Nybörjare

Lär känna grundbegreppen, se vad AI kan bidra med och förstå när ett svar behöver granskas.

Du behöver inga AI-förkunskaper. Välj ett kapitel eller börja från början.

När något blir ”smart”

Du kanske har använt ett verktyg som hjälper dig skriva en text. Kanske har du mött ett bokningssystem som skickar påminnelser, en tjänst som föreslår musik eller en app som försöker känna igen något på ett foto. En del sådana funktioner använder AI. Andra följer vanliga, förutbestämda regler. Och ibland går det inte att avgöra hur de fungerar bara genom att använda dem.

Skillnaden spelar roll. Den hjälper oss förstå vad ett verktyg kan bidra med, vilka uppgifter det behöver och vad vi själva måste kontrollera. Den som hjälper en gäst på ett hotell, planerar en bussresa, undervisar en klass eller bedömer en tillverkad detalj kan ha helt olika arbetsuppgifter. Men en fråga återkommer: vad bygger resultatet på?

Du behöver inte bli tekniker för att börja ställa den frågan. I det här kapitlet undersöker vi vad AI innebär, hur det skiljer sig från enkel regelstyrning och varför ett användbart förslag inte är samma sak som ett välgrundat beslut.

Det här ska du kunna efteråt

Kapitlets mål är att du ska kunna skilja AI från vanlig programlogik och mänskligt omdöme. Du får hjälp att se vilken metod som faktiskt beskrivs, motivera din bedömning och säga ”det vet vi inte ännu” när information saknas.

Du kan läsa kapitlet i din egen takt. Inget konto eller AI-verktyg behövs.

AI är mer än ett verktyg som skriver

AI står för artificiell intelligens. Det är ett samlingsnamn för olika tekniker. OECD beskriver ett AI-system som ett maskinbaserat system som utifrån information härleder hur det ska skapa resultat, exempelvis förutsägelser, innehåll, rekommendationer eller beslut. Hur självständigt systemen arbetar och om de anpassas efter införandet varierar.

Det kan låta abstrakt. Tänk därför på tre frågor: vad kommer in i systemet, hur bearbetas det och vad kommer ut? En bild kan komma in och en föreslagen kategori komma ut. En text kan komma in och ett nytt textutkast komma ut. Vilken funktion du har framför dig beror på hur systemet är byggt, inte bara på att resultatet ser imponerande ut.

Informationen som lämnas till en uppgift kallas indata. Resultatet kallas utdata. Data kan vara text, bilder, siffror eller annan information. En modell är en del av systemet som används för att ta fram resultatet. Modellen är inte hela tjänsten: även användargränssnitt, informationskällor och arbetsrutiner kan ingå.

Ett vanligt sätt att utveckla AI är maskininlärning. Då används exempeldata för att utveckla en modell som kan användas på nya uppgifter. AI omfattar också kunskapsbaserade metoder som använder beskrivna regler och samband. Därför är AI inte enbart maskininlärning, och alla AI-system lär inte om sig när någon använder dem.

Vi behöver inte gå igenom tekniken bakom alla modeller nu. Det viktiga är att du inte likställer AI med en viss app, en pratande figur eller ett löfte om att allt ska bli enklare. När du möter en AI-funktion behöver du fråga vilken uppgift den faktiskt utför.

Automatiskt betyder inte automatiskt AI

Föreställ dig att du bokar en tid hos en frisör. Bokningssystemet har en bestämd regel: skicka ett sms ett dygn före besöket. Regeln anger när meddelandet ska skickas och texten är färdigskriven. Om funktionen bara använder den regeln behöver den ingen AI-modell för att utföra uppgiften.

Det är automation: ett steg sker automatiskt. Automation kan bygga på vanlig programlogik eller innehålla AI. Att ingen person behöver trycka på ”skicka” för varje påminnelse berättar alltså inte vilken teknik som används.

Jämför med en funktion som uttryckligen använder en språkmodell för att skriva ett nytt svar på en kunds fråga. Där ingår en AI-metod för att skapa innehåll. Det färdiga arbetsflödet kan ändå innehålla vanliga regler, till exempel vem som får godkänna svaret innan det skickas.

En enkel beräkning är ett annat exempel. En verkstad räknar materialkostnad genom att multiplicera antal med styckpris och lägga ihop raderna. Om funktionen bara följer den angivna beräkningen är det vanlig programlogik. Resultatet kan fortfarande bli fel om priserna eller antalen är fel. ”Inte AI” betyder alltså inte ”behöver aldrig kontrolleras”.

Samtidigt ska vi inte dra slutsatsen att alla system som innehåller regler saknar AI. Kunskapsbaserad AI kan också använda regler och samband. Exemplen här handlar om enkla, uttryckligen beskrivna funktioner. Ett verkligt system kan kombinera flera metoder och kräva en mer utförlig beskrivning.

När beskrivningen inte räcker

Orden smart, intelligent och självlärande dyker upp i många presentationer. De hjälper dig inte alltid förstå vad som händer bakom resultatet.

Om en app beskrivs som ”smart bevattning” kan den exempelvis följa ett fast tidsschema, jämföra ett mätvärde med en gräns eller använda någon annan metod. Utan information om hur just den appen fungerar kan du inte välja mellan dessa möjligheter.

Ett bra nästa steg är att fråga: vilka uppgifter använder funktionen, och hur kommer den fram till sitt resultat? Följer den en uttrycklig enkel regel, använder den en AI-modell eller kombinerar den metoder? Du behöver inte kunna besvara varje teknisk fråga själv. Att identifiera vad du behöver få veta är en viktig del av förståelsen.

Ett förslag är inte ett beslut

Ett verktyg kan bidra med ett utkast eller en markering. Någon behöver fortfarande förstå vad resultatet betyder i den aktuella situationen och vem som har rätt att använda det till en åtgärd.

NIST:s ramverk betonar tydliga roller och ansvar när människor och AI samverkar. I följande exempel ger verktyget stöd medan en person tar ställning utifrån tillgängliga uppgifter. Det är exempel på ett avgränsat arbetssätt, inte en regel om att alla AI-system alltid måste användas på exakt samma sätt.

Mänskligt omdöme handlar här om att tolka situationen, väga in relevant information och fatta beslut inom sin roll. Människor kan också göra fel. Därför räcker det inte att säga att ”någon tittar på svaret”. Personen behöver veta vad som ska kontrolleras och ha rätt underlag.

Exempel: gästen som vill checka in tidigt

Fiktivt exempel från besöksnäringen. En hotellgäst skriver: ”Vi kommer klockan 11. Kan vi få tillgång till rummet då?” Du har följande uppgifter:

• Ordinarie incheckning börjar klockan 15.

• Tidig incheckning kan erbjudas om ett rum är klart.

• Ingen har ännu bekräftat att ett rum blir klart före klockan 15 den dagen.

Du vill svara vänligt och tydligt. En språkmodell kan hjälpa dig formulera ett utkast. För att se vad vi behöver granska använder vi här ett konstruerat textförslag:

”Välkomna! Ert rum står klart klockan 11, så ni kan checka in direkt när ni kommer.”

Det låter hjälpsamt. Men en viktig uppgift har lagts till: att rummet faktiskt står klart. Det finns ingen sådan bekräftelse i underlaget. Svaret lovar därför mer än du vet.

NIST beskriver att generativ AI kan ge felaktigt innehåll med en säker formulering, ofta kallat hallucination eller konfabulering. Det här är ett konstruerat exempel, inte resultatet av ett genomfört produkttest. Det visar vad du behöver kontrollera, inte hur ofta en viss tjänst gör fel.

Ett underlagsenligt svar kan i stället vara:

”Välkomna! Ordinarie incheckning börjar klockan 15. Om ett rum blir klart tidigare kan vi erbjuda tidig incheckning, men vi kan inte bekräfta det ännu.”

Här har vi behållit den vänliga tonen och tagit bort det obestyrkta löftet. AI-delen kan hjälpa till med formuleringen. Beskedet om rummet måste däremot vila på rätt uppgifter och hotellets arbetssätt.

