AI behöver veta vilken dag det är

En schemalagd AI-rapport kan köra prick 07:00 och ändå missa det viktigaste: vilken dag den tror att det är. Det låter som en liten detalj. I praktiken avgör det om rapporten jämför rätt vecka, stoppar gamla nyheter eller hittar på en ny vinkel bara för att något måste levereras.

Det här dök upp konkret i Mistral Vibe v2.11.0, där Mistral lade till att dagens datum injiceras i systemprompten. Bra. Men datumet är bara första raden. För återkommande AI-jobb behöver hela uppdraget veta sitt tidsfönster.

Källa: Mistral Vibe v2.11.0 versionsanteckningar

Datumet är inte pynt, det är arbetsordern

En datum-medveten AI-automation är ett schemalagt flöde där modellen får veta fem saker innan den börjar läsa, sammanfatta eller agera:

• Vilket datum och klockslag körningen gäller.
• Vilken dataperiod den ska granska.
• När källorna senast fick vara uppdaterade.
• Vad som redan har rapporterats tidigare.
• Vad som räknas som en ny händelse, inte bara en ny formulering.

Det är extra viktigt i rapporter, sortering av inkorgen, kunduppföljning, dokumentbevakning och veckoplanering. Om AI:n inte får tidsramen tydligt kan den blanda gårdagens material med dagens, behandla en gammal ändringslogg som färsk eller missa att "inget nytt" faktiskt är ett korrekt resultat.

Där schemalagda AI-jobb ofta går snett

De flesta missar inte för att modellen är dum. De missar för att instruktionen är för lös.

Ett måndagsjobb säger kanske "sammanfatta veckans AI-nyheter". Men vilken vecka? Kalendervecka, senaste sju dagarna eller sedan förra körningen? Ska en leverantörs startsida räcka som källa, eller krävs en daterad ändringslogg? Ska sociala återpubliceringar räknas som nyheter?

Det här blir snabbt operativt, inte akademiskt. En återkommande rapport som alltid måste hitta något kommer till slut att förvandla brus till innehåll. Ett flöde för inkorgen utan datagräns kan återöppna gamla ärenden. Ett planeringsflöde kan prioritera en uppgift som redan är avklarad, bara för att den fortfarande syns i underlaget.

OpenAI är ett bra exempel på motsatsen i en daglig bevakning: om de officiella ytorna inte visar ett nytt relevant släpp, ska resultatet kunna vara "inget nytt att rapportera". Det är inte ett misslyckande. Det är kvalitetskontroll.

Källa: OpenAI News index

Lägg en liten briefing högst upp

För återkommande AI-flöden räcker det ofta med en kort blocktext före själva uppdraget. Den behöver inte vara elegant. Den behöver vara tydlig.

Exempel:

Kördatum: 2026-05-26, lokal tid Europe/Stockholm.
Dataperiod: granska förändringar sedan föregående körning 2026-05-25 08:00.
Källstopp: använd bara källor som kan verifieras med direkt URL och datum.
Dubblettregel: rapportera inte sådant som redan täcktes i förra rapporten.
Nyhetsregel: om inget uppfyller kriterierna, skriv "inget nytt" och stoppa.

Det sista är värt att skriva ut. Många AI-flöden blir sämre av att alltid tvingas producera text. Ibland är den mest användbara automationen den som vågar låta bli.

En enkel checklista innan du schemalägger

Innan ett AI-jobb får gå automatiskt, gå igenom detta:

• Kan en människa se exakt vilken period jobbet skulle täcka?
• Finns det en plats där föregående resultat sparas, så AI:n kan undvika dubbletter?
• Är källkraven tydliga nog för att stoppa svaga länkar, startsidor och återpubliceringar?
• Finns det en regel för när jobbet ska publicera, skicka, parkera eller vara tyst?
• Går det att se senare vilka källor och tidsgränser som användes?

Om svaret är nej på två av punkterna är flödet inte redo att schemaläggas. Det kan fortfarande köras manuellt. Men det ska inte få agera som om det har koll på tiden.

Var Hammer brukar börja

När vi bygger eller städar återkommande AI-flöden brukar första versionen vara en datum-medveten körinstruktion: kördatum, dataperiod, källstopp, dubblettregel, publiceringsregel och en liten logg. Inte för att göra processen byråkratisk, utan för att slippa gissa senare varför AI:n skrev som den gjorde.

Det passar särskilt bra för veckorapporter, leverantörsbevakning, CRM-uppföljning, skol- eller kontorsrutiner och alla arbetsflöden där gammal information kan se ny ut om ingen sätter gränsen.

Om ett sådant flöde redan finns hos er kan nästa steg vara enkelt: lägg till körinstruktionen, kör två veckor parallellt med mänsklig granskning och jämför hur ofta AI:n fångar rätt nyhet, stoppar dubbletter och vågar säga "inget nytt". Det är ofta där automationen börjar bli användbar på riktigt.