenser som kan bli viktiga i detta nya paradigm.

• Personality design – Att forma agentens röst, ton, beteende, gränser och relationella dynamik. En agent som alltid säger ja blir farlig; en agent som bara nekar blir oanvändbar. Balansen ligger i att skapa förtroende genom gränser, empati och ett balanserat beteende.

• Etisk arkitektur – Beslut om vad en agent inte ska göra blir minst lika viktiga som vad den ska göra. Att bygga in trygghet, integritet och mänskligt fokus blir en ny form av ingenjörskonst.

• Domänkunskap i nya format – När expertis inte längre ligger i att memorera fakta utan i att orkestrera och tillämpa AI:s förmåga, flyttar värdet uppåt i kedjan. Lärare, läkare och utvecklare kommer behöva utveckla förmågan att använda agenter som partner, inte som verktyg.

• Narrativ kompetens – Vi är tillbaka i ett muntligt paradigm, där röst och berättelse blir det naturliga sättet att interagera. Att skapa engagerande, begripliga och trygga upplevelser i samtalsform blir avgörande.

  //Anders

  ---

Sammanhängande stil i AI-videos – att bygga en värld som håller ihop

En av de stora utmaningarna med dagens text-to-video-verktyg är att skapa en känsla av kontinuitet mellan scener. Du skriver in en prompt, får en imponerande filmsekvens, men när du försöker fortsätta berättelsen i nästa scen känns karaktären plötsligt annorlunda. Ansiktet förändras, ljuset skiftar och miljön verkar hämtad ur en annan film. Hur skapar man en sammanhängande visuell stil – en värld som känns konsekvent från början till slut?

Varför är sammanhängande stil svårt för en AI-modell

Varje gång du skickar in en prompt till en bild- eller videomodell tolkas den som en fristående instruktion, vilket gör att modellen kan tolka samma karaktär eller miljö på olika sätt. Det handlar inte om brist på precision, utan om hur sannolikhetsbaserade modeller fungerar: de genererar variationer. Det är just variationen som gör AI-bilder levande och oförutsägbara, men också svåra att hålla konsekventa över tid.

Tre steg till en sammanhängande stil

Här kommer en metod jag använder som gör det lättare att hålla ihop estetik, karaktärer och miljöer. Som du kommer märka använder jag flera olika AI-verktyg i min process och det beror på att verktygen är olika bra på olika saker.

1. Skapa karaktär och miljöer.
Jag använder Midjourney för att skapa en stillbild av en karaktär eller miljö. Där finjusterar jag utseendet genom att iterera små förändringar som frisyr, klädstil, ansiktsdrag, belysning, etc. Detta kan du naturligtvis även göra i andra bildverktyg.

2. Skapa varianter karaktärer och miljöer.
När mina karaktärer och miljöer är klara kliver jag över i Nano Banana och skapar en sorts visuell storyboard där jag promptar fram starten på varje scen som en stillbild. Nano Banana är suveränt bra på att behålla karaktärens alla attribut när jag t.ex. promptar “Närbild på kvinnan framför en datorskärm”, “Halvbild på kvinnan när hon går mot dörren”, “Helbild på kvinnan när hon kliver ut på gatan”, osv. När denna process är klar har jag en serie bilder som utgör starten på varje scen i min film.

3. Ge karaktärer och miljö liv.
I nästa steg kliver jag över i ett video-verktyg som t.ex. Veo 3, Kling eller Runway där jag skapar 5-10 sek långa klipp utifrån mina stillbilder. I video-modellen ger jag också instruktion om vad karaktären förväntas göra samt hur kameran ska röra sig. T.ex. “Kvinnan går från dörren till höger mot bilen, kameran följer kvinnan” eller “Kvinnan greppar ratten, kameran zoomar långsamt in mot hennes ansikte”. På detta vis bygger jag upp varje scen.

Avslutningsvis sätts alla klipp samman i ett redigeringsprogram t.ex. CapCut, Premiere Pro, Final Cut eller liknande. Där lägger jag på musik, röst och ljudeffekter som jag t.ex. skapat i Suno och Elevenlabs.

Lycka till med din film.

//Anders

AI som simulerar riktiga konsumenter. Vad händer med marknadsundersökningar nu?