Samma princip fungerar när en kund frågar en butik om en vara finns, när en deltagare frågar om en kursplats eller när en beställare undrar när ett byggarbete blir klart. Ett välformulerat svar skapar inte den saknade uppgiften.

Exempel: läraren som vill anpassa en text

Fiktivt exempel från utbildning. En lärare har skrivit en kort faktatext och vill göra språket lättare för en elevgrupp utan att ändra innehållet. En språkmodell tar fram ett förslag.

I den medföljande originaltexten står: ”I vårt exempel behöver växten ljus och vatten. Hur mycket beror på vilken växt det är.” Det förenklade förslaget säger: ”Alla växter ska få lika mycket vatten varje dag.”

Förslaget har inte bara ändrat språket. Det har tagit bort en viktig skillnad och ersatt den med ett annat påstående. Läraren behöver därför jämföra betydelsen, inte enbart kontrollera att orden blivit kortare.

Ett bättre förslag utifrån just detta underlag är: ”Växten i exemplet behöver ljus och vatten. Olika växter kan behöva olika mycket.” Här är poängen texttrohet; exemplet är inte en odlingsinstruktion.

Vi ser två olika uppgifter: verktyget föreslår en formulering, och läraren bedömer om formuleringen passar eleverna och bevarar det som ska förklaras. Motsvarande kontroll behövs när en förening förenklar information till medlemmar eller när en medarbetare skriver om en instruktion. Enklare språk får inte betyda ändrad innebörd.

Exempel: när en bild ska bedömas

Fiktivt exempel från hantverk och tillverkning. En verksamhet använder en modell tränad på märkta bilder för att föreslå vilka ytor som behöver granskas för möjliga skador. Modellen markerar en ljus strimma på en ny bild. Fotografen har samtidigt ändrat belysningen.

Vi vet att en AI-metod ingår, eftersom den tränade modellen uttryckligen anges. Men markeringen ensam berättar inte om strimman är en skada eller en effekt av ljuset. Den ansvariga personen behöver undersöka fallet med rätt underlag innan resultatet används till ett beslut.

Uppgiften är inte att alltid tro på verktyget eller alltid avfärda det. Uppgiften är att förstå vad resultatet stödjer och vad som återstår att kontrollera. Exemplet visar inget mandat att styra utrustning eller godkänna en leverans.

Även i andra miljöer kan ett system markera något för vidare granskning. En markering och ett slutligt ställningstagande är olika steg. Hur bra funktionen fungerar behöver bedömas med relevant underlag, inte med ett enda lyckat eller misslyckat exempel.

Ta med dig detta

AI, vanlig programlogik och mänskligt omdöme kan finnas i samma arbetsflöde. För att skilja dem åt behöver du titta på hur resultatet tas fram, inte bara på om något sker automatiskt eller beskrivs som smart.

En tydlig regel kan räcka för en påminnelse eller en beräkning. En uttryckligen beskriven modell kan hjälpa till med text eller bedömning. Om metoden inte anges kan du behöva fråga vidare. Och oavsett metod behöver resultatet passa situationen där det ska användas.

Nästa gång du möter en ny funktion, pröva tre frågor: Vad hjälper den mig med? Hur tar den fram resultatet? Vad behöver kontrolleras innan resultatet används? Du kan börja i din egen vardag eller arbetsuppgift. Principen är densamma även när situationerna skiljer sig åt.

Du möter funktionen, inte alltid tekniken

En vardag kan innehålla fler digitala hjälpmedel än vi tänker på. Du får ett meddelande om en bokning, söker efter en bussförbindelse, väljer musik och skriver kanske ett svar med hjälp av en texttjänst. Det som syns är resultatet. Metoden bakom syns inte alltid.

I kapitel 001 skilde vi mellan en beskriven AI-metod och en enkel, förutbestämd regel. Nu använder vi den skillnaden för att förstå vardagliga funktioner. Poängen är inte att märka varje app med ja eller nej. Det är att kunna säga vad du faktiskt vet om funktionen, vad den hjälper dig med och vad som behöver undersökas vidare.

Tre situationer under en dag

Fiktiva exempel: på morgonen får en föreningsledare ett färdigskrivet sms från ett system som bara följer regeln att påminna ett dygn före en bokning. Det är vanlig automation. Meddelandet kan vara praktiskt utan att använda AI.

Senare hjälper en uttryckligen beskriven språkmodell ledaren att formulera information till medlemmar. Här används AI för att skapa text. Det betyder inte att modellen känner till föreningens aktuella beslut. Ledaren behöver lämna rätt underlag och granska formuleringen innan den används.

På kvällen visar en tjänst ett ”smart” förslag till resa. Beskrivningen berättar inget om metoden. Det kan inte klassificeras säkert utifrån ordet smart. Vilka uppgifter tjänsten använder och hur den räknar fram förslaget behöver framgå om vi ska bedöma tekniken. Vi kan fortfarande kontrollera avgångstid och pris mot de relevanta uppgifterna.

De tre funktionerna ger olika sorters hjälp, trots att alla sker på en skärm. I en butik kan motsvarande skillnad finnas mellan en enkel lagermarkering och ett modellbaserat förslag. I jordbruk kan det finnas mellan ett fast bevattningsschema och en bedömning som använder en modell. De är tänkbara användningssituationer, inte påståenden om hur en namngiven produkt fungerar.

Vad förändras när vi förstår skillnaden?

Om vi vet att funktionen jämför datum kan vi undersöka datumen och regeln. Om den skapar ett textförslag behöver vi granska vad texten påstår. Om metoden är okänd behöver vi skilja vår bedömning av resultatet från vår osäkerhet om tekniken.

Det är också hjälpsamt att se vilken roll funktionen har. Den kanske sorterar något, föreslår något eller utför en handling. Ett förslag som du kan granska har andra konsekvenser än en handling som redan genomförts. Vilka konsekvenser som är acceptabla beror på situationen och verksamhetens ansvar, inte enbart på att funktionen använder AI.

Ta med dig detta

Att känna igen AI i vardagen börjar med att läsa funktionens beskrivning, inte med att gissa utifrån utseendet. Du kan identifiera användningen och den tänkbara nyttan även när metoden är oklar. Säg då vad du kan avgöra och vilken information som saknas. Det är en mer användbar förståelse än att kalla allt automatiskt för AI.

En idé med flera vägar framåt

AI är inte något som började när en app lärde sig skriva. Forskare har länge undersökt hur datorer kan hantera språk, resonemang och mönster. För att förstå utvecklingen behöver vi skilja mellan en forskningsidé, en visad teknisk möjlighet och en praktiskt användbar tjänst. De uppstår inte nödvändigtvis samtidigt.

Tre nedslag ger en grund för den här skillnaden. De är inte en fullständig historia och innebär inte att andra arbetssätt försvann.

1955: ett samlat forskningsprogram

I ett förslag från 1955 beskrev John McCarthy, Marvin Minsky, Nathaniel Rochester och Claude Shannon ett sommarprojekt för 1956 vid Dartmouth. De ville undersöka bland annat språk, problemlösning och lärande i maskiner. Förslaget använde benämningen artificial intelligence och uttryckte ambitiösa hypoteser om vad som skulle gå att beskriva och simulera.

Dokumentet visar att centrala frågor fanns formulerade tidigt. Det är inte ett bevis för att problemen redan var lösta. Den skillnaden är fortfarande värdefull: en idé om framtida förmåga är något annat än en demonstration under bestämda förutsättningar.

2012: ett tydligt resultat inom bildklassificering

Krizhevsky, Sutskever och Hinton publicerade 2012 ett arbete där ett stort neuralt nätverk klassificerade bilder i ImageNet. Arbetet visade förbättrade resultat i den rapporterade jämförelsen och använde bland annat grafikprocessorer, GPU:er, för beräkningar.

Ett neuralt nätverk är en modelltyp med många sammankopplade beräkningsdelar. Vi går igenom lärandeprincipen senare. Här är det viktiga att resultatet gällde en bestämd bilduppgift och ett bestämt underlag. Det sade inte att modellen förstod alla bilder eller kunde lösa varje problem en människa möter.

