AI-masterclasspodden vecka 27: när AI börjar göra jobbet

Den här veckans AI-masterclass låter som en enkel trend, men den är värd att ta på allvar: fler verktyg försöker gå från svar till utförande. Inte bara “skriv ett förslag”, utan planera, hämta underlag, följa flera steg, granska resultat och lämna över där en människa behöver bestämma.

Det betyder inte att AI plötsligt kan släppas fri i hela verksamheten. Det betyder snarare att bra AI-arbete nu handlar mer om arbetsflöden, styrning och uppföljning än om att hitta ännu en chattbot.

I veckans engelska poddavsnitt går NotebookLM igenom Hammer Automations veckovisa AI-providerresearch för vecka 27, 2026. Avsnittet täcker Claude/Anthropic, OpenAI, Google Gemini, Grok/xAI, Perplexity, Mistral och Manus där researchunderlag fanns.

Veckans röda tråd: AI som arbetslager

Flera av veckans signaler pekar åt samma håll. Leverantörerna beskriver modeller och plattformar som ska fungera mer som ett arbetslager ovanpå dokument, kod, loggar, research och interna system.

För en organisation utan stort utvecklarteam är frågan därför inte “vilken modell är bäst?” Den bättre frågan är:

• Vilken uppgift kan avgränsas tydligt? Exempel: sammanfatta veckans kundärenden, kontrollera en offert mot en policy eller göra första researchpasset inför ett beslut.
• Vilket underlag får AI läsa? Dokument, FAQ, loggar, mallar eller tidigare ärenden måste vara ordnade nog för att AI ska kunna göra nytta.
• Var måste en människa godkänna nästa steg? Ju närmare AI kommer ekonomi, kundlöften, juridik eller drift, desto viktigare blir stoppunkter.
• Hur ser vi vad som hände? Agentiska flöden behöver loggar, kostnadskontroll och spårbarhet. Annars blir de svåra att lita på.

Det är också där veckans uppdateringar blir praktiskt intressanta. De handlar inte bara om starkare modeller, utan om kontrollplan, priser, drift, lokalisering och hur olika “hjärnor” kan väljas för olika uppgifter.

Claude: mer arbetsmotor, men migration kräver kontroll

Veckans Claude-underlag pekar på en tydlig produktidé: modellen ska vara en stabil arbetsmotor för längre uppgifter. Researchen lyfter bland annat större kontextfönster, mer specialiserade arbetsytor och verktyg för att styra hur Claude används i organisationer.

Det praktiska budskapet är enkelt: om ett team vill använda Claude-liknande agentflöden i vardagen bör det börja med ett begränsat område. Låt AI arbeta mot ett tydligt dokumentset och låt människor godkänna varje steg som påverkar kund, ekonomi eller publicering.

En annan viktig punkt är kompatibilitet. När modeller ändrar hur de hanterar parametrar, tokenisering eller “thinking”-inställningar kan gamla wrapper-skript, promptmallar och integrationer börja bete sig annorlunda. Det är inte glamoröst, men det är ofta där verkliga projekt fastnar.

OpenAI: fler nivåer gör budgetfrågan mer konkret

OpenAI-delen i veckans research kretsar kring modellnivåer, kostnad och mer avancerade agentuppgifter. När leverantörer delar upp modeller i snabb, balanserad och tung kapacitet får verksamheter en bättre budgetfråga: vilken nivå behövs för just den här uppgiften?

För Hammer-läsare är det här mer användbart än en allmän modellranking. En enkel intern rutin kan till exempel använda en billigare modell för sortering och utkast, men en starkare modell för riskbedömning, forskningssammanfattning eller komplex felsökning.

Det viktiga är att räkna på hela flödet. Agentiska uppgifter kan göra många steg, läsa mycket text och upprepa försök. En låg tokenkostnad per anrop kan ändå bli dyr om flödet saknar gränser.

Grok och drift: när AI får läsa loggar

En av veckans mer konkreta riktningar är AI som stöd i drift och incidentarbete. När en AI-assistent kan läsa loggar, mätvärden och felmeddelanden blir den inte bara en skrivhjälp. Den kan hjälpa en teknisk person att hitta hypoteser snabbare.

För mindre organisationer är poängen inte att ersätta driftkompetens. Poängen är att skapa ett bättre första filter: vad verkar ha ändrats, vilka fel återkommer och vilken information behöver samlas innan någon felsöker vidare?

Det här kräver försiktighet. Loggar kan innehålla känslig information, och en AI som föreslår åtgärder i produktion får inte ha fri hand. Men som stöd för analys, dokumentation och första triage kan riktningen vara praktisk.

Perplexity och research: välj rätt orkestrering

Perplexity-delen i researchen handlar om hur researchflöden blir mer styrbara. När en tjänst låter användaren välja vilken modell som ska orkestrera flera steg blir valet mer likt att välja arbetsmetod än att välja chattbot.

Det är relevant för team som gör återkommande omvärldsbevakning, offertunderlag, policyjämförelser eller konkurrensresearch. Vissa frågor kräver snabb överblick. Andra kräver långsammare resonemang, källkontroll och mänsklig granskning.

En bra tumregel: använd AI för att samla och strukturera, men låt en människa äga slutsatsen när beslutet påverkar pengar, människor eller ansvar.

Google, Mistral och Manus: bygg inte bara för den största modellen

Veckans bredare providerbild visar också varför det är riskabelt att bygga allt kring en enda leverantör. Modeller förändras, priser justeras, funktioner flyttar och tillgänglighet varierar.

Det mest praktiska nästa steget är därför ofta tråkigt men värdefullt: dokumentera vilka arbetsflöden som använder vilken modell, vilken reservväg som finns och vilken kvalitet som krävs innan resultatet får användas.

För skolor, kontor och mindre verksamheter kan detta göras enkelt:

• Nivå 1: AI får hjälpa till med utkast och sortering.
• Nivå 2: AI får föreslå nästa steg, men en människa godkänner.
• Nivå 3: AI får köra ett avgränsat flöde, men allt loggas och granskas regelbundet.

Det räcker långt innan man behöver stora plattformar.

Vad du kan prova den här veckan

Om du vill omsätta avsnittet i praktiken, börja inte med den mest avancerade agentidén. Börja med ett arbetsflöde som redan är repetitivt och lite irriterande.

Exempel:

• Samla veckans interna frågor och gör en första FAQ.
• Jämför tre leverantörsdokument mot samma kravlista.
• Låt AI skapa en incident- eller ärendesammanfattning från befintliga anteckningar.
• Bygg en enkel kontrollista för när AI-resultat måste granskas av människa.

Det är den typen av arbete där Tankesmide och Verktygssmide brukar ge mest värde: först förstå arbetsflödet, sedan bygga ett litet system som faktiskt passar vardagen.

Om avsnittet

Det här är ett AI-genererat masterclassavsnitt byggt från Hammer Automations veckovisa AI-providerresearch om uppdateringar, funktioner och praktiska konsekvenser. Researchen har bearbetats med NotebookLM och publiceras här som en podd och en kortare kompletterande bloggpost.

Ingen Whisper-transkription användes i det automatiserade flödet. Bloggposten bygger på NotebookLM-syntes och researchunderlaget, inte på en manuell transkription av ljudfilen.

Källa: Hammer Automations AI-genererade masterclassresearch, baserad på veckovis djupresearch om AI-leverantörernas uppdateringar och funktioner, bearbetad med NotebookLM.