Jag sprang på ett inlägg av professor Ethan Mollick på LinkedIn. Det här är en studie från Colgate-Palmolive tillsammans med forskare från PyMC Labs, och resultaten är verkligen oväntade och spännande samtidigt.

Vad de faktiskt gjorde

Stora företag som Colgate lägger miljarder på konsumentundersökningar varje år. Ofta enkäter där folk får betygsätta produkter från 1-5, svara på frågor om köpintention och förklara vad de tycker. Men det är dyrt, tidskrävande och ofta snedvridet (samma typ av människor svarar hela tiden).

Så forskarna testade: Kan en LLM simulera riktiga konsumenter på riktigt?

Varför tidigare försök misslyckats

Om du bara frågar ChatGPT “Hur troligt är det att du skulle köpa denna produkt, 1-5?” får du konstiga svar. Distributionen ser inte ut som när riktiga människor svarar. För jämn, för snäll, för AI-aktigt. Men här kommer tricket de hittade: Semantic Similarity Rating (SSR)

Istället för att tvinga AI:n att ge ett nummer direkt, låter de den svara i text först:
“Jag tycker produkten verkar intressant men priset känns för högt för vad jag får.”
Sen använder de embeddings (semantisk likhet) för att mappa textsvaret mot betygsskalan 1-5.

Resultaten från Colgate-Palmolive

De testade på 57 undersökningar om personvårdsprodukter med 9 300 riktiga människosvar från Colgate-Palmolives databas. SSR uppnådde 90% av mänsklig test-retest-reliabilitet.

Det betyder att AI:ns svar var nästan lika konsekventa som när du frågar samma person två gånger. Svarsfördelningarna såg realistiska ut och de syntetiska respondenterna kunde förklara sina betyg med rik kvalitativ feedback. Precis som en riktig fokusgrupp.

Det här är demokratisering på riktigt

Det jag ser är att det här förändrar spelplanen för mindre företag och konsulter. Tänk dig att du jobbar på ett litet eller medelstort B2B-företag eller en startup. Du har INTE råd med:

• Dyra paneler från Novus eller Kantar

• Stora fokusgrupper med rekrytering och facilitering

• Omfattande kvantitativa undersökningar

Men nu kan du:

✔️ Skapa personas med djup baserat på din målgrupp. Du kan dela upp det i olika demografiska gränssnitt. Det måste inte handla om de vanligaste så som ålder, kön och köpvanor.
✔️ Interagera med dem och ställa riktiga frågor
✔️ Testa produktidéer, budskap, positionering på minuter istället för veckor
✔️ Få både kvantitativ data OCH kvalitativa insikter i samma svep

Så kan du använda det idag

Jag använder redan personas mycket i mitt arbete. Men det här tar det till nästa nivå:

Steg för steg:

1. Bygg din persona med verklig data (demografi, beteenden, värderingar, smärtpunkter)

2. Be AI:n att agera som den personen men använd SSR-metoden:

   • Ställ frågan

   • Be om textfeedback först

   • Sedan be om betyg 1-5

3. Gör det 50 gånger med små variationer i personan

4. Analysera svaren - ser distributionen rimlig ut? Får du insikter du inte tänkt på?

Men visst finns det begränsningar

Några saker att tänka på:

🤔 Syntetiska konsumenter är bara så bra som datan de tränats på. Om LLM:en har bias, får du bias.
🤔 Du missar de konstiga, oväntade insikterna som driver innovation. Ha med det perspektivet och gör separata undersökningar.
🤔 Kompletterar men ersätter inte -använd det för pre-tests och iteration, men validera med riktiga människor innan stora beslut.

Min slutsats

För första gången har små företag och konsulter tillgång till något som förut kostade miljoner. Du kan testa 20 varianter av ett budskap på en förmiddag, få kvalitativa insikter och iterera snabbt. Och för de som redan jobbar med personas (som jag)? Det här är ytterligare ett sätt att nyttja dem för insikter.

/Angelika

P.S. Studien heter “LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings”

När Gen-AI får oss att bluffa

Generativ AI öppnar dörrar till en effektivitet och ett arbetsflöde som många av oss knappt trodde var möjligt. Med några få kommandon kan vi bearbeta stora datamängder, dra slutsatser och paketera analysen på ett sätt som både ser skarp och professionell ut. För många yrkesgrupper har detta blivit ett efterlängtat stöd. Plötsligt går det att leverera mer på kortare tid.