2017: ett nytt sätt att behandla sekvenser

I Attention Is All You Need presenterade Vaswani och medförfattare transformerarkitekturen. I studien användes den för bland annat maskinöversättning. Arkitektur betyder här hur modellens beräkningsdelar är organiserade. Arbetet visade ett nytt angreppssätt som kunde bearbeta sekvenser med hjälp av uppmärksamhetsmekanismer.

Detta arbete handlade inte om att en dator fått mänskligt omdöme. Det bidrog med en teknisk metod för bestämda uppgifter. Dagens tjänster kan innehålla flera lager av teknik och rutiner utöver en sådan modell.

Vad historien hjälper oss att se

Tänk på en fiktiv verksamhet som vill digitalisera bokningar. Den behöver kanske fortfarande en enkel datumregel, även om nya modeller kan skapa text. Teknikutveckling innebär fler möjligheter, inte att varje äldre metod blir olämplig.

De tre nedslagen visar olika sorters förändring: ett organiserat forskningsprogram, ett dokumenterat steg i bildklassificering och en ny modellarkitektur för sekvensuppgifter. Resultat måste förstås i sitt sammanhang. Nästa gång någon beskriver en ny teknik som att den ”kan allt” hjälper historien oss att leta efter vad som faktiskt har visats.

Det som matas in påverkar det som kommer ut

En digital tjänst arbetar med information, men informationen är inte automatiskt en korrekt beskrivning av verkligheten. En tid kan vara gammal, en enhet fel och en kategori inkonsekvent. Datakvalitet handlar därför om mer än att en lista är lång eller ser välordnad ut.

För en AI-modell kan brister i underlaget påverka resultatet. Samma problem kan också finnas i vanlig programvara. Mer data tar inte bort ett fel som upprepas i många rader.

En liten lista med stora skillnader

1. 30 minuter
2. Okänt värde
3. Motstridigt värde

Fiktivt exempel från en uthyrningsverksamhet. Tre anteckningar ska ligga till grund för en sammanställning av bokningstider:

Bokning A: 30 minuter, måndag.

Bokning B: tomt tidsfält, måndag.

Bokning C: 300 minuter, anteckning ”halvtimme”, tisdag.

För A är tiden begripligt angiven. För B vet vi inte hur lång bokningen var. Det tomma fältet betyder inte automatiskt noll minuter. För C motsäger siffervärdet anteckningen. Det kan vara ett inmatningsfel, men vilket värde som ska gälla behöver kontrolleras mot källan.

Om vi utan eftertanke ersätter B med noll och använder 300 för C får vi en sammanställning som ser exakt ut men bygger på oklara uppgifter. En AI-genererad förklaring till sammanställningen gör inte dessa antaganden mer sanna.

Vad beskriver uppgifterna egentligen?

Datakvalitet omfattar också hur informationen samlades in. En enkät till kunder som väljer att svara visar svaren från just dessa kunder. Den är inte utan vidare en fullständig bild av alla kunder. En logg över rapporterade fel visar rapporterade fel, inte säkert alla fel som inträffat.

En fiktiv teater kan få många synpunkter från personer som köper biljetter på nätet men få från besökare som ringer. Om materialet används för att planera service behöver den skillnaden vara synlig. Underlaget kan vara användbart, men dess täckning måste förstås.

Google beskriver datakvalitetsproblem som felaktiga enheter, saknade värden och brister i insamlingsförhållanden. Den praktiska lärdomen är att undersöka källa, betydelse och insamlingssätt före en säker slutsats.

Rätta utan att dölja osäkerheten

I bokningsexemplet är en rimlig arbetsgång att behålla ursprungsuppgifterna, markera B som okänd och kontrollera C. Om en korrigering görs ska det framgå vad som ändrats och varför. Att låta AI hitta på en rimlig tid för B vore att blanda observation med antagande.

När ett värde måste uppskattas ska uppskattningen framgå som sådan. Det är något annat än att återställa ett borttappat originalvärde.

Ta med dig detta

Bra underlag har tydlig betydelse, relevanta uppgifter och kända begränsningar. Börja med vad raderna faktiskt säger. Ett saknat värde, ett motstridigt värde och ett ofullständigt urval är olika problem och behöver olika hantering. En snygg analys kan aldrig ersätta den kontrollen.

Från detaljerade regler till exempel

I kapitel 001 såg vi att en funktion kan följa en enkel regel. Maskininlärning använder ett annat angreppssätt: exempeldata används för att utveckla en modell som kan tillämpas på nya uppgifter. Det betyder inte att människor lämnar hela arbetet åt modellen. Någon behöver välja uppgift, data och sätt att bedöma resultatet.

Modellen arbetar med beräkningsbara egenskaper och samband. Den får inte mänsklig förståelse bara för att resultatet liknar en bedömning en människa skulle göra.

Två sätt att sortera

Fiktivt exempel från ett bibliotek. En enkel regel säger att textbeskrivningar som innehåller det exakta ordet resa ska läggas i en viss kategori. Funktionen är tydlig: samma ordregel används varje gång. Men en text om ”en vandring genom fjällen” behöver inte innehålla det ordet. En text om ”en resa genom matematiken” kan innehålla det utan att handla om en fysisk resa.

Ett annat system använder i stället en modell som har utvecklats med märkta exempeltexter. Märkt betyder att exemplen har försetts med uppgifter om vilken kategori de tillhör. Modellen kan använda mönster i beskrivningarna för att föreslå kategori för en ny text. Den behöver inte följa just den enda ordregel som vi skrev för hand.

Det gör metoderna olika, men ingen av dem är automatiskt rätt för bibliotekets behov. För modellens del behöver vi granska vilka kategorier och exempel den bygger på och hur den fungerar på nya beskrivningar. För regelns del behöver vi förstå vilka fall den missar.

Att fungera på nya fall

En modell ska normalt vara användbar utanför just de exempel den byggts med. Den förmågan kallas generalisering. Om den fungerar bra på träningsmaterialet men dåligt på nya fall kan den ha anpassats för mycket till träningsmaterialet. Det kallas överanpassning.

I vårt exempel skulle en modell kunna lära sig detaljer i gamla bokbeskrivningar utan att hantera nya typer av texter lika väl. Därför räcker det inte att visa att den känner igen sina tidigare exempel. Bedömningen behöver omfatta relevanta nya fall och de kategorier verksamheten faktiskt använder.

Detta är en grundförklaring av lärande från märkta exempel. Andra former av maskininlärning kan användas för andra uppgifter. Du behöver ännu inte kunna välja eller bygga någon sådan modell.

Vad detta betyder i praktiken

En hantverkare som granskar foton, en butik som sorterar ärenden och en förening som organiserar texter kan möta samma grundskillnad. En metod är uttryckligen beskriven som en regel; en annan utvecklas från exempel. Målet och underlaget avgör vad som är lämpligt.

Ta med dig att en inlärd modell är ett sätt att bearbeta information. Den är inte en erfaren kollega och har inte automatiskt kunskap om verksamhetens alla mål. När förutsättningarna förändras kan tidigare resultat behöva omprövas.

Två olika delar av arbetet

Att utveckla en modell och att använda den är inte samma händelse. Träning är arbetet där en modell anpassas med hjälp av data. Användning innebär här att lämna information till en befintlig modell och få ett resultat. När en modell används för att ta fram ett resultat kallas det ofta inferens.

Ett nytt meddelande kan påverka vad som kommer ut i den aktuella dialogen utan att modellens grundläggande parametrar ändras. Parametrar är beräkningsvärden som påverkar modellens beteende. Vi behöver inte räkna på dem för att förstå skillnaden mellan de två stegen.

Ett exempel med textsortering

1. Exempeldata
2. Träning
3. Modellversion

1. Ny fråga
2. Befintlig modell
3. Resultat

Fiktivt exempel: en kulturförening vill sortera frågor i kategorier som biljetter, tillgänglighet och program. Vid träningen används tidigare exempel med angivna kategorier för att utveckla modellen. Resultaten behöver sedan bedömas på annat relevant material.

