🤯⚡️När det omöjliga bara tar några minuter

Självförbättrande AI + öppen forskning. Detta förändrar ju allt!

Det här är nyhetsbrevet där Tomas Seo, innovationsstrateg på Phorecast, berättar om händelser, upptäckter och ny teknik som får honom att utbrista: Detta förändrar ju allt! Du prenumererar på det här för att fortsätta vara steget före med de senaste trenderna och få konkreta tips för att framtidssäkra dig och din organisation. Har du fått det här av en vän? Då vill du kanske starta en egen prenumeration?

---

En bra AI-agent bygger sig själv.

Vad har hänt?

- Rädslan för att AI kan göra tjänstemannajobb utplånar 1 biljon dollar i börsvärde.

Den 4 februari summerade Reuters att börsens snabba nedgång med nästan 1 biljon dollar berodde på att Anthropic släppt en plugin-funktion till Claude Cowork. Den nya funktionen som släpptes 30 januari inledde en våg av massförsäljning av aktier i företag som levererar programvara och SaaS. Den plugin som anses vara den största anledningen till börsnedgången var ett exempelplugin för att göra Claude Cowork expert på produktion och tolkning av legala dokument.

Nyhetstjänsten Reuters lyfte bland annat fram att ett bolag i sin egen koncern; Thomson Reuters som innehar Westlaw, en juridisk databastjänst, föll 16%.

Detta förändrar ju allt

Trots att plugin-funktionen tekniskt är ganska simpel, det är i princip en textfil med en processbeskrivning, så blir signalvärdet så starkt att börsen skakar. Det är som om alla investerare vetat att dagen ska komma när all mjukvara blir värdelös och oroligt snabbtryckte på säljknappen, för kanske var det nu det var dags?

De senaste veckorna har gapet i AI-kunskap mellan de som inte sett AI göra något som faktiskt tillför värde och de AI-galningar som testar allt ökat dramatiskt. OpenAI skriver att deras senaste släppta modell på ett värdefullt sätt har hjälpt till att bygga sig själv.

GPT‑5.3‑Codex is our first model that was instrumental in creating itself. The Codex team used early versions to debug its own training, manage its own deployment, and diagnose test results and evaluations—our team was blown away by how much Codex was able to accelerate its own development.

Detta skiljer sig alltså från att en av deras tidigare modeller hjälpt till att bygga nästa, här är det en AI som under tiden den utvecklas används för att förbättra sig själv. Det här är vad som borde få börsen att skaka.

Både Anthropics nya version av Claude Code (4.6) och OpenAIs nya Codex (5.3) visar tydligt vart vårt samhälle är på väg, men det är så obegripligt. De flesta tänker inte att det de ska göra på jobbet är att skapa appar. Det är det som är det svåraste steget. Först när du inte avfärdar att något du gör på jobbet skulle kunna lösas med att bygga en app/Saas/mjukvara/macro så förstår du läget vi är i just nu.

Vem som helst som kan beskriva hur de brukar göra något på sin dator i text kan nu skapa en AI-agent som gör detsamma.

Behöver du skrolla på TikTok för att få veta de senaste trenderna, men har läst att det förstör ditt arbetsminne? Då kan en AI-agent göra det åt dig.

Gör du slides för samma typ av rapport varje månad? Du vet att det finns sätt att automatisera det men du fattar inte hur du ska sätta igång det. Låt en AI-agent planera hur det borde göras och sedan bygga det.

Behöver du testa en teori du har om hur något skulle bli bättre? Beskriv din teori och be din AI-agent bygga ett sätt att testa och jämföra.

Allt som syns på din skärm kan frankensteinas ihop om du bara har en idé om hur det ska fungera. Om vi tar TikTok-bevakning som ett exempel; En traditionell kodare skulle löst TikTok-bevakaren med ett API som scrapar, men om man inte vet vad det betyder så spelar det ingen roll. Då kan AI-agenten guida dig till hur du kan få en gammal iPhone att skrolla TikTok medan en annan gammal iPhone filmar vad som syns och skickar in bilderna för tolkning. För en traditionell kodare skulle det verka absurt, men när vem som helst bara kan be om att datorgrejer ska fungera så skulle en sådan lösning få jobbet gjort.