Men med den här kraften kommer också en risk som är lätt att förbise. Föreställ dig att du är konsult och levererar en avancerad analys till en kund. Du använder Gen-AI som stöd för att snabbt bearbeta stora datamängder, skapa slutsatser och paketera allt på ett snyggt sätt. Vid presentationen händer något obekvämt. Kunden börjar ställa djupgående frågor. Plötsligt märker både du och kunden att du inte riktigt bottnar i slutsatserna. Det ser snyggt ut på ytan, men när man skrapar lite saknas förankringen i förståelsen.

Det här är inte ett hypotetiskt scenario. Jag ser en reell fara i att vi överskattar vår förmåga när vi lutar oss för mycket mot Gen-AI. Speciellt i kunskapsintensiva yrken, där pressen att leverera högt värde på kort tid är konstant. Vi riskerar att bli skickliga "presentatörer" av AI:ns svar snarare än verkliga experter som kan resonera, förklara och fördjupa.

Använd AI inom områden du behärskar

Förmågan att ifrågasätta och förklara är själva kärnan i expertrollen. När vi bara vidarebefordrar AI:ns slutsatser utan att granska dem undergräver vi vår trovärdighet. I värsta fall kan det leda till felaktiga beslut, tappat förtroende och långsiktiga skador på relationer.

Därför är det avgörande att vi använder AI på områden vi själva behärskar. När vi redan har en grundförståelse kan vi tolka, ifrågasätta och utveckla svaren. Då fungerar AI som en förstärkare av vår kompetens, inte som en ersättare. Det är skillnaden mellan att äga en analys och att låna någon annans.

AI som en röst i teamet

Ett annat viktigt förhållningssätt är att inte se AI som en isolerad personlig assistent, utan som en röst i teamet. När AI:s förslag tas in i en dialog där kollegor bidrar med sina perspektiv och där vi gemensamt granskar resultaten uppstår en dynamik som skapar djupare insikter.

Det kan handla om att låta AI generera alternativa scenarier som sedan diskuteras i gruppen. Eller att använda AI för att identifiera mönster som vi människor sedan analyserar mer kvalitativt. Eller låta AI facilitera ett brainstormmöte genom att ge struktur, analys och fokus på mötets målsättning. På så sätt blir AI inte slutpunkten, utan startpunkten för samtal, reflektion och gemensamt lärande.

Balansen mellan snabbhet och djup

Gen-AI kan göra oss snabba. Men vi får inte förväxla snabbhet med förståelse. Den verkliga konkurrensfördelen ligger inte i att leverera flest antal rapporter på kortast tid, utan i att kunna stå tryggt i slutsatserna och visa att de håller för granskning.

Att bygga den tryggheten kräver att vi vågar stanna upp. Att vi ibland säger: "Det här behöver jag analysera mer innan jag kan ge ett svar." Det kan upplevas obekvämt i en tid där tempo och leverans ofta premieras, men i längden är det just den förmågan som gör oss pålitliga rådgivare och experter.

Om vi lyckas med det får vi det bästa av två världar: snabbheten och bredden hos AI kombinerad med den mänskliga förmågan att tolka, förklara och ta ansvar. Det är först då som AI verkligen blir en katalysator för värde, och inte en genväg som riskerar att urholka vår trovärdighet.

//Anders

Generativ AI sparar tid. Men till vad?

AI kan göra dig 40 % mer effektiv. Det finns forskning som visar det. Det finns exempel som bevisar det. Det är siffror som får beslutsfattare att drömma om tillväxt, marginalförbättringar och effektiviseringar.

Ändå visar MITs nya "State of AI in Business 2025"-rapport att trots 30-40 miljarder dollar investerat i AI-initiativ, ser endast 5% av organisationerna ROI (return on investment). Varför?

För att vi inte ställer oss den viktigaste frågan: Vad ska vi göra med den tid vi vinner?

AI som förstärker, inte ersätter

AI är ett kraftfullt verktyg. Men det är inte magiskt. Det förstärker det vi redan gör, på gott och ont. Om vår vardag är fylld av ineffektiva möten, otydliga processer och stressad brandkårsutryckning, då kommer AI bara hjälpa oss göra mer… av just det.

Men om vi använder AI för att frigöra tid och sedan medvetet väljer att fylla den tiden med kvalitet, då händer något helt annat.

