Den viktigaste utvecklingen för språkmodeller handlar just nu inte om modellerna i sig, utan om sammanhangen som de flyttar in i.
“Just det, vi skulle behöva en resultat- och balansrapport till stämman också.”
Inte precis det samtalsämne jag hoppades på när jag slog mig ner vid frukostbordet. Hade det gällt vårt gemensamma aktiebolag hade det varit löst med två klick i bokföringsprogrammet. Nu gäller det en ideell förening där kraven på ekonomisk redovisning inte är lika omfattande, och därför sköts ekonomin i Excel.
Men en balans- och reslutatrapport är ändå värdefull att få ut.
Efter drygt 20 år som egenföretagare vet jag vad rapporterna är och vad de ska innehålla. Jag har däremot aldrig gjort dem. Det har under alla de här åren varit just ett klick på en knapp för respektive rapport.
Den här lördagen var vikt åt annat. Nu såg jag den försvinna ner i ett kalkylblad.
Sekunden senare dyker tanken upp: “Borde inte Claude hjälpa till här?” Inte med att hjälpa mig att reda ut hur jag ska ställa upp rapporterna, utan att faktiskt göra jobbet? Det borde vara en perfekt uppgift: Tidskrävande för mig att göra, men lätt att kontrollera när Claude levererar ett resultat.
Första instinkten är att exportera siffrorna som en csv-fil och skicka upp till Claude. Men sen kommer jag ihåg det Excel-plugin släppte i november. Jag tillbringar väldigt lite tid i Excel och har inte haft något konkret behov att testa det på tidigare.
Det har jag nu.
Att installera Excel-tillägget tar mig mer tid än att ge Claude de nödvändiga instruktionerna. Språkmodellen jobbar på en stund och så dyker det upp ett nytt blad i dokumentet, med snyggt uppställda rapporter. Några minuter senare har Anna och jag verifierat att alla siffror stämmer.
Lördagen återvunnen!
Ramverk och verktyg #
I samtalet om språkmodeller och agenter dyker “harnesses and tools” allt oftare upp i de texter jag läser och poddar jag lyssnar på. Där språkmodellerna i sig står för “intelligensen” i en tillämpning är det genom de ramverk där de används och de verktyg som de får tillgång till som de på riktigt börjar skapa värde i verksamheter. Nathan Lambert, senior research scientist på AI-labbet Allen Institute for AI publicerade i veckan en intressant text om vart utvecklingen av öppna modeller är på väg, och beskrev på vägen hur modell, ramverk (eller kanske “kopplingar” är en bättre översättning) och verktyg hänger ihop i en helhet:
The way to think about AI systems today is as a mix of weights (dvs själva språkmodellen), tools, and harnesses. The weights portion is familiar. The tools are the deeply integrated environments the models act in at deployment time — best typified by search and code sandboxes — and the harness is how these two fit together with a product that the user sees.
Och för några veckor sedan skrev Ethan Mollick:
Harnesses are what let the power of AI models do real work, like a horse harness takes the raw power of the horse and lets it pull a cart or plow. A harness is a system that lets the AI use tools, take actions, and complete multi-step tasks on its own. [...] Until recently, you didn’t have to know this. The model was the product, the app was the website, and the harness was minimal. You typed, it responded, you typed again. Now the same model can behave very differently depending on what harness it’s operating in.
Det går att ta det vi vill jobba med till språkmodellerna. Eller så kan vi, i allt större utsträckning, ta språkmodellerna med oss till den “plats” där arbetsuppgifterna redan utförs. Det Lambert och Mollick skriver om är i praktiken det som händer när Claude genom hamna i Excel. I form av ett plugin får modellen tillgång till en mängd Excel-funktioner, som pivottabeller, diagram, och annat, och kan jobba med dem direkt i programmet.
