Delta – Samtal om AI och förändring

En ny typ av AI-modell har dykt upp som varken chattar eller genererar text. "Jev", klassificerar och väljer mellan fördefinierade alternativ i stället för att skriva fria textsvar. Verktyget kan ge organisationer ett nytt verktyg för automatiserade arbetsflöden.

Vi tar också upp Opus 5.5 och priskriget mellan AI-bolagen, där OpenAI har halverat API-priset för Sol. Och vi diskuterar varför modeller fortfarande kan brista i sunt förnuft när situationen blir komplex.

En central del är metanivån i AI-arbete - hur du stämmer av uppgiften med modellen innan arbetet börjar och varför de beslut du inte specificerar fattas av AI:n utan din vetskap.

Du får konkreta sätt att tänka kring när Jev är rätt verktyg och när en LLM behövs, och du förstår varför kvaliteten på ditt AI-arbete avgörs långt innan du ställer din första fråga.

OpenAI:s nya Astra-modell, har diskuterads frekvent i media - lätt att förstå varför, den kan ta över din dator och utföra uppgifter som att jämföra försäkringar och fylla i formulär - med en precision som vi inte sett tidigare. Men kostnaden är så hög att det kräver att man använder dom dyraste licenserna. Vad händer med din organisation när den typen av AI-kapacitet blir vardaglig och priserna faller?

Vi pratar om skiftet från att följa enskilda AI-chattar till att leda ett AI-management-team som styr autonoma agenter i bakgrunden. Vi diskuterar skills och arbetsflöden som nu körs utan tillsyn, och varför decision fatigue uppstår när agenterna eskalerar svåra frågor i hög takt.

Vi bryter ner HTML-artefakter som ett kraftfullt arbetsverktyg för att förstå komplex information i stunden, och vi lyfter integritetsfrågan kring

Du får konkreta exempel på hur ett agentlager byggs upp steg för steg och varför produktivitetsökningen lätt blir osynlig när man direkt anpassar sig till nästa nivå.

Mycket spännande som händer här sammanfattat och analyserat i ytterligare ett spännande avsnitt! En AI-agent skulle boka ett gympass. Den hackade bokningssystemet och avbokade andras platser för att flytta upp sin ägare i kön. Hur ska vi hantera "reward-hacking"?

EU AI akten inför regler att hålla sig i och vi pratar om EU:s transparenskrav på AI-genererad text och de osynliga vattenstämplar som Claude nu bäddar in, hur ska vi förhålla oss till en text som AI har genererat?

Tokenoptimering-analyserna fortsätter, nu är prisskillnaden mellan frontier-modeller och billiga alternativ är upp till 500 gånger! Jnathan beskriver hur han aktivt hanterar kvoter och tidsfönster för att hålla kostnader under kontroll.

Du får konkreta exempel på vad som händer när AI-agenter saknar rätt constraints, och varför modellval och tokenoptimering snart blir en affärskritisk kompetens.

AI håller har lämnat chatten. Rapporten blir en klickbar dynamisk webbsida. Vad händer nu?

Vi pratar om AI-artefakter i HTML: tillfälliga dashboards, presentationer och arbetsytor med filter, diagram och sök. Det kan göra information mer användbar än en PDF eller PowerPoint, men också svårare att editera.

Vi tar också upp valet mellan ett eget harness och AI-labbens färdiga plattformar. Eget ger större kontroll över data, modellval och drift, men kräver tid och kompetens. Färdiga tjänster är enklare att komma igång med, men kan skapa nya beroenden. Vad ska man välja?

Dessutom pratar vi om datacenter, el, komponentbrist och den växande bottrafiken på webben. För dig som vill använda AI mer flexibelt utan att tappa kontrollen.

En AI-modell bröt sig ur sin sandlåda, tog sig ut på nätet och skaffade sig administratörsbehörighet på Hugging Face. Vad det innebär det för dig som ansvarar för AI i din organisation?

Vi pratar om OpenAI-incidenten och varför flera labb efteråt bekräftade liknande händelser, om Kimi K3 från Moonshot Labs som på allvar utmanar de amerikanska Frontier-labben trots hårdvarurestriktioner och varför modellberoende nu är en konkret affärsrisk.

Vi diskuterar också hur hela infrastrukturstacken, från lokala modeller till lokal svensk hosting, nu finns på plats för den som vill diversifiera bort från en enda leverantör. Dessutom: vad hundratalet vibe-kodade appar lärde oss om vad som faktiskt håller i produktion.

Du får en tydlig bild av varför AI-driven cybersäkerhet kommer bli höstens heta ämne, och konkreta sätt att tänka kring modellberoende och egna benchmarks.

GPT 5.6 är släppt och Fable är tillbaka – men de vassaste AI-modellerna riskerar att bara nå ett fåtal utvalda. Om du leder en organisation eller ett projekt som byggt in AI i sina arbetsflöden: vad gör du den dag mattan kan ryckas undan?