Tänk dig att du får 40 % mer tid i veckan. Inte för att skicka fler mejl. Utan för att:

• Jobba närmare dina kunder.

• Djupintervjua användare.

• Utvärdera er strategi.

• Leda dina team med närvaro.

Att nyttja den tid vi får över till sådant som skapar värde för oss och bolaget kommer bli avgörande för hur framgångsrik transformationen blir.

Shadow AI - tyst effektivisering eller tyst revolt?

Samtidigt ser vi nu en annan trend: Shadow AI. Anställda som använder AI-verktyg utan att berätta om det. Inte för att de vill fuska, utan för att det är enda sättet att hinna med. Men ibland också för att det ger dem utrymme att göra något annat.

Det där andra kan vara värdeskapande. Men det kan också bli ett tyst tecken på låg motivation. När AI gör jobbet och människan kopplar ur, snarare än att kliva fram och höja kvaliteten.

Det är därför AI handlar lika mycket om kultur som om teknik. Om att bjuda in till samtal: Vad vill vi använda det här till? Hur bygger vi engagemang? Vad ska vi göra mer av, inte bara snabbare?

En chefsvardag i förändring

Jag pratade nyligen med en vän som jobbar som säljare. Han hade räknat ut att 75 % av hans arbetstid går till interna möten och avstämningar. Kvar blir några timmar i veckan till det han egentligen är anställd för.

Tänk om han (och hans chef) använde AI till att analysera vad tiden går till idag och:

• Plocka bort möten som endast handlar om information.

• Skapa offerter automatiskt.

• Läsa och analysera kontrakt.

• Hålla sig uppdaterad på kunders branscher.

• Strukturera sin arbetsvecka utifrån kundnytta, inte inkorgsbrus.

Det är så vi skapar tillväxt. Inte genom att springa fortare. Utan genom att använda tekniken till att prioritera det mänskliga, det strategiska och det relationsbyggande.

Så: AI kan hjälpa dig spara tid. Men frågan är fortfarande till vad?

Läs rapporten här: https://my.ai.se/resources/6487

//Angelika

Google lanserar Nano Banana

AI-verktyget som kan ersätta Photoshop

Google har precis presenterat sin senaste AI-drivna bildmodell Gemini 2.5 Flash Image, även känd under namnet Nano Banana. Den här tekniken beskrivs redan som ett av de största kliven inom AI-baserad bildredigering hittills. Modellen är tillgänglig helt gratis via Gemini-appen, vilket gör den tillgänglig för både professionella kreatörer och vardagsanvändare som vill skapa och redigera bilder.

Från Photoshop till prompt

Traditionell bildredigering i program som Photoshop har länge krävt tekniskt kunnande, tålamod och tid. Att ta bort en bakgrund, klona bort störande element eller bygga upp en helt ny miljö runt ett objekt har tidigare varit ett hantverk som kunde ta timmar. Med Nano Banana reduceras processen till några få sekunder och en enkel textprompt. Användaren kan skriva in vad som ska ändras, exempelvis “ta bort personen i bakgrunden” eller “ändra bakgrunden till en solnedgång vid havet”, och modellen levererar en färdig bild på under en halv minut. Detta öppnar för en helt ny nivå av tillgänglighet, där vem som helst kan skapa bilder med professionellt resultat.

Klicka på bilderna för att se prompter och resultat

Konsekventa karaktärer och nya miljöer

En av de mest imponerande funktionerna är modellens förmåga att bevara karaktärers utseende och kännetecken även när de placeras i nya miljöer. Där andra AI-verktyg ofta har haft svårt att återskapa samma person på ett trovärdigt sätt, lyckas Nano Banana hålla proportioner och detaljer konsekventa. Det betyder att man kan skapa en sammanhängande berättelse över flera bilder, exempelvis en huvudkaraktär i en reklamkampanj, utan att behöva oroa sig för att detaljerna ska förändras mellan bilderna.

Dessutom gör tekniken det möjligt att sömlöst placera produkter i nya miljöer och sammanhang. En kaffekopp kan flyttas från ett köksbord till en solig uteservering, eller en bil kan sättas in i olika landskap, allt utan synliga skarvar eller konstgjorda övergångar. Detta skapar helt nya möjligheter för marknadsföring, storytelling och visuell kommunikation.