Vid användningen lämnas en ny fråga: ”Finns det plats för rullstol på lördag?” Modellen föreslår kategorin tillgänglighet. Det är ett resultat från den aktuella uppgiften, inte bevis på att en ny modell nu har tränats.

De två flödena kan beskrivas så här:

Träning: exempeldata → anpassning av modell → modellversion som bedöms.

Användning: ny fråga + befintlig modell → föreslagen kategori → verksamhetens hantering.

Samma fråga kan behöva få ett faktiskt besked från rätt person. Kategoriseringen besvarar inte automatiskt frågan om lokalens förutsättningar.

Vad händer med det du skriver?

Att en vanlig dialog inte automatiskt är modellträning betyder inte att det du skriver aldrig sparas eller senare används. En tjänst kan ha olika rutiner för lagring, förbättring och åtkomst. Några system kan också anpassas under drift. Vad som gäller behöver framgå av tjänstens aktuella inställningar, villkor och verksamhetens beslut.

Det är därför två olika frågor: ändras modellen under just denna användning, och hur hanteras informationen av tjänsten? Ett nej på den första frågan besvarar inte den andra.

I ett eget arbetsflöde ska du inte behöva gissa att alla tjänster fungerar likadant. Om informationen är känslig och hanteringen inte är klarlagd är det bättre att använda fiktivt material eller en metod som verksamheten tillåter.

Ta med dig detta

Skilj modellens utveckling från den aktuella uppgiften. Ett verktyg som tar hänsyn till tidigare meddelanden kan ge mer sammanhängande svar utan att det i sig visar att modellen tränas om. Och ett förändrat svar är inte samma sak som dokumenterad förbättring av en ny modellversion. Skillnaden hjälper oss ställa rätt frågor om både kvalitet och information.

Varför texten kan kännas så övertygande

En språkmodell kan fortsätta en text, formulera ett svar eller hjälpa till att ändra ton. Det är lätt att uppleva den som en samtalspartner, eftersom vi möter resultatet i mänskligt språk. Men ett språkligt sammanhängande svar är inte i sig ett bevis på att uppgifterna är kontrollerade.

En språkmodell arbetar med text som representeras i mindre delar, ofta kallade token. En token kan vara ett ord eller en del av ett ord. Modellen använder samband i informationen för att beräkna och skapa en fortsättning. Det är en förenklad förklaring, inte en fullständig beskrivning av hela tjänsten med dess eventuella sökverktyg och dokumentåtkomst.

Ett besked som innehåller flera slags uppgifter

Fiktivt exempel från en förening. Ett konstruerat textförslag säger: ”Vår utflykt börjar vid stationen klockan 09.30. Bussbiljetten kostar 40 euro. Ingen anmälan behövs.” Underlaget säger däremot bara att samlingen är vid stationen och att anmälan krävs senast fredag. Något pris eller klockslag har inte angetts.

Svaret innehåller både stöd och fel. Platsen har stöd. Uppgifterna om tid och pris saknar stöd. Meningen om anmälan motsäger underlaget. Att hela stycket är lättläst gör inte dessa skillnader mindre viktiga.

En fungerande kontroll delar därför upp texten i sakpåståenden. Samlingsplatsen jämförs med föreningens information, priset med rätt biljettkälla och anmälningsvillkoret med det beslutade upplägget. Man behöver inte välja mellan att tro på allt eller avfärda allt.

Textproduktion och faktakontroll

Ett verktyg kan innehålla sökning eller tillgång till dokument. Då behöver vi fortfarande veta om det använda underlaget stöder svaret. En visad länk kan hjälpa oss hitta källan, men länkens existens är inte detsamma som att varje påstående i svaret har kontrollerats.

Det är också viktigt att skilja uppgifter från formulering. Om du ber modellen göra en text vänligare kan den hjälpa med språk, men du behöver jämföra betydelsen. Pilotens hotellexempel visade hur ett obestyrkt löfte kan smyga sig in i ett annars användbart svar.

En språkmodell kan ge flera olika formuleringar för samma uppgift. Variation är inte alltid ett problem: två utkast kan säga samma sak på olika sätt. När datum, villkor eller andra kontrollerbara uppgifter förändras mellan svaren behöver de däremot jämföras med underlaget.

Ta med dig detta

Låt språkmodellen bidra med språk, men koppla kontrollen till uppgiftens verkliga behov. Ett textutkast behöver bedömas som text och som bärare av sakuppgifter. Flytande språk gör det inte automatiskt till en tillförlitlig källa.

Skapa, hitta och sortera är olika uppgifter

Generativ AI skapar innehåll, till exempel text eller bild. Det är något annat än att leta fram ett befintligt dokument eller sortera information i en kategori. En tjänst kan kombinera flera av dessa funktioner, men de bör inte blandas ihop i vår förståelse av resultatet.

Om du vill ha en ny formulering kan generering vara relevant. Om du vill veta vad som står i ett beslutat avtal behöver du rätt avtal. Om du vill ordna ärenden efter ämne handlar uppgiften om kategorisering. Det är behovet som kommer först.

Fyra behov i en liten verksamhet

Fiktivt exempel från en dansskola. Den första uppgiften är att formulera en välkomsttext till nya deltagare. Ett genererat utkast kan vara användbart om det bygger på rätt kursinformation och inte lovar villkor som saknas.

Den andra uppgiften är att hitta den beslutade avbokningsregeln. Då behövs sökning eller dokumenthämtning. Att skapa ett sannolikt formulerat villkor vore att producera något annat än det beslutade underlaget.

Den tredje uppgiften är att föreslå ämneskategorier för inkommande frågor. Där kan en beskriven klassificeringsfunktion ge stöd. En kategori är dock inte ett svar på frågan.

Den fjärde uppgiften är att skapa en ny illustration som visar hur deltagarna hittar entrén. Det är innehållsproduktion. Den nya bilden behöver jämföras med den verkliga platsen så att den inte visar en påhittad väg eller fel entré.

Varför gränserna spelar roll

Ett genererat svar kan vara bra som utkast utan att vara en källa. Det kan beskriva en möjlighet som ännu inte beslutats. Om denna skillnad inte syns riskerar vi att behandla ett förslag som gällande information.

I dansskolans exempel kan ett arbetsflöde först hämta kursuppgifter och sedan formulera välkomsttexten. De två stegen ska fortfarande vara begripliga: vilket material hämtades och vad ändrades i formuleringen? Ett fint slutresultat visar inte ensam om båda stegen blev rätt.

Liknande behov finns i handel, en verkstad eller en offentlig servicefunktion. Ett produktnamn kan inte besvara om just din uppgift kräver en ny text, en källa eller en sortering.

Ta med dig detta

Generering tillför nytt innehåll. Sökning hjälper dig hitta något som redan finns. Klassificering föreslår hur något kan ordnas. När du skiljer dem åt blir det lättare att välja metod och granska resultatet. Alla uppgifter behöver inte AI, och alla AI-uppgifter handlar inte om att skapa text.

Olika sätt att förmedla samma sak

Ett budskap kan skrivas, visas eller höras. AI-baserade verktyg kan skapa eller bearbeta flera former av innehåll, men medierna har olika styrkor och begränsningar. Att ett resultat ser verkligt ut betyder inte att det dokumenterar en verklig händelse.

NIST:s arbete om syntetiskt innehåll tar upp text, bild, ljud och video samt behovet att förstå innehållets ursprung. Här använder vi den grundskillnaden för att välja hur en förklaring ska presenteras.

En instruktion med två olika uppgifter

Fiktivt exempel från en hantverkskurs. Deltagarna behöver veta vad de ska ta med och var en viss arbetsyta finns. En kort text kan ange materiallista och viktiga villkor. En enkel bild kan visa var arbetsytan ligger i förhållande till entrén.

