Inte alla använder AI, tack och lov finns det roller och tillstånd i livet som verkar i verkligheten, alltså den fysiska. Men de flesta har ändå testat, och använder AI som en frågelåda. Istället för att söka på Google skriver de i ChatGPT, "ge mig tre recept på efterrätt utan grädde." Det fungerar. Du får svar snabbare än förut. Lite som att alla nya bilar har GPS.
I bilindustrin har man ett fluffigt men ändå system för att beskriva vägen mot fullt ut autonoma och självkörande bilar. Det kallas SAE-nivåer och går från 0 till 5. Nivå 0 är ingen automatisering, du gör allt själv. Nivå 1 är farthållare, nivå 2 är det Tesla kallar Autopilot: bilen håller fil och avstånd, men du måste ha händerna på ratten. Nivå 3 är villkorad automatisering, bilen kör själv i vissa situationer, men du tar över när den ber om det. Nivå 4 är hög automatisering, du knappar in adress och bilen åker dit. Det kan vara din egen bil eller en som ägs av Waymo eller Volvo, men någon människa håller koll, antingen på distans eller i bilen. Nivå 5 är full autonomi, ingen ratt behövs, du tar en tupplur, kollar film och får en notis när du kommer fram.
Egentligen är väl nivå 0 redan det en magisk nivå. För alla som kommer ihåg kartan som fanns i telefonkatalogen, det är den riktiga startpunkten. På vår nivå 0 läser du inte kartan själv, du får instruktioner som uppdateras i realtid. Men du sitter bakom ratten, trampar på pedaler, du svänger och blinkar (om du inte kör BMW eller Audi, för då behövs det inte). Systemet ger dig information, men du gör jobbet.
Det intressanta är att de flesta som använder AI idag befinner sig där. De har en Ferrari i garaget men använder den för att köpa mjölk.
Nivå 0 är alltså där de flesta befinner sig, du skriver en fråga i ett chattfönster. Väntar. Får svar. Skriver nästa fråga. Väntar igen. AI:n är din GPS, den talar om vart du ska svänga, men du kör själv. Systemet stannar mellan varje instruktion. En konversation i taget, synkront. Du frågar vad skillnaden är mellan OKR och KPI, läser svaret, funderar, skriver en följdfråga.
Du levlar upp till nivå 1 och har fått upp farten. Du skriver en fråga, och medan AI:n svarar formulerar du redan nästa. Du laddar upp dokument, skapar projekt, bygger kunskapsbaser. AI:n förstår sammanhanget och ger bättre svar. Men du har fortfarande händerna på ratten. Du guidar varje steg. Du ber om en sammanfattning av ett dokument, och redan innan svaret är klart har du skrivit "gör en punktlista av de viktigaste insikterna" och "föreslå tre nästa steg".
När vi går till nivå två händer det saker. Du anlitar någon som kör åt dig. Du beskriver destinationen, inte vägen dit. "Analysera Spinout AB som potentiell partner. Gå igenom deras årsredovisning, produktutbud, kundrecensioner och nyhetsartiklar. Sammanfatta styrkor, svagheter och risker i ett PM." Agenten bryter ner uppgiften, utför den, utvärderar resultatet. Du tar över när den kör fast eller behöver ett beslut, men du sitter inte längre med händerna på ratten hela tiden. Du definierar uppgiften, går och gör något annat, kommer tillbaka till ett färdigt resultat.
På nivå tre orkestrerar du ett team av duktiga medarbetare som gör jobbet. Du har tre, fyra, fem AI-agenter igång parallellt. Varje agent har sin egen uppgift och sitt eget spår. En skapar en konkurrentanalys, en svarar på kundmail, en förbereder ett styrgruppsmöte. Skillnaden mot tidigare är att de alla kör själva. Du koordinerar, du kör inte.
Upp en nivå, nu tar vi det ett steg längre. Du sätter flera agenter på samma problem och de samarbetar utan att du övervakar varje steg. Du ska ta fram en marknadsanalys. Agent 1 analyserar konkurrenternas prissättning. Agent 2 går igenom branschrapporter. Agent 3 sammanställer kundundersökningar. Agent 4 skriver ihop slutrapporten baserat på de andras resultat. Uppgiften som skulle ta en vecka är klar på en timme.
Nivå 5 är där de snabbaste företagen är just nu. Det är framförallt företag som verkar i eller nära den redan extremt stora AI-industrin, typ OpenAI, Google, Meta, Cursor, Lovable. Här tar man steget fullt ut och ger ett team av agenter en stor, komplex uppgift. "Bygg en browser", "Skapa en ny feature Cowork", "bygg en ny runtime för Java". Agenterna bryter ner uppgiften och skapar sedan egna sub-agenter för att hantera varje del. Hur kan det låta på en bank? "Gör en due diligence på Spinout AB inför potentiellt förvärv. Inkludera finansiell analys, juridisk genomgång, marknadsposition, teknisk infrastruktur och kulturell fit." Agenten skapar sub-agenter, en för varje område. De jobbar i timmar, ibland dagar. De ställer frågor när de kör fast, itererar på sina lösningar, och levererar så småningom ett komplett underlag. Du sätter igång processen på måndag morgon och har ett genomarbetat beslutsunderlag på tisdag. Som att ringa McKinsey och säga "fixa det här", och få leverans för kostnaden av första mötet.