På samma sätt skulle återkommande rapporter kunna lösas med att programmera macro (något som har gått sedan många år tillbaka) men det är ingen som gör. Istället kanske någon vill lösa det med att bygga en helt egen PowerPoint från noll, bara det att den ska kunna ta över min dator och hitta de där siffrorna i vårt rapportsystem, kopiera dem och använda dem för presentationen. Även det här är total overkill, men det spelar inte så stor roll för den som ber AI-agenten.

En grej som alla mina AI-agenter gör när de planerar är att de säger: Första veckan bygger vi det här, andra veckan så bygger vi nästa steg. Jag måste påminna AI-agenterna om att de inte är människor och kan bygga dag och natt och skapa fler AI-agenter som gör delar av arbetet parallellt. Att bygga en ny PowerPoint från noll för varje presentation man gör hade känts orimligt förr. Nu känns det som, varför inte, totalt custombyggd programvara i princip direkt. Det var ju det börsen trodde plugins betyder och sjönk.

Min poäng är att alla som någon gång har suttit och irriterat sig över ett dåligt gränssnitt i organisationens rapporteringssystem eller tänkt varför fungerar det här så dumt, nu teoretiskt har makten att bygga ett Frankensteins monster-lager ovanpå det. Det är en mardröm för IT-säkerhet men det är inte min poäng. Poängen är att det är så lätt att alla kommer vilja göra det, och snart blir det en tid då det kommer kännas lika orimligt att inte få göra det som att inte få använda sociala medier på arbetstid.

I flera år har jag kunnat testa AI och enkelt hitta gränsen för vad som går att bygga och oftast har det stannat på att AI-bottarna haft svårt för enkla saker som jag lätt kunnat avslöja. För något år sedan var det: Du kan ju inte ens räkna hur många r det finns i ordet Strawberry. Du kan inte rimma på svenska. Du vet inte hur du verifierar att det du säger är påhittat.

Men nu: Om jag ber AI-modellerna lösa ett matteproblem som ingen människa klarat av att hitta en lösning på, så vet jag inte hur jag ska kunna kolla om det är rätt eller ej. De som har kompetens att avgöra det vet att problemområdet gått från att få tillbaka rent nonsens till nyupptäckta korrekta svar. Jag vet att vi inte har AGI än, men i flera områden så har vi det nu. AI-systemens kompetens är så hög nu att jag inte längre kan bedöma om jag vet bättre.

Det är för bra för att vara sant, det är så bra att det borde förbjudas och det är så bra att börsfolket förmodligen gjorde rätt i att sälja. De valde bara fel nyhet som signal för när de skulle sälja.

Men frågan vi som kör senaste generationen AI-agenter oftast får nu är: Har du något som du faktiskt får ut något av att använda dem till? Och jag vet att äkta exempel är vad många behöver för att komma igång.

För att vara ärlig (som mina barn och min AI-agent brukar säga), jag använder AI-agenter till massa trams, som att sammanfatta vad som hänt på Reddit inom AI medan jag sov och skicka det som en rapport på morgonen eller göra så att barnen kan skapa vår familjs intranät/portal (det blir fyllt av spännande funktioner).

Men jag har faktiskt riktig nytta av det i mitt jobb också. Varje uppdrag jag har är grunden en frågeställning som kräver forskning, experiment och jämförelse.

Exempel: När en kund undrar hur Googles AlphaGenome kommer påverka konsumenten, så kan jag be min AI-agent sätta upp en testmiljö. För att se vad jag, utan medicinsk kompetens, kan göra när nobelprisbelönad forskning har ett API som en AI-agent kan pussla ihop med min fil med DNA-test som jag råkar ha från 23andme sedan tidigare.

Jag förväntar mig inte att det ska bli något värdefullt resultat, jag leker bara lekman som ber sin AI-agent använda information för att bli mer hälsosam. Ett par minuter senare har jag en dashboard som använder sig av den forskningen. Jag vet inte vad jag ska ha det till men innan jag använde AI-agenter hade jag inte ens försökt se hur jag skulle kunna använda den här forskningen alls.