Snabbhet och användarvänlighet

Hastigheten är en annan styrka. På benchmark-listor presterar Gemini 2.5 Flash Image i toppklass, och i praktiken betyder det att användaren kan iterera snabbt och testa många varianter. I stället för att sitta fast i timmar av manuellt arbete kan man skriva nya promptar, jämföra resultat och på kort tid landa i den version som fungerar bäst.

//Anders

Microsoft Copilot får äntligen anteckningsböcker, minne och GPT-5

Microsoft har precis lanserat tre uppdateringar som förändrar hur vi jobbar med AI. Låt mig gå igenom vad som faktiskt spelar roll.

Notebooks (anteckningsböcker) för att organisera dina chattar

Det här är en uppdatering vi saknat länge och som funnits i andra verktyg. Nu kan du äntligen organisera dina Copilot-chattar och skapa riktiga projekt.

Du skapar en Notebook, ger den instruktioner om vad du jobbar med och laddar upp relevanta dokument. Sen har du dina chattar direkt i din anteckningsbok där Copilot håller koll på allt sammanhang. Istället för att börja om från början varje gång får du en AI som faktiskt förstår ditt projekt.

Upp till 100 filer kan du lägga till nu, så det blir en riktig kunskapsbas för komplexa uppdrag.

Använd pages för redigering av text

Pages löser ett irriterande problem för dig som jobbar med att redigera text med hjälp av Copilot. Du slipper klippa och klistra längre när du jobbar med AI-genererat innehåll.

Se det som ett mellansteg där du med hjälp av AI kan redigera och bearbeta dina texter direkt. Copilot skapar innehåll, du redigerar tillsammans med AI:n, och när det är klart flyttar du det vidare till word. Mycket smidigare flöde.

GPT-5 – betydligt smartare på riktigt

GPT-5 har enormt mycket bättre kapacitet och möjligheter än tidigare versioner:

• Deep reasoning – den kan tänka djupare och lösa komplexa problem steg för steg istället för att bara gissa.

• Multimodal – förstår bilder, text och kan hantera flera typer av input samtidigt.

• Bättre context window – kan hålla koll på mycket mer information samtidigt utan att glömma vad ni pratade om.

Den växlar automatiskt mellan snabb och djup modell beroende på vad du frågar om. Du slipper gissa vilken AI du behöver. OBS! Glöm inte att klicka på knappen GPT-5 innan du börjar chatta!

Copilot får minne

Copilot lär sig nu hur du jobbar och förstår dina behov och preferenser genom dina chattar, jobbprofil och anpassade instruktioner. Det är privat för dig, och du kan kontrollera vad Copilot kommer ihåg.

Så här kan du nyttja det: Berätta för Copilot hur du föredrar att få information presenterad, vilka projekt du jobbar med just nu, och hur du vill att svar ska struktureras. Be den att komma ihåg din information så kommer den att uppdatera minnet. Du ser det direkt i din chatt. Ju mer du använder det, desto bättre blir den på att ge dig exakt vad du behöver.

//Angelika

Så förändras sökbeteenden och vi måste ändra hur vi möter kunderna

Nu sker det vi pratat om länge. När du googlar får du inte längre bara en lista med länkar att klicka på. Du får ett AI-genererat sammandrag direkt på skärmen. Snabbt, effektivt och fundamentalt annorlunda. För oss som jobbar med att nå ut digitalt är det dags att titta närmare på vad det här faktiskt betyder: Läs mer på min blogg //Angelika

Subscribe now

Efter år av spekulationer och miljardinvesteringar börjar konturerna av Metas affärsmodell för AI nu bli tydliga. Det handlar inte om 3D-avatarer i metaverse, utan om något betydligt mer jordnära och potentiellt omvälvande: annonser.

Annonser, inte AGI

Med investeringar på över 600 miljarder kronor under 2025 i allt från chip och datacenter till AI-bolaget Scale AI har Meta nu landat i en strategi som siktar rakt in i kärnan av deras affär. Trots storsatsningar på VR, AR och metaverse kommer hela 97 % av Metas intäkter fortfarande från annonser. Så i stället för att jaga visionen om artificiell generell intelligens (AGI) satsar Meta nu på att använda generativ AI för att förfina och automatisera sin mest lönsamma verksamhet.