Just den här lördagen var mitt behov inte mer komplicerat än att Claude löste uppgiften direkt i chattgränssnittet när jag testade även där. Men redan dit var tydligare direkt i Excel, genom att modellen var mer explicit i sina resonemang. Och så slapp jag mitt eget kontexthoppande och jobbande i olika versioner av samma fil.
Första gången när jag upplevde den skillnaden var för ett drygt år sedan när jag började använda AI-funktionerna i Raycast. Raycast ersätter Spotlight i MacOS, lite av en schweizisk armékniv med bland annat bra funktioner för urklippshistorik, hantering av hur programfönster är placerade på skärmen och en hel del annat. Och AI-funktioner.
En av dem gör det möjligt att markera text valfritt program och använda den texten som del av förutbestämda prompter som körs med en tangentbordskombination. Jag använder det bland annat för att ge mig snabb grammatikkontroll när jag skriver på engelska. Istället för att kopiera en mening, växla till en chatt med Claude, kopiera in, skriva en prompt, kopiera resultatet, växla tillbaka till texten jag höll på med och klistra in markerar jag texten, gör mitt tangentbordskommandon, får en förhandsvisning av ett ändringsförslag som jag accepterar med genom att trycka på Enter eller kastar genom att trycka på Esc.
Men skillnaden handlar också om kontext. När jag jobbar i chattgränssnittet har språkmodellen bara tillgång till den information jag aktivt väljer att ge den. När språkmodellen är i “mitt” sammanhang får den tillgång till mycket mer.
Chattarna kommer helt säkert att leva länge än. Det passar bra för många typer av uppgifter.
Men vi kommer också att se språkmodellerna dyka upp på tusen och en andra ställen.
Mer inbyggt ger större påverkan på arbetsmarknaden #
Och i takt med att de gör det kommer konsekvenserna för arbetsmarknaden gissningsvis bli allt större. När skillnaderna mellan språkmodellernas förmågor och det faktiska avtrycket de än så länge gör i samhällsekonomin diskuteras tror jag en av förklaringarna finns just i en friktion. Att de bryter tanken att hoppa mellan olika program eller webbplatser för att flytta sig mellan platsen där man gör jobbet och platsen där man kan få stöttning av en språkmodell. Och i takt med att AI-modellerna dyker upp där arbetet redan utförs kommer inte bara friktionen att minska. När AI-funktioner anpassade till arbetsuppgiften finns i verktygen blir behovet en egen nyfikenhet på vad tekniken kan eller inte kan användas till inte längre lika stort.
Tyska AppliedAI, som AI Sweden samarbetar med kring bland annat mognadsmätningar, släppte i veckan en rapport om de viktiga AI-trender de ser just nu. Jag kommer återkomma till rapporten, men en sak är värd att lyfta i det här sammanhanget. De flyttar fokus från AI adoption till AI adaptation:
The question is no longer if you adopt – it’s whether you can rethink how work gets done. In 2026, adaptation speed is the new competitive moat.
I den här anpassningen blir det, både på organisatorisk och personlig nivå, viktigt att aktivt fundera på vad AI-lösningarna kan, hur teknikens arbetsinsats ska verifieras, och inte minst hur värdeskapande ska fördelas. Organisationer som inte bygger upp förmågan att verifiera språkmodellens arbete riskerar att automatisera sig in i felaktiga resultat de inte upptäcker. Det här kopplar till det jag skrev förra helgen, om deterministiska respektive probabilistiska arbetsuppgifter och att hålla kolla på vad som är vad.
Uppgifter som mina två rapporter är ett exempel på uppenbar tillämpning: Tidskrävande att göra, lätt att verifiera.
Men sen har vi alla de sammanhang där det inte finns lika entydiga svar och där mänskligt omdöme fortfarande är avgörande – eller till och med det man framöver kan bygga en affär på?
När produktionen blir billig är arkitektens verkliga styrkor inte en mjuk kompetens. Det är affärskritiskt. Vänner, vänta inte på att ställa om.