Det hela slutar med att jag bygger ett Google Alerts-system för min DNA-typ så att jag kan få mejl med ny forskning som publiceras som är relevant för min DNA skriven så att en femåring ska kunna förstå den. Det har inget att göra med AlphaGenome egentligen men med forskning och hur den blir tillgänglig för allmänheten, vilket är relevant för min kund.

Det här exemplet visar också på att det inte bara är faktumet att AI-agenter nu felfritt bygger verktyg åt både dig och sig själva som gör att världen just förändrats. Konsekvensen av det är också att all öppen forskning blir tillgänglig för lekmän. När jag ber mina AI-agenter om hjälp börjar jag alltid med ”leta upp senaste forskningen inom det här området som har studerat eller försökt lösa det här, kom sedan med en plan”.

Visste du att det är Love Data Week den här veckan? Årets tema är ”Where’s the Data?” vilket ska göra oss mer medvetna om forskningsdatats resa, från planering och insamling via lagring till publicering och bevarande. Det här har tidigare bara angått ett fåtal människor. Men plötsligt är öppen data för all forskning ett mål som gynnar alla människor på ett helt annat sätt.

När forskningen inte längre stängs in i betalda databaser utan ligger öppen för alla AI-agenter att hitta och inspireras av så är tiden för att sätta upp liknande experiment som forskarna gjort bara några minuter. Öppen forskningsdata tillsammans med AI-agenter som kodar fungerande appar på ett par minuter är varför alla behöver ställa sig frågan ”Hur skulle den här arbetsuppgiften fungera om den var en app?” Och detta förändrar ju allt!

Vad kan du göra idag?

Förstå

Mindre bolag har plötsligt en chans att gå om de större. Alla små organisationer som sanktionerar användning av AI-agenter kommer ha ett gigantiskt försprång mot de stora organisationerna i flera år. Om de stora bolagen inleder sina processer för policy making nu (det kommer de inte) så blir de färdiga om ett år och sedan dröjer det ytterligare ett år innan det implementerats i organisationen.

Just nu är det bara en massa enskilda skojare som har helautomatiserade verksamheter där AI-agenter sköter 90% (min uppskattning, de säger ofta 100%) av allt jobb. Nästa segment blir rimligtvis de mer seriösa småföretagarna, men jag tror att de största hävstängerna kommer vara hos bolag på mellan 20 och 50 anställda. De är tillräckligt likvida för att ha råd med högkvalitativa AI-agenter men tillräckligt små för att ett nytt sätt att arbeta är möjligt att genomföra för ledningen.

Det är viktigt för er chefer i stora organisationer att förbereda er på en värld där små och medelstora organisationer (och konkurrenter) kommer kunna göra allt skärmarbete mer effektivt än ni. Bättre att acceptera det nu och börja planera för hur det påverkar er verksamhet de kommande åren.

Men efter det kommer de större organisationerna återfå sin storleksfördel av två anledningar:

1. Nya mönster för hur organisation ska bedrivas som fungerar i en värld där varje människa i organisationen har kraften av att vara en egen produktionsavdelning som kan kopieras kommer att komma fram.

Till exempel så diskuterade de Y-combinator senaste podcast hur de såg en möjlig utveckling där varje medarbetare hade sin version av produkten som de utvecklade och så plockades de bästa bitarna ihop till det som levererades till kund. En väg är att stora organisationer börjar planera för den typen av decentraliserad produktutveckling.

2. Små och medelstora organisationer kommer bara ha fördel i arbete som går att utföra via skärm. Stora företag kommer kunna investera i nästa generations robotar, vilket behövs för att frankensteina ihop AI-lösningar i den fysiska världen. Även om de små bolagen skulle ha råd med en robot så kommer inte det räcka för att kunna konkurrera med större organisationers kommande robotsatsningar.

Planera

Alla organisationer behöver ta fram syntetisk data som medarbetare kan använda för att testa vad modern AI klarar av. Jag hör ofta att organisationer inte får ladda upp sin data till AI-tjänster, huruvida det är rimligt eller ej trots allt man kan göra för att det inte ska vara några problem med det kan man debattera. Men i det här fallet spelar det ingen roll om vi har rätt, det brukar ändå vara en hård stoppkloss.