Det som händer inom engineering visar vägen för oss andra. I januari 2026 skedde ett skifte. Utvecklare upptäckte att om man sätter AI i en loop som försöker om och om igen tills testerna går igenom, kan den lösa problem som tidigare krävde veckor av mänskligt arbete. De kallar det "Ralph-metoden". Uthållighet som strategi. Sedan kom sub-agenter. Istället för en lång konversation spawnar AI:n nu specialiserade mini-agenter. De vet inte om varandra och stör inte varandras arbete. Problem som tidigare krävde projektledning hanteras nu av systemet självt. Det som händer i engineering idag kommer snart till sälj, ekonomi och HR. Frågan är bara när.
För att förstå varför det här är ett skifte behöver du förstå hur agenter håller koll på vad de gör. Det är inte magi. Det är tre tekniker som tillsammans skapar något nytt.
Varje AI har ett "kontextfönster", hur mycket den kan hålla i huvudet samtidigt. Tänk på det som ett skrivbord. Ju större skrivbord, desto fler papper kan du ha framme. 2023 var skrivbordet litet. Kanske 8 000 ord. Nu är det 200 000 ord eller mer. Men det är fortfarande begränsat. Precis som arbetsminnet hos en människa.
Istället för att försöka hålla allt i huvudet använder agenter filsystemet som extern lagring. Ralph-metoden fungerar så här: Agenten arbetar, sparar resultatet till en fil, rensar sitt korttidsminne, läser in filen igen och fortsätter. Det är som att du skriver anteckningar, går och lägger dig, vaknar och läser anteckningarna för att fortsätta där du slutade. Agenten behöver inte minnas, den behöver bara veta var informationen finns.
Den tredje tekniken är att externalisera planen. Istället för att hålla hela projektplanen i huvudet skriver agenten ner den. "Nästa steg: analysera fil 3. Därefter: sammanfatta resultat. Sedan: skapa rapport." Agenten vet inte vad den gjorde för en timme sedan. Men den vet exakt vad nästa steg är.
Tidigare begränsades AI av hur mycket den kunde hålla i huvudet. Det satte ett tak på komplexiteten. Nu begränsas AI av hur bra du kan strukturera uppgiften. Med rätt struktur kan en agent arbeta i dagar och leverera resultat som tidigare krävde ett helt team. Precis som en nivå 5-bil kan köra tusen mil utan att föraren behöver vara vaken.
När AI kan producera obegränsat med material förskjuts värdet. Det som har värde är att kunna specificera, beskriva slutresultatet så tydligt att en agent kan arbeta i dagar utan att spåra ur. Det är svårare än det låter. Det är som att programmera destinationen, om du är otydlig hamnar bilen fel. Och att kunna verifiera, avgöra om resultatet är tillräckligt bra. Bygga tester, inte bara för kod, utan för kvalitet, ton, korrekthet. Som att kontrollera att bilen faktiskt levererade rätt paket till rätt adress.
Klarna är ett intressant exempel. De automatiserade kundtjänst i stor skala, 700 medarbetare ersatta, väntetiden ned från elva till två minuter. Men efter ett tag började de anställa igen. Ren kostnadsfokus hade lett till kvalitetsförsämring. Lärdomen: AI tar över utförandet, men någon måste fortfarande definiera vad kvalitet innebär. Även en nivå 5-bil behöver någon som bestämmer vart den ska.
Det här handlar inte om teknik. Det handlar om vad du gör med din tid.
För tjugo år sedan la vi timmar på att formatera dokument. Sedan kom mallarna. För tio år sedan la vi timmar på research. Sedan kom sökmotorerna. Nu lägger vi timmar på att producera, skriva, analysera, sammanställa. Den tiden håller på att försvinna också.
Frågan är inte om du hinner med. Frågan är vad du gör med tiden som frigörs.
De som fastnar på Kartläsaren kommer använda AI för att göra samma saker lite snabbare. Som att köpa en modern bil och bara använda farthållaren. De som hittar agentisk AI kommer göra helt andra saker. Saker som inte var möjliga förut. Inte för att de jobbar hårdare, utan för att de har förstått vad verktygen faktiskt kan.
Jag pratar med supersmarta människor varje vecka som säger "vi har inte tid att lära oss det här". De har fel. De har inte tid att låta bli. Men det fina är att det inte kräver ett stort projekt. Det kräver inte en strategi eller en budget. Det kräver att du testar. Att du ger en agent en riktig uppgift och ser vad som händer. Att du släpper ratten och känner hur det är.
När du väl har gjort det förstår du varför det här är ett skifte och inte en funktion. Och då behöver ingen övertyga dig om någonting.
Källor
- Klarna har gått från 5 000 till 3 000 anställda, med hjälp av AI, Ny Teknik
- Efter AI-satsningen, Klarna börjar anställa igen, EFN
- AI kan ta över 300 000 jobb, Google/Swedish JobTech-rapport
- SAE Levels of Driving Automation, SAE International