De två medierna bidrar med olika information. Texten gör detaljerna möjliga att läsa igen. Bilden kan hjälpa orienteringen, men den får inte visa något som inte stämmer med lokalen. Om viktiga villkor bara är inbakade i en bild kan de bli svåra att uppfatta, särskilt på en liten skärm eller med hjälpmedel.

Ett ljudklipp kan komplettera för den som föredrar att lyssna. Då behöver det vara tydligt och motsvara rätt version av instruktionen. En skriftlig motsvarighet behövs för den som inte kan eller vill lyssna. Video kan visa ett förlopp, men en välgjord video är inte automatiskt lämplig för alla situationer.

När trovärdig form blir missvisande

Ett genererat foto av en arbetsyta är inte dokumentation av just vår kurslokal. En syntetisk röst är inte bevis på att en viss person har sagt något. En film som ser realistisk ut kan ha skapats eller ändrats.

Den här skillnaden betyder inte att genererat material saknar värde. En illustration kan förklara något utan att låtsas vara ett foto. Men det behöver framgå vad materialet är och vad det används till. För rättighets- och samtyckesfrågor behövs också relevant bedömning; vi går vidare med innehållets ursprung i kapitel 016.

I Daynamic Learning används små originalillustrationer där de hjälper förståelsen. De ska inte ersätta en nödvändig förklaring eller bli dekorativa hinder i läsningen.

Ta med dig detta

Välj medium efter vilken information som ska förmedlas. En text, bild och ljudfil kan stödja samma mål på olika sätt, men inget medium befriar oss från kontroll av innehåll, ursprung och tillgänglighet. Mer imponerande form är inte samma sak som större sanningsvärde.

Börja med den del av arbetet som behöver hjälp

AI behöver inte ta över ett helt yrke för att vara användbar. En avgränsad uppgift kan vara att göra ett första utkast, sortera ett underlag eller föreslå olika sätt att beskriva något. Det är lättare att bedöma värdet när både uppgift och förväntat resultat är tydliga.

Vi använder ett fiktivt exempel från en cykelverkstad. En medarbetare vill få bättre ordning på informationen kring en kurskväll för kunder. Verksamheten har redan bestämt tid, plats och vad som ingår. Ingen modell ska få hitta på dessa uppgifter.

Tre möjliga stödinsatser

Den första är en begriplig inbjudan utifrån det beslutade underlaget. AI kan föreslå formuleringar, men medarbetaren jämför innehållet med uppgifterna innan texten används. Resultatet är ett utkast, inte ett nytt verksamhetsbeslut.

Den andra är ett förslag till struktur för en materiallista. Medarbetaren behöver kontrollera vilka saker som faktiskt ska användas och att ingenting viktigt har utelämnats. Verktyget känner inte till verkstadens lager bara för att texten handlar om en verkstad.

Den tredje är en enklare sammanfattning av redan skrivna, allmänna deltagarinstruktioner. Kontrollpunkten är att betydelsen bevaras. Inga verkliga kunduppgifter eller säkerhetskritiska arbetsmoment behöver matas in för att pröva den här uppgiften.

Alla tre insatser har ett avgränsat resultat och en ansvarig person. De stödjer arbetet men ersätter inte yrkeskunskap eller verksamhetens rutiner.

Vad vi jämför med

En förbättring måste jämföras med det tidigare arbetssättet. Om utkastet tar kort tid att skapa men mycket tid att rätta kan vinsten vara liten. Om en vanlig mall redan fungerar kan den vara fullt tillräcklig.

En förening, en butik eller en lärare kan använda motsvarande uppdelning. Beskriv först vilken del som tar tid eller behöver bli tydligare. Välj sedan metod och kontroll utifrån den delen. Det är inte nödvändigt att införa fler verktyg bara för att ett redan finns.

Ta med dig detta

Ett bra stöd har en tydlig uppgift, rätt underlag och en synlig kontrollpunkt. Den som använder resultatet behöver förstå vad verktyget har bidragit med och vad personen själv fortfarande ansvarar för. Att kalla arbetet AI-stött får inte göra ansvarsfördelningen mer oklar.

Det som saknas syns inte alltid i svaret

Ett verktyg kan ge ett utförligt svar även när du inte har lämnat tillräckligt med information. Därför behöver vi skilja mellan vad som finns i underlaget, vad som måste kontrolleras och vad som helt saknas.

Vilken information ett system har tillgång till beror på hur tjänsten är utformad och vilka verktyg eller källor som anslutits. Vi ska inte anta att alla modeller saknar aktuell information, men vi ska heller inte anta att en tjänst automatiskt känner till lokala beslut, privata uppgifter eller den senaste versionen av ett dokument.

En planering med luckor

Fiktivt exempel från en förening. Någon skriver: ”Planera vår sommarutflykt.” Modellen kan föreslå ett upplägg, men föreningen har ännu inte angett deltagarnas åldrar, budget, startplats, transport eller vad gruppen behöver för att kunna delta.

Dessa uppgifter är saknade förutsättningar. Det är något annat än att ett föreslaget öppettidsbesked behöver verifieras hos utflyktsmålet. Ett datum som ingen har bestämt kan inte hittas genom vanlig faktakontroll. En aktuell öppettid kan däremot kontrolleras i relevant källa.

En bättre beskrivning kan därför börja med de beslutade ramarna och uttryckligen markera vad som fortfarande är öppet. Om budgeten inte är bestämd kan svaret ange alternativ med tydliga antaganden i stället för att låtsas känna till budgeten.

Fyra sätt information kan vara otillräcklig

Den kan saknas: vi har inte lämnat startplatsen. Den kan vara gammal: en lokalbeskrivning kan avse förra årets arrangemang. Den kan vara motstridig: två dokument anger olika tider. Den kan vara otillgänglig: verktyget har inte behörighet att läsa det beslutade underlaget.

Det räcker alltså inte alltid att skriva en längre instruktion. Om grunduppgiften är okänd behöver någon fatta beslut eller hämta underlaget. Om två versioner motsäger varandra behöver det klargöras vilken som gäller.

I praktiskt arbete blir denna skillnad särskilt viktig. En modell som hjälper till med en kundtext känner inte till ett nytt löfte som bara uttalats i ett samtal. En plan för en undervisningstimme känner inte automatiskt till gruppens förutsättningar. Underlagets gränser behöver bli tydliga.

Ta med dig detta

Fråga inte bara om svaret är välformulerat. Undersök vilken information uppgiften behöver och om den faktiskt finns. Skilj ett saknat beslut från en uppgift som kan verifieras. När en lucka redovisas öppet blir det lättare att använda stödet utan att bygga vidare på en påhittad förutsättning.

När ett svar låter säkrare än det är

Generativ AI kan skapa felaktigt innehåll som uttrycks med stor säkerhet. Det kallas ofta hallucination eller konfabulering. Begreppet beskriver ett resultatproblem, inte att modellen medvetet försöker ljuga eller har en människas upplevelser.

Ett fel kan vara en uppfunnen detalj, ett påstående som inte stöds av underlaget eller en källa som inte går att hitta. Det behöver inte göra hela texten oanvändbar, men det kräver en annan kontroll än att bara läsa efter språkliga fel.

Två påståenden som ser färdiga ut

Fiktivt exempel från ett litet museum. Ett konstruerat svar säger: ”Museet har kvällsöppet varje torsdag. Enligt rapporten Besökaren i centrum 2026 ökar kvällsöppet alltid besöken med 25 procent.” Museets medföljande underlag innehåller endast ordinarie dagöppettider. Ingen sådan rapport finns i underlaget och påståendet har inte verifierats.

Här finns två separata kontrollbehov. Kvällsöppettiden behöver jämföras med museets gällande information eller ett behörigt beslut. Rapportuppgiften behöver spåras till en verklig publikation med rätt författare och innehåll. Att titeln låter passande gör den inte till en kontrollerad källa.

Om rapporten inte hittas har vi inte bevisat att den aldrig funnits. Vi har däremot inte tillräckligt stöd för att använda den som belägg. Även om en liknande rapport finns behöver vi kontrollera om den faktiskt stöder att ökningen alltid är 25 procent. Titel, procentsats och slutsats är olika delar av påståendet.