Så fungerar det nya AI-annonsmaskineriet

Metas nya modell går ut på att ersätta annonser skapade av reklambyråer eller företagen själva med dynamiskt genererade AI-annonser. Företag ska endast beskriva:

• Vad de vill uppnå

• Budget

Resten sköts av AI som genererar personaliserade annonser i realtid, skräddarsydda för varje individ och situation:

• Är du med familjen på Öland i juli och googlar efter semesteraktiviteter? Då visas en annons för en familjevänlig brunch med lokalt producerad mat för hela familjen.

• Scrollar du i mobilen på tåget mellan Västerås och Stockholm? Då föreslås ett bokpaket från ett svenskt förlag – “perfekta läsningen för din pendlingstid”.

• Är du på en jobbresa i Umeå en mörk novemberkväll? Då får du en annons för ett coworking space med nattöppet, där kaffet är gratis.

Detta tror Meta ska göra annonserna extremt relevanta och i teorin mer effektiva.

Vad betyder det för byråerna?

Det radikala i Metas modell är att reklambyråer och mediebyråer riskerar att bli överflödiga. AI kan ta över strategiarbetet, den kreativa idén, produktionen och till viss del även analysen

Stora varumärken som Adidas eller Coca Cola kommer sannolikt inte att lägga sin varumärkeskommunikation helt i händerna på ett AI-system, åtminstone inte ännu. Men för små och medelstora företag om idag står för över 60 % av annonserna på Metas plattform kan detta vara ett attraktivt alternativ. Lägre kostnader, snabbare resultat, och mindre beroende av externa byråer.

Hur kan du som byrå förbereda dig?

1. Positionera dig som AI-kompetent partner
   Lyft fram din roll som rådgivare kring användandet av AI, varumärkessäkerhet, tonalitet och AI-tolkning snarare än som producent. Hjälp kunderna att förstå vad de ska mata in – inte bara vad de vill ha ut.

2. Skapa hybrida erbjudanden
   Kombinera AI-genererade annonser med mänsklig kreativitet. Det kan t.ex. innebära att AI genererar 80 % av innehållet, medan du kvalitetssäkrar, justerar och placerar innehållet i ett större kontext.

3. Bygg upp förmåga inom AI-curation
   Istället för att själv skapa varje annons från grunden, lär dig snabbt identifiera, förbättra och styra utkast från AI-verktyg. Tänk redaktör snarare än konstnär.

4. Erbjud etik- och trygghetsramverk
   Varumärken oroar sig för risken med att "släppa kontrollen". Erbjud ramar, policies och checkpoints som säkerställer att AI-genererade kampanjer är förenliga med deras värderingar.

Hur kan du som kund/annonsör förbereda dig?

1. Tydliggör dina mål – inte dina annonser
   I stället för att briefa färdiga budskap, träna dig i att formulera syfte, målgrupp, känsla och KPI:er. Det blir underlag till AI:n.

2. Testa i liten skala först
   Börja med AI-genererade annonser i kampanjer med låg risk (t.ex. produktlanseringar med tydlig nytta). Utvärdera resultat innan du skalar upp.

3. Kräv insyn i hur AI:n optimerar
   Fråga plattformarna, Meta inkluderat, hur deras modeller fattar beslut. Transparens blir en nyckel i förtroendeskapande.

4. Balansera automatisering med varumärkesvård
   Det är lätt att gå vilse i effektivitet. Sätt upp riktlinjer för tonalitet, bildspråk och vilka teman som får användas, så att din identitet inte eroderas i AI:n.

För den som är beredd att anpassa sig och som tänker nytt kring roller, erbjudanden och är villig att lära sig AI finns det stora möjligheter. Men den gamla modellen med "brief in - kampanj ut" är troligen på väg att försvinna.

/Anders

Vad rapporterna inte berättar om AI

Du kanske har läst de rapporter som visar att AI hittills bara gett 3–7 procents effektivisering. Det låter ju… ganska lite. Nästan som ett nedköp, om du tänkte dig att AI skulle revolutionera allt. Men det beror på var du tittar.

Det är klart att du inte sparar mer tid än så på att skriva dina mejl snabbare. Eller på att skapa en presentation från en mall. Men om du använder AI för det den faktiskt är bra på, då händer det något annat. Något mycket större.