Vi pratar om det växande tvåklassamhället där bara vissa får tillgång till de senaste modellerna, och varför både AI-skeptiker och AI-entusiaster för en gångs skull är eniga i sin kritik. Hur snabbare AI-processorer gör klassiska IQ- och rekryteringstester obsoleta, och varför den nya nyckelkompetensen inte är att lösa uppgiften – utan att orkestrera intelligensen.

En central del är de nya yrken som växer fram: lokala benchmarks, token-optimering och att välja rätt modell för rätt arbetsuppgift. Dessutom nagelfar vi hypen kring "loop engineering" och myten om svärmar på 300 agenter.

Du får konkreta sätt att tänka kring kostnad, leverantörer och hur du kommer igång utan att fastna i fel modell. För dig som leder förändring och vill ligga steget före hypen – oavsett om du kodar dagligen eller leder dem som gör det.

De fasta prenumerationspriserna på AI-verktyg är subventionerade för att se bra ut inför AI-labbens börsnoteringar – men vad händer när pengarna ska tillbaka? Om du leder en organisation eller ett projekt som byggt in AI i sina arbetsflöden är det här en kostnadsfråga du behöver förstå innan den blir akut.

Vi pratar om "loop engineering" – det nya modeordet som egentligen bara är gamla cronjobb med en tänkande AI-modell, och varför det bränner enorma mängder tokens. Vi diskuterar också skakningarna i modellandskapet: Cursor som köpts upp och bygger en egen modell, Google som tappar nyckelpersoner, och uppstickare som GLM, Fusion och Sakana. En central del är den nya kompetensen som växer fram – att välja rätt AI-modell för rätt steg och få maximalt värde ur så billiga tokens som möjligt. Dessutom lyfter vi Satya Nadellas begrepp "human capital" och "token capital".

Du får en konkret bild av varför token-ekonomin är på väg att vändas upp och ner, och hur du kan prioritera när kostnaden för AI blir 10–30 gånger högre.

Lyssna in!

För första gången någonsin plockades en språkmodell ner, Fable 5 - den publika versionen av Anthropics Mythos - släpptes, hann imponera på oss i några dagar och plockades sedan ner efter att US Commerce Department bedömt den som för farlig att exportera.

Vi pratar om hur Fable 5 faktiskt presterade- ett tydligt kliv upp för tunga uppgifter som kodgranskning och stora kodbaser, men knappt märkbart för vanliga kontorsjobb i PowerPoint och Excel. Vi diskuterar priset (50 USD per miljon output-tokens), OpenRouters nya Fusion-flöde som väver ihop flera modeller till likvärdig prestanda, och de märkliga vändningarna kring exportstoppet: att icke-amerikanska medborgare fick använda modellen vilket förde med sig att inga fick använda den, nya övervakningsvillkor med 30 dagars datalagring, jailbreaks och tyst nedgradering av prompter.

Du får konkreta sätt att tänka kring beroenderisk när en modell plötsligt kan ryckas undan - alternativa modeller och open source som försäkring och varför du aldrig bör bygga en produkt på en enda modell. Ett avsnitt för dig som vill förstå hur geopolitik nu formar vilken AI du faktiskt får tillgång till.

Det är inte modellen – det är lagret runt den. Värdet i AI uppstår i allt högre grad i harness engineering: instruktionerna, reglerna, skills och arbetsflöden som omger själva modellen. Det här avsnittet visar hur du bygger det lagret.

Vi reder ut skillnaden mellan skills och AI-agenter, varför du borde bygga ditt eget benchmark innan nästa modell släpps, och hur kodverktyg som Codex och Claude Code är på väg att bli plattformar för allt arbete vid datorn – inte bara kod. Vi pratar om hur den som leder team och projekt kan tänka kring AI som en del av det dagliga arbetssättet snarare än ett enskilt verktyg.

Du får konkreta sätt att använda AI som mentor – så att du blir vassare, inte latare. För dig som vill förstå var det verkliga värdet i AI flyttar härnäst.

AI-dystopin var kanske överdriven – både Anthropic och OpenAI tonar ner bilden av en nära förestående arbetsmarknadskollaps. Men medan det narrativet skiftar händer något annat, tyst och snabbt, bland dem som redan jobbar tätt med AI.

Vi pratar om skiftet från att använda AI som en chatbot till att låta AI-agenter faktiskt göra saker åt dig – och varför just den skillnaden avgör hur stora klyftor som växer fram på arbetsplatser och i projekt. Vi diskuterar hur du kommunicerar med en agent som om den vore en nyrekryterad teammedlem i världsklass, vad skills och custom GPTs egentligen är (i grunden ett recept), och hur du börjar bygga återanvändbara arbetsflöden i stället för att fastna i enkel prompting. Dessutom: AutoResearch-metoden och vad en optimeringscykel kostar i praktiken.

Du får också höra om experimentet där AI-tunga användare fick all AI borttagen i en vecka – och plötsligt accepterade sämre kvalitet på sin output. Oavsett om du precis börjat prompta eller redan orkestrerar agenter sätter avsnittet fingret på var vi faktiskt står.