En ny formulering löser inte automatiskt felet

Att be samma verktyg försäkra att svaret stämmer kan ge en ny säker formulering utan bättre evidens. Det kan vara nyttigt att be om källuppgifter, men kontrollen behöver sedan föras till rätt underlag.

I museets exempel kan vi ta bort de obestyrkta beskeden och skriva vad som faktiskt är känt. Om kvällsöppet övervägs kan det anges som ett förslag, inte som en befintlig öppettid. Om ett besöksmål ska beslutas behöver det skiljas från en uppmätt effekt.

Samma mönster finns i ett servicebesked, en kursinformation eller ett dokument om materialegenskaper. En rimlig detalj kan ändå vara fel för just den situationen.

Ta med dig detta

Kontrollera särskilt uppgifter som styr vad någon ska göra eller tro: tider, priser, namn, villkor och källhänvisningar. Skilj på ett välskrivet utkast och en belagd uppgift. När något inte går att verifiera ska det synas som osäkert eller utelämnas, inte döljas med ett ännu mer övertygande språk.

Från hänvisning till faktiskt stöd

En källhänvisning hjälper oss bara om den går att använda. Det räcker inte att en text innehåller ett namn eller en länk. Vi behöver kunna hitta rätt material, förstå vad det säger och avgöra om det stöder just påståendet.

En primärkälla är här material nära den ursprungliga uppgiften: ett beslut från den organisation som fattat det, en originalstudie eller en myndighets egen vägledning. En sammanfattning kan vara användbar, men den kan också utelämna villkor eller återge en äldre version.

Tre påståenden, tre kontrollvägar

Fiktiva exempel: ett evenemang påstås börja klockan 18, en viss produkt påstås tåla en bestämd belastning och en rapport påstås visa en förbättring.

Evenemangstiden kontrolleras i arrangörens aktuella program eller bekräftelse. Ett gammalt affischfoto kan ge en annan tid därför att det hör till förra året. Datum och version spelar därför roll.

Produktegenskapen kontrolleras i relevant dokumentation för exakt rätt produkt och användningsvillkor. Att en liknande produkt har egenskapen räcker inte. I en säkerhetskritisk situation behöver behörig yrkesbedömning och gällande rutiner också beaktas.

Rapportens slutsats kontrolleras i själva rapporten. Vilken grupp, uppgift och tidsperiod undersöktes? Om förbättringen bara gällde en begränsad situation får den inte utan stöd beskrivas som generell.

Detta är ingen särskild provmetod. Det är tre olika sorters frågor som behöver olika underlag.

Att flera säger samma sak

Två webbtexter kan vara två återgivningar av samma ursprungliga påstående. Om båda bygger på ett pressmeddelande har vi inte automatiskt fått två oberoende undersökningar. Spåra därför kedjan bakåt när oberoende stöd är viktigt.

En källa kan också vara verklig utan att passa. En rapport om en annan bransch eller ett annat land kan inte utan vidare stödja vår lokala slutsats. Det betyder inte att rapporten är dålig; det betyder att dess relevans behöver förklaras.

En enkel anteckning kan hjälpa: påståendet, den kontrollerade källan, rätt version och vad källan faktiskt stödjer. Den gör det lättare att se vad som fortfarande saknas. I Daynamic Learning bevaras sådan spårning i projektunderlaget, medan den gemensamma källistan finns efter nivån.

Ta med dig detta

Källkritik handlar om kopplingen mellan påstående och stöd. Börja med vad du behöver veta och välj en relevant källa. Kontrollera sedan innebörd, sammanhang och aktualitet. En länk är början på kontrollen, inte dess slut.

När en del av bilden får bli hela bilden

Bias kan beskrivas som en snedvridning. Den kan uppstå genom vilka uppgifter som samlas in, hur något kategoriseras, vilka antaganden som används och hur resultatet tolkas. NIST behandlar bias som något som behöver bedömas i mer än bara algoritmen: också mänskliga och organisatoriska förutsättningar spelar roll.

Ett svar är inte bias bara för att vi ogillar det. För att bedöma snedvridning behöver vi undersöka vad som får oproportionerlig betydelse och vad som saknas i förhållande till uppgiften.

Två beskrivningar av samma servicebehov

Fiktivt exempel från ett bibliotek. Den första sammanställningen säger: ”Besökarna vill ha mer digital självservice.” Underlaget består av svar från personer som använder bibliotekets app.

Den andra säger: ”De som svarat i appen efterfrågar digital självservice. Underlaget saknar svar från personer som bara använder telefon eller besöker biblioteket utan app.”

Den första formuleringen gör hela gruppen besökare till avsändare för ett begränsat urval. Den andra synliggör urvalet och vad vi inte vet. Skillnaden är inte bara ton. Den påverkar vilka slutsatser vi kan dra om servicebehovet.

Om en AI-modell arbetar med det första underlaget kan dess förslag också bygga vidare på samma begränsning. Att svaret blir längre eller mer välformulerat löser inte urvalsfrågan.

När kategorier påverkar resultatet

En verksamhet kan samla felrapporter men bara ha detaljerade kategorier för problem som kontoret brukar se. Praktiska problem ute i arbetet hamnar kanske i en stor kategori som heter övrigt. Då kan en sammanställning ge intryck av att kontorsproblemen är mer betydelsefulla, fast kategoriseringen ger dem större synlighet.

Detta är ett konstruerat exempel, inte en uppmätt effekt i en verklig organisation. Det visar varför vi behöver läsa både värdena och hur uppgifterna definierats.

Att hantera snedvridning kan därför börja med bättre frågor till underlaget: vilka situationer är representerade, vilka saknas och vilka kategorier hjälper oss förstå det avsedda problemet? Nytt material behöver samlas in på ett lämpligt sätt och resultatet bedömas på nytt. Vi kan inte garantera rättvisa enbart genom att lägga till ordet neutral i en instruktion.

Ta med dig detta

Se efter urval, formulering och utelämnade perspektiv. Ett begränsat underlag kan fortfarande vara användbart om begränsningen är tydlig. Problemet uppstår när en del av verkligheten presenteras som en säker bild av helheten.

Vad behöver verkligen lämnas till verktyget?

En textuppgift kan vara enkel medan underlaget innehåller information som inte bör lämnas vidare. Det kan vara uppgifter om människor, affärshemligheter eller interna beslut. Innan material används i en AI-tjänst behöver vi förstå både vad uppgiften kräver och hur informationen får hanteras.

När personuppgifter behandlas med AI ska GDPR bedömas och följas där förordningen är tillämplig. Den här grundutbildningen avgör inte en enskild verksamhets rättsliga grund eller tillåtna leverantör. Sådana beslut kräver relevant bedömning och verksamhetens rutiner.

Namnet är inte hela identiteten

Anonymisering och pseudonymisering är olika begrepp. Att ersätta ett namn med en kod är inte automatiskt anonymisering; uppgifter som går att koppla tillbaka till en person kan fortfarande vara personuppgifter.

Fiktivt exempel från en serviceverksamhet: ”Kund 7, den enda läraren på ortens lilla skola, fick hjälp den 3 maj med sitt privata ärende.” Namnet saknas, men kombinationen av arbetsplats, datum och situation kan göra personen möjlig att känna igen. Att bara ta bort namnet har inte klarlagt identitetsrisken.

Om uppgiften bara är att förbättra tonen i ett allmänt svar behövs kanske inget verkligt ärende alls. En helt konstruerad text kan ge samma språkliga träningsmöjlighet. Det är skillnad på ett exempel som är påhittat från början och en verklig text där några detaljer har strukits.

Även andra uppgifter kan behöva skydd

En ritning, en ännu opublicerad prislista eller en intern plan kan vara olämplig att lämna till en extern tjänst även när inga personuppgifter finns. Informationshanteringen behöver följa rätt beslut och behörigheter. Att något går att klistra in betyder inte att det får delas.