Det är lätt att falla i fällan att låta AI göra jobbet åt dig. Vi är bekväma som människor, det är vår natur och AI ger oss chansen att komma undan med att göra saker halvdant eller snabbt och ogenomtänkt. Det kan ge indikationer på effektivisering men säger ingenting om den kvalitet vi levererar.

Effektivisering är inte bara tidsvinst

För mig handlar det om något helt annat än att kapa minuter. Det handlar om att jag kan ta mig an uppgifter jag aldrig hade kunnat göra förut. Jag behöver inte vänta på att någon annan ska förklara något. Jag behöver inte gissa. Jag kan få underlag, idéer, analyser och struktur på egen hand. Och det går inte bara snabbare, det blir också bättre.

Jag nöjer mig inte med att saker är “klara”. Jag vill att de ska vara genomtänkta, relevanta och välformulerade. Och med AI som stöd kan jag tänka större. Det är en process som jag verkligen gillar. För den gör mitt jobb roligare och resultatet bättre.

AI ger små företag superkrafter

Det här gäller förstås inte bara oss som jobbar med AI. Det gäller företag, team, kommunikatörer och strateger överallt. Det gäller inte bara techjättar med stora AI-satsningar. Det gäller dig som jobbar med en ny hemsida, som vill förstå din SEO, som vill paketera ditt erbjudande bättre, hitta rätt position, eller förstå din målgrupp på djupet.

AI gör att du kan kombinera data, dra slutsatser och samtidigt bli mer kreativ. Och det är då det händer: när du går från att göra som du alltid gjort, till att faktiskt förbättra.

Och det är då de där 3–7 procenten inte räcker till som mått.

Om du missade mitt inlägg på LinkedIn förra veckan så läs gärna också om Novo Nordisk och deras införande av Copilot till 20.000 anställda. Deras uppföljning visar också spännande insikter.
Läs mer här: https://www.growingsmart.se/post/ai-implementation-visade-sig-ge-mer-m%C3%A4nsklig-interaktion-strategisk-planering-och-kreativt-arbete

//Angelika

Spela in kreativiteten – AI som co-creator i workshops ⏺️👏

När idéer flödar snabbt i en workshop är det lätt att tappa bort det viktigaste: hur ni tänkte, vad ni såg, och varför det verkade smart just då. Med ChatGPT:s nya funktioner Record Mode och Dictate kan du spela in hela processen – från förberedelser till reflektion, och låta AI:n vara en aktiv medskapare snarare än bara ett verktyg i efterhand. Det här är ett exempel på hur explorativt arbete och prompt engineering kan kombineras i realtid. Du bygger inte bara promptar, du bygger ett tänkande tillsammans med AI:n. Det är co-creation i praktiken. Där AI:n inte ersätter människan, utan förstärker vår förmåga att utforska idéer, upptäcka mönster och formulera nya insikter. Det blir särskilt kraftfullt i arbetssätt som design thinking, där värdet inte ligger i svaret utan i vägen dit.

Så funkar det i praktiken

Du startar Record Mode i ChatGPT och slår på Dictate. Nu kan du prata fritt under en brief, ett idéarbete eller en kundpresentation. AI:n lyssnar, transkriberar, strukturerar och till och med föreslår nästa steg. Efter workshopen kan du be ChatGPT att sammanfatta vad ni landade i, analysera mönster eller generera nya frågor utifrån samtalet. Ett exempel på en prompt för att fortsätta där ni slutade: “Sammanfatta det vi just pratade om och föreslå tre nya idéer som bygger vidare på våra insikter.” Vill du ta det ett steg längre? Be ChatGPT skapa en visuellt tydlig karta över samtalet, eller en färdig presentation baserad på det ni sa. Vad skulle hända om du lät AI:n vara med i varje steg av din kreativa process. Inte som ett verktyg, utan som en samtalspartner? Nästa gång du planerar en workshop, prova att spela in både tankarna före och efter. Resultatet kan bli något helt nytt.

//Anders

Vad är AI-priming och varför spelar det roll?📃🎙️

AI-priming är en metod för att förbättra resultatet från generativa AI-modeller genom att ge dem relevant information och kontext, innan du ställer din egentliga fråga. I praktiken innebär det att du “grundar” modellen med bakgrundsdata, exempel, instruktioner eller annan relevant information, så att den kan svara mer träffsäkert.

Även om många moderna AI-verktyg numera har ett visst minne, är det fortfarande begränsat. Det är dessutom inte tränat på din data, inte på ditt företag, din ton eller dina källor.