Mitt förslag är därför att er AI-grupp ser till att ta fram en stor mängd fejkdata, syntetisk data eller helt enkelt gammal data som inte längre än känslig. Se till att få en datamängd godkänd för testbruk. Det blir er organisations öppna datakällor, som alla som vill kan använda för att testa AI-tjänster med för att se om de skulle vara värdefulla att använda för er verksamhet och därmed bygga business case på.

Gör

Träna bort din ”Undrar om det finns en app för det?”-mentalitet. Du behöver börja träna dig på att bara utgå ifrån att appen du söker är färdig om bara ett par minuter.

Det finns olika stil för hur promptar du en AI-agent som Claude Code eller Open AI Codex:

1. Strukturerat: Du tänker noggrant igenom din spec och funderar ut exakt hur den ska fungera.

2. Kopieat: Du skriver bara några liknelser i stil med ”Gör en webbapp som liknar tinder, fast för träningsövningar jag borde göra, när jag swajpat färdig så blir det ett träningsprogram.

3. Vagt: Du låter AI-agenten gissa det mesta av vad du vill ha och ändrar sen. ”Hej! Jag skulle behöva något som motiverade mig att träna mer, kan du koda ihop något?”

Det viktiga denna veckan är faktiskt inte att du börjar använda AI-agenter (men om du vill veta hur du enkelt installerar Claude Code så skrev jag om det för några veckor sedan), det är att du kommer ikapp med din förståelse för att det kommer bli för alla att skapa sina egna lösningar än att leta efter andras.

Länkar

Reuters om börsnedgången
https://www.reuters.com/business/media-telecom/global-software-stocks-hit-by-anthropic-wake-up-call-ai-disruption-2026-02-04/

Anthropics plugin
https://claude.com/plugins/

Och om du vill se hur de fungerar så finns textfilerna här
https://github.com/anthropics/knowledge-work-plugins

OpenAI skriver att nya Codex hjälpte till att utvecklade sig själv.
https://openai.com/index/introducing-gpt-5-3-codex/

Här är ett exempel på en person på X som kodat sin AI-agent att autoscrolla igenom TikTok och ta skärmdumpar på som AI-agenten sedan sammanställer.
https://x.com/vargastartup/status/2020985580860092419

Kungliga Tekniska Högskolans bibliotek informerar om årets Love data week.

https://www.kth.se/biblioteket/nyheter/valkommen-till-arets-love-data-week-1.1452401

Y-combinators podcast om hur de nya AI-agenterna förändrar hur kodare arbetar.

Sedan sist vi hördes

”Detta förändrar ju allt” påbörjar ett collab denna vecka. Teknikföretagens initiativ TechForward frågade om jag ville spana i deras kommande podcastserie. Det första vi gör ihop är att vi idag kl 15 spelar vi in en podcast om vad jag ser för trender på TechArena. Om du råkar vara på Strawberrry Arena så kom gärna förbi TechForward och lyssna live, annars kommer det läggas ut (jag kan länka i nästa brev)!

Är ni fortfarande intresserade av att jag testar AI-videomodeller, eller är det över och känns som AI-slop nu? Låt oss göra en omröstning:

(jag frågar för det har ju släppts några riktigt bra modeller sedan sist och det var ett tag sedan jag gick igenom vad som är möjligt nu)

Är du en insiktsdelare?

Känner du någon som behöver förstå hur bra AI kan vara nu? Eller kanske någon som vill veta varför AI kommer hjälpa små bolag köra om de stora? Vem tänkte du på? Skicka vidare!

Själv vill jag tipsa om att min favoritantropolog Katarina Graffman har startat nyhetsbrev på substack! Superkul tycker jag, gå dit och prenumerera!

Fortsätt utforska så ses vi nästa vecka!
Tomas Seo

Har du fått dagens nyhetsbrev utan att vara prenumerant?
Gillade du det här och vill ha mer så är det bara att skriva upp sig här
(du väljer själv om du vill betala):