I vår fiktiva serviceuppgift kan ett tryggt övningsunderlag därför innehålla ett påhittat kundnamn, ett allmänt scenario och inga interna villkor. Om det riktiga arbetet kräver privata uppgifter behöver det utföras med tillåtna verktyg och rätt hantering, inte lösas genom att denna kurs ger ett allmänt klartecken.

Kontrollera vilka uppgifter som behövs, vem som får ha dem och vad tjänstens aktuella villkor säger. Om svaren saknas ska osäkerheten hanteras innan verklig information skickas, inte efteråt.

Ta med dig detta

Minimera informationen efter uppgiften. För många språk- och strukturövningar räcker fiktiva data. När verkliga uppgifter behövs är borttaget namn inte en garanti för anonymitet eller tillåten behandling. Personuppgifter och andra hemligheter ska bedömas var för sig och med rätt ansvar.

Att kunna se något är inte att få använda det

En bild på nätet kan vara enkel att hämta, men åtkomsten berättar inte vilka rättigheter du har. EU:s vägledning beskriver skydd för originalverk; rättigheter, licenser och relevant nationell rätt behöver bedömas. Skydd kan uppstå utan att skaparen registrerar verket.

För vår användning är den första frågan därför praktisk: vad är materialets ursprung och på vilken grund får det användas? Att skriva fotografens namn ersätter inte automatiskt tillstånd eller licensvillkor.

Ett litet informationsprojekt

Fiktivt exempel från en förening. Den vill göra en sida om en aktivitet och har fyra möjliga material:

En egen text som föreningen skrivit för ändamålet.

En bild med dokumenterade villkor som tillåter den avsedda användningen.

En bild hittad i en sökning, utan klarlagd rättighet.

En illustration som ska produceras från början.

Den egna textens ursprung kan dokumenteras. Den licensierade bilden behöver användas enligt sina villkor. Den obekräftade bilden ska inte behandlas som tillåten bara för att den passar. Den kan behöva ersättas eller rättigheten klarläggas.

Den nya illustrationen har ett annat ursprung, men det behövs fortfarande dokumentation av hur den skapades och vilka villkor som gäller. Materialregistret skiljer därför eget, dokumenterat tillåtet och ännu oklart material åt.

När AI används vid skapandet

När AI bidrar behöver mänskligt skapande, tillämplig nationell rätt och tjänstevillkor bedömas. Generering ensam ger varken ett generellt upphovsrättsbesked eller fri användning. Ett konkret resultat kan kräva sakkunnigbedömning; kursen ger inget individuellt rättsligt beslut.

Detta betyder att ”AI-genererad” inte ensamt besvarar alla rättighetsfrågor. Det är varken en automatisk upphovsrättsgaranti eller ett allmänt tillstånd att efterlikna och använda vad som helst. Regler och avtal behöver också förstås i rätt sammanhang och jurisdiktion.

Daynamic Learning använder egenproducerade originalillustrationer och tar inte illustrationsmaterial från internet. Originalproduktion, instruktion och filversion bevaras. Den produktionsregeln ersätter inte rättslig bedömning av ett annat projekt.

Ta med dig detta

Känn till ursprunget innan material används. Dokumentera tillstånd och villkor när de behövs, och markera sådant som är oklart. Om rättigheten inte kan klarläggas är ett ersättningsmaterial bättre än att presentera osäkerheten som ett godkännande. Källangivelse och rätt att använda ett verk är två olika frågor.

Ansvar behöver gå att hitta

Att ett verktyg har hjälpt till att ta fram ett resultat gör inte ansvarsfördelningen färdig. Någon behöver veta vem som bedömer resultatet, vem som beslutar om användningen och vem som hanterar ett fel. NIST:s ramverk lyfter betydelsen av tydliga mänskliga roller när AI används.

Kontrollen ska anpassas till uppgiften. Ett förslag på en mötesrubrik och ett besked som påverkar någons rättigheter har olika konsekvenser. Det är inte meningsfullt att kräva samma sorts granskning av allt, men det är viktigt att rätt kontroll verkligen finns där den behövs.

Ett besked genom flera händer

1. Utkast
2. Kontroll mot källa
3. Ansvarigs beslut

Fiktivt exempel från en kommunal fritidsverksamhet. En medarbetare vill skriva information om ett nytt öppethållande. Verksamhetsansvarig har ett beslutat schema. En språkmodell används för ett utkast och en annan person publicerar informationen.

Utkastet måste jämföras med det beslutade schemat. Den som kontrollerar sakuppgifterna behöver veta vilken version som gäller. Den som publicerar behöver veta att rätt innehåll har godkänts och att publiceringen ligger inom personens uppdrag.

Om tiden i utskicket är fel räcker det inte att säga att ”AI skrev den”. Verksamheten behöver kunna hitta källan, kontrollpunkten och hur felet rättas. Verktygets bidrag är en del av flödet, inte en ny mänsklig ansvarsfunktion.

En kontroll som betyder något

En person kan läsa hela texten utan att upptäcka felet om den inte har tillgång till schemat. Kontroll handlar därför inte enbart om att någon ser svaret. Den behöver ha ett tydligt syfte och ett relevant underlag.

I vårt exempel kan medarbetaren kontrollera språk och överensstämmelse med schemat, verksamhetsansvarig bekräfta oklara beslut och publiceraren följa en godkänd version. Det är ett föreslaget ansvar i ett fiktivt fall, inte en juridisk bedömning av en verklig organisation.

Andra situationer behöver andra roller. I en verkstad kan kontroll av ett arbetsmoment kräva yrkeskompetens. I en förening kan en utsedd ansvarig bekräfta deltagarvillkor. En modell ska inte antas ha befogenhet bara för att den producerar ett säkert formulerat svar.

När ansvar och handlingsutrymme hänger ihop

Om den ansvariga personen inte kan stoppa ett osäkert utskick blir kontrollen svag. Rutinen behöver ange vad som händer när underlaget saknas, två uppgifter motsäger varandra eller resultatet avviker från uppdraget.

Att människor också gör fel är ett skäl för tydligare underlag och rutiner, inte för att låtsas att ansvar inte behövs. Väl vald hjälp kan göra arbetet lättare att granska, exempelvis genom att samla uppgifterna som ska jämföras.

Ta med dig detta

En användbar ansvarsfördelning pekar på verkliga roller, rätt underlag och möjlighet att ingripa. AI kan ge stöd, men ordet AI får inte bli en plats där beslut och ansvar försvinner. Kontrollera vad varje steg ska bevisa och vem som har mandat för det.

Behovet före namnet

Det första verktygsvalet behöver inte vara ett köp eller en lista över de senaste produkterna. Börja med vad du vill åstadkomma, vilket material du har och vilka krav resultatet behöver uppfylla. Ibland är ett vanligt dokument, en mall eller en tydlig regel ett bättre första steg.

Vi använder ett fiktivt exempel från en kulturförening. Den vill göra informationen om en aktivitet lättare att läsa. Uppgiften är språklig bearbetning av redan beslutade uppgifter, inte att låta ett verktyg besluta tid, plats eller pris.

En behovslista som går att använda

Föreningen behöver stöd för mottagarens språk, möjlighet att lämna ett kort allmänt underlag och ett resultat som går att jämföra med originalet. Den behöver också veta hur materialet hanteras, vilka inställningar som finns och om användningen passar verksamhetens rutiner.

Ingen verklig medlemslista behöver ingå i denna uppgift. Ett betalt konto behöver inte vara nödvändigt för att lära sig principen. I utbildningen kan samma mål tränas genom ett medföljande original och ett konstruerat bearbetningsförslag som jämförs. Det är den statiska kostnadsfria vägen, inte ett påstående att alla tjänster alltid är gratis.

Ett verktyg som saknar någon viktig förutsättning kan vara olämpligt även om det har många funktioner. Om det inte går att förstå hur underlaget hanteras behöver den frågan lösas före verklig användning.

Pröva rätt sak när verklig användning blir aktuell

Välj en liten uppgift med fiktivt eller godkänt material. Bedöm om verktyget ger ett användbart resultat som kan kontrolleras. För språkbearbetningen behöver betydelsen bevaras, inte bara texten bli kortare. Beskriv vad som räknas som rätt resultat innan du tittar på ett lockande exempel.

