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.

Kapplöpningen om AI-pengarna är i full gång – OpenAI, Anthropic och X förbereder börsnoteringar. Men vad händer med modellkvaliteten när siffrorna snyggas till inför en IPO, och vad betyder det för dig som leder en organisation genom ständig förändring?

Vi pratar om kapacitetsnedskärningarna som både Anthropic och OpenAI gjort efter lansering – och varför den instabiliteten är ohållbar i verksamhetskritiska system. Vi diskuterar Andrej Karpathys flytt till Anthropic och vad den signalerar om branschens riktning, och vi bryter ner vad det faktiskt innebär att matematik och programmering i princip är "löst" – och vilka beslut det borde tvinga ledare att tänka igenom redan nu. Dessutom: hur du delar AI-arbetet smart mellan billiga open source-modeller och kraftfullare modeller.

Du får också en fråga som snart blir konkret: vem äger kunskapen du tankar ner i agenter på jobbet – du eller din arbetsgivare? Avsnittet för dig som vill förstå de stora skiftena innan de blir vardag.