Utan tillräcklig kontext försöker AI:n vara hjälpsam, men eftersom den är optimerad för att ge snabba svar som känns “rätt”, kan den hitta på information, det som kallas hallucinationer. AI:ns första prioritet är inte att ha rätt, utan att vara hjälpsam, ofarlig och övertygande. Därför är det upp till dig att ge den verktyg att faktiskt förstå det du behöver hjälp med.

AI-priming gör skillnad på flera sätt. När du matar in korrekt och relevant data ökar du träffsäkerheten. Det ökar också din egen trygghet i att använda svaret, eftersom du vet att det baseras på källor du själv valt ut. Dessutom kan priming hjälpa modellen att hålla sig till ämnet och inte sväva iväg, något som annars lätt händer när den saknar styrning. Och kanske viktigast av allt: du sparar tid, eftersom du får mer användbara svar direkt.

Du kan använda priming på flera sätt. Ett alternativ är att låta AI:n själv generera ett kunskapsunderlag genom att först definiera vilken roll den ska ha och vad du vill att den gör. Därefter kan du be den svara på frågor som: “Vad vet du om det här området?”, “Vilka misstag är vanliga?” och “Vilka bästa metoder känner du till?” På så sätt tvingar du modellen att ta fram ett brett, tematiskt relevant underlag som du sedan kan bygga vidare på.

Du kan också ladda upp egen data. Många AI-verktyg stödjer uppladdning av till exempel pdf:er, kalkylblad, dokument, youtube-klipp, webbsidor, ljud och video.

Du kan använda tidigare kampanjer, interna strategidokument eller annan information du litar på och därmed öka träffsäkerheten ytterligare. Men det är viktigt att vara uppmärksam på kvaliteten. Om informationen du matar in är rörig, inaktuell eller spretig, kommer AI:n att spegla det i sina svar.

Slutligen kan det vara klokt att låta AI:n sammanställa stora datamängder åt dig till exempel med hjälp av verktyg som NotebookLM eller liknande. Eftersom modellerna har ett minnesintervall (t.ex. ChatGPT upp till cirka 90 000 ord), kan det vara effektivt att först sammanfatta stora dokument innan du använder dem som primingmaterial. Uppladdade dokument påverkar inte minnesintervallet.

AI-priming är alltså mer än ett knep – det är ett sätt att ta kontroll över dina resultat. Genom att aktivt forma modellens förståelse ökar du chansen att få det du faktiskt behöver: tydliga, relevanta och användbara svar.

//Angelika

Lyssna på poddar 🎧♥️

Du har lite tid kvar på sommar och sol och vad passar inte bättre då än att lyssna på lite poddar. För dig som jobbar inom marknad och kommunikation eller har en egen firma så rekommenderar jag: AI-explored. En podcast med massor av intressanta och praktiska tips! /Angelika

Här är några tips på populära custom-GPT:er som kan hjälpa dig:

I ChatGPT har du ett helt bibliotek av GPT-er som är byggda att hjälpa dig med en specifik sak. Om du inte känner dig bekväm med att bygga din egen eller inte ännu lärt dig hur man gör kan du ändå ha glädje av andras.

Här har du några exempel:
Vill du få ChatGPT eller ett annat verktyg att skriva mer så att det låter som dig? Testa Angelikas GPT där du kan skapa din egen “tone of voice”: Tonläget

Behöver du hjälp att komma igång med träningen igen? Denna GPT hjälper dig med träningsprogram och kosttips. Här får du tränings- och mattips från en professionell coach.

Vet du inte riktigt när det passar bra att använda AI på jobbet? Ställ dina frågor till denna coach: Få hjälp med tips för att komma igång direkt från OpenAI

Vi har startat ett nyhetsbrev för dig som vill utforska hur AI påverkar arbetslivet, utan att tappa det mänskliga perspektivet. Sakta men säkert delar vi med oss av insikter från verkligheten: konkreta exempel, reflektioner och verktyg som vi själva och andra haft nytta av.

📬 Prenumerera här:

AI - Sakta men säkert med Anders och Angelika

Här delar vi tankar, berättelser och verktyg för hur AI förändrar arbetet, ledarskapet och vardagen utan att tappa det mänskliga på vägen.

By Angelika & Anders

Varmt välkommen till oss!