Tjänsters funktioner, priser och villkor kan förändras. Den här kursen låser därför inte ett produktnamn som universellt bästa val. Information om en viss tjänst måste hämtas från aktuella relevanta källor när valet görs.

Ett lokalt arbetssätt kan ge annan kontroll över information än en extern tjänst, men lokal drift innebär också underhåll och ansvar. Vi behöver inte bygga eller installera något för att förstå den avvägningen här.

Ta med dig detta

Välj efter uppgiften, datahanteringen och möjligheten att kontrollera resultatet. Ett tydligt behovsunderlag hjälper mer än ett populärt produktnamn. Det ska alltid finnas en väg att förstå utbildningens principer utan att betala, lämna privata uppgifter eller införa en ny tjänst.

Hjälp verktyget att förstå uppgiften

En instruktion till en AI-tjänst kallas ofta en prompt. Den kan ange vad som ska göras, vilket underlag som ska användas och hur resultatet ska presenteras. Den behöver inte vara lång för att vara bra. Det viktiga är att den ger rätt information och inte lämnar centrala krav outtalade.

En tydlig instruktion förbättrar möjligheten att få ett relevant utkast, men den bevisar inte att svaret är korrekt. Kontrollen av resultatet finns kvar.

Från en vag uppmaning till ett konkret uppdrag

Fiktivt exempel från en idrottsförening. Den vaga instruktionen är: ”Skriv något bra om vår träning.” Det är oklart vem texten är till för, vad den ska säga och vilka uppgifter som är beslutade.

Föreningens allmänna underlag säger att en prova-på-träning hålls på lördag klockan 10–11 i hall A. Deltagarna tar med inneskor. Föranmälan krävs och det finns ingen beslutad deltagaravgift i underlaget.

En tydligare instruktion kan lyda:

”Skriv en kort informationstext på mottagarens språk till vuxna som vill prova träningen. Använd bara följande uppgifter: lördag 10–11, hall A, inneskor och krav på föranmälan. Lägg inte till pris eller andra villkor. Om en viktig uppgift saknas, ange den som en fråga att reda ut efter utkastet. Använd högst två korta stycken och en vänlig, tydlig ton.”

Det är ett konstruerat instruktionsexempel, ingen aktivitet som måste genomföras för att läsa vidare. Det kan förstås utan konto eller faktiskt AI-anrop.

Varför ändringarna hjälper

Uppgiften har nu en mottagare och ett konkret resultat. Underlaget är avgränsat. Begränsningen om pris hindrar inte alla tänkbara fel, men den gör det tydligt vad som inte får hittas på. Formkravet handlar om hur informationen ska presenteras, inte om att ändra sakuppgifterna.

Efter ett svar behöver någon fortfarande jämföra tid, plats, utrustning och anmälningskrav med underlaget. Om verktyget ändå skriver en avgift är den uppgiften inte godkänd av instruktionen.

Mer text skulle inte automatiskt hjälpa. Tio olika mål, motsägande stilönskemål och irrelevant bakgrund kan göra uppgiften mindre tydlig. En bra instruktion skiljer nödvändigt underlag från sådant som inte behövs.

Samma princip fungerar för ett utkast i en butik, en kursinformation eller en sammanfattning av ett allmänt dokument. Kontext och önskat resultat behöver passa just uppgiften.

Ta med dig detta

Beskriv vad som ska göras, med vilket underlag och hur resultatet ska se ut. Markera saknade uppgifter i stället för att bjuda in till gissning. Instruktionen är en del av arbetet; jämförelsen mellan resultat och underlag är nästa del.

En hel situation i stället för ännu en ny funktion

Vi avslutar nivåns undervisning genom att samla principerna i ett sammanhängande fall. Du har sett skillnaden mellan AI och automation, vad data betyder för resultatet och varför språk, källor och mänskligt ansvar behöver hållas isär.

Det här kapitlet visar ett genomarbetat resonemang. Det är inte ett extra prov eller uppgiftspaket. Efter kapitlet finns ett separat frivilligt nivåavslut, och därefter den gemensamma källistan.

Fallet: en förenings öppen dag

Fiktivt exempel. En förening planerar en öppen dag med aktiviteter för allmänheten. Tiden är beslutad till söndag 13–16, platsen är föreningslokalen och deltagande är gratis. Hur många som kan komma samtidigt är ännu inte klarlagt. Föreningen har en intern medlemslista och några bilder från förra året, men rättigheterna till återanvändning av bilderna är inte dokumenterade.

Det önskade AI-stödet är ett begripligt utkast till information, inte ett beslut om besöksantal eller nya villkor. Underlaget som lämnas kan därför vara de allmänna evenemangsuppgifterna. Medlemslistan behövs inte för denna uppgift.

Metod och möjlig nytta

En språkmodell kan uttryckligen användas för att föreslå text. En enkel datumregel kan senare påminna om att informationen behöver granskas före utskick. Det är olika delar av flödet. Att påminnelsen är automatiserad gör inte dess enkla regel till en AI-modell.

Nyttan kan vara att få ett första språkförslag och en begriplig struktur. Den kan inte bedömas genom att utkastet blir färdigt snabbt; tid för granskning och korrigering behöver också räknas med.

Det som måste förbli öppet

Ett konstruerat utkast säger: ”Alla är välkomna, och vi har plats för hur många som helst.” Den sista delen saknar stöd. Att deltagandet är gratis innebär inte att lokalens kapacitet är obegränsad. Uppgiften behöver klarläggas av rätt ansvarig och beskedet får inte uppfinnas av verktyget.

En underlagsenlig text kan säga att dagen hålls söndag 13–16 i föreningslokalen och är gratis. Om besöksantalet påverkar inbjudan behöver det klarläggas före publiceringen. Bilderna från förra året används inte som tillåtna förrän deras användningsgrund är dokumenterad. En egenproducerad illustration kan vara ett alternativ, med bevarat ursprung och relevanta villkor.

Ansvar och överföring

En utsedd medarbetare eller funktion kontrollerar texten mot de beslutade uppgifterna. Evenemangsansvarig klarlägger öppna villkor och bildansvarig kontrollerar materialets användningsgrund. Publiceringen följer ett godkänt underlag. Om någon del inte är klar går arbetet tillbaka till rätt ansvar, inte vidare med ett antagande.

Samma resonemang kan användas i en kulturverksamhet, butik eller ett informationsprojekt på arbetsplatsen. Det viktiga är inte föreningens namn utan hur behov, uppgift, information och ansvar hänger ihop.

Ta med dig från nivå 1

AI kan ge användbart stöd när uppgiften är avgränsad och resultatet går att granska. Osäkerhet ska synas där den påverkar användningen. Du behöver kunna förstå metoden och kontrollbehovet även när du inte använder någon viss produkt. Nästa nivå går vidare med praktiska uppgifter och tydligare arbetsmetoder, utan att du behöver klara ett prov för att fortsätta.

Efter nivåns kapitel följer ett samlat frivilligt avslut med återkoppling och därefter nivåns källor.

Det här avsnittet är frivilligt. Du kan välja en eller flera uppgifter, läsa resonemangen direkt eller gå vidare till nästa nivå. Det finns ingen poänggräns och inget behöver lämnas in. Alla situationer nedan är fiktiva. Du behöver bara nivåns texter och en anteckningsyta, inget konto eller AI-verktyg.

Sex korta uppgifter samlar viktiga skillnader från nivån. De är inte sex provpaket och varje uppgift har ett eget syfte. När du vill finns förklarande återkoppling efter uppgifterna.

European edition 1.0 | 2026-10-13

Källor för vidare läsning. Europeisk rättslig bas kompletterar originalkällorna. Nationella källor är kompletterande exempel, inte regler för hela Europa. Ursprungskällor kontrollerades 2026-10-12; EU-tillägg 2026-10-13. Originaltitlar och adresser bevaras.