🤯⚡️När Sök och Ersätt börjar tänka

Allt är bara en prompt bort från att bli något annat. 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?

---

Testade att ersätta Batman med Superman i en av mina tidigare AI-filmer.

Vad har hänt?

- Kling O1 kan resonera om världen och blir som Nano Banana för video.

Kling AI släppte i måndags O1 (inte att förväxla med ChatGPT o1) som de själva beskrev som ”världens första unified multimodal video model”. Men de som testat beskrev det mer som Nano Banana för video, eller Photoshop för video.

I praktiken betyder det att du genom att prompta (med text eller bilder) kan lägga till eller byta ut personer, byta bakgrund, ändra vinkel/väder/ljus eller restyla video precis på samma sätt som Nano Banana visat att vi kan göra med stillbilder.

Detta förändrar ju allt

När jag började med att skapa AI-bilder och AI-film så var det slot machine (eller gasha mechanic som de yngre skulle säga). Varje gång vi promptade så var det lotteri om det som kom ut skulle bli användbart. Vi som kunde använda Photoshop och AfterEffects sedan tidigare visste att det mesta går att fixa i post, men tröskeln var hög.

Till slut har vi vant oss vid att arbetssättet är att re-rolla, vi köper en till lott och spelar igen. För varje AI-modell har oddsen att få det som vi ville ha eller något som vi i alla fall kan använda blivit högre och högre. Så höga att det är lättare att bara re-rolla än att försöka se om vi kan använda det vi fått. Köp nytt istället för att laga, fast i AI-form.

Först hände det med texter, sedan bilder, i år har video kommit dit och nästa år kommer större kodprojekt vara där. Snabbare med reroll än det traditionella sättet att fixa.

Det har betytt att de som har råd med flest re-rolls kommer kunna få ut mest av AI, medan de som bara kan göra ett par dragningar får nöja sig med det de får.

Det är därför AI som tager det man haver (som Cajsa Warg aldrig sa), blir fokus för nyhetsbrevet denna vecka.

Det är relevant inom alla professioner, men vi startar i en analogi med filmklippning eftersom det var det som fick mig att börja fundera över det här.

Inom filmredigering finns en funktion som heter ripple editing, om jag plockar bort eller infogar ett klipp så flyttar sig resten av klippen så att allt är i synk. AI möjliggör redan nu en slags ripple editing för resonemang, låt oss kalla det Reasoning Ripple Editing. (Det är bara inte förpackat så i chattverktygen)

Vi är inte riktigt där än med Kling AI O1, men låt oss säga att jag tar en Batman-film och byter ut Batman mot Superman. Med reasoning ripple editing så betyder det inte bara att jag byter ut Batman mot Superman i alla scener han är med. Det betyder också att AI ändrar hur hjältarna bekämpar brott, och kanske får vi också förslag på om vi vill ändra stad från Gotham City till Metropolis som en följd av förändringen.

AI vet att om vi byter en detalj så behöver resten också uppdateras för att hålla ihop resultatet. Jag har tidigare skrivit om att world models kommer att utvecklas mycket 2026 och det här är en möjlig följd av det.

AI som klarar reasoning ripple editing kommer inte bara att beröra film. Säg att du har skrivit en affärsplan för att sälja hundleksaker, men efter en marknadsundersökning inser du att du borde sälja kattleksaker istället. Med en AI som ripple editerar din affärsplan så ändrar du bara ordet hund till katt och AI går igång och skriver om hela din affärsplan. Du får en lista på föreslagna ändringar, allt från enkelt byte av ord från hund till katt överallt till mer komplicerade förslag. Som till exempel att alla webbforum för hundägare som du skulle annonsera på bytts ut till att istället köpa samarbete med influencers som är kattägare.

Det är jobbigt för oss människor att tänka igenom alla konsekvenser som en enda förändring kan ha. Kognitionspsykologerna Daniel Kahneman och Amos Tversky kom i sin forskning på 80-talet fram till The Simulation Heuristic. De visade att hur vi tänker på kausalitet baseras på hur lätt det är att föreställa sig (simulera) det mentalt. Två exempel:

Två grupper av människor i en studie fick höra en historia om en man som dog i en trafikolycka med en lastbil. Den ena gruppen fick veta att personen tagit en väg han inte brukade för att få en trevligare bilfärd hem, den andra fick höra att personen slutade jobbet tidigare än han brukade göra.

Båda grupperna fick sedan uppgiften ”Skriv färdigt meningen: Om bara … ”.

Båda grupperna fokuserade på det som var annorlunda i mannens vardag innan olyckan, istället för på lastbilen som var själva orsaken till olyckan.

Människor i en studie fick höra en historia om två män, Mr. Crane och Mr. Tees. De ska med två olika flygplan som avgår samma tid. De åker i samma taxi till flygplatsen men fastnar i trafiken och anländer 30 minuter efter avgångstid. Mr. Crane får veta att hans flyg avgick i tid. Han missade det med 30 minuter. Mr. Tees får veta att hans flyg var försenat och avgick för bara 5 minuter sedan. Människorna i studien skulle sedan besvara frågan ”Vem är mest upprörd?”.

De flesta svarar inte helt oväntat Mr. Tees, men det forskarna kommer fram till med studien är att det beror på att människor mentalt kan föreställa sig en kort kedja av förändringar som skulle göra att Mr. Tees hade hunnit, medan det krävs mycket mer mental energi för att komma på hur Mr. Crane skulle ha hunnit med planet.

Maskiner tänker inte på samma sätt som människor, ofta tycker vi att det är en begränsning, men i det här fallet kommer det att vara en styrka. En rationell genomgång av båda dessa scenarion skulle lett till annorlunda What-ifs. En AI skulle kunna hitta på mer direkta scenarion kring lastbilen och hittat sätt för både Mr. Crane och Mr. Tee att vara lika upprörda för saker som kunde gått annorlunda.

Människor är bra på att fantisera att en enskild detalj kunde varit annorlunda. Vi är sämre på att hålla kontinuitet när allt annat måste flyttas med och det sitter djupt i oss att vi skapar genom att montera ihop olika delar. Att börja med en helt färdig artefakt i ett närliggande område och sedan modda den är ett helt nytt typ av arbetsflöde.

Men om reasoning ripple editing blir pålitligt så kan många arbetsuppgifter som tidigare började med ett blankt papper utgå från en färdig artefakt som vi moddar istället. Vi tar en omfattande strategirapport, en komplex avtalstext, ett underhållande spel eller ett insiktsfullt nyhetsbrev vi läste och så ändrar vi från det istället.

Just nu är den tekniska utvecklingen tydlig, det kommer vara lättare att skrota det vi har och göra helt nytt. Men gamla organisationer är tröga och kan inte förändra allt och det är nog därför har AI inte förändrat speciellt mycket ännu. Så behovet att laga det vi redan har är mycket stort och med Nano banana Pro och Kling O1 ser vi början på en alternativ väg där vi aldrig mer behöver skapa från noll. För plötsligt blir allt som någonsin skapats redigerbar råvara för vår nästa idé och detta förändrar ju allt!

Vad kan du göra idag?

Förstå

Som alla gör i och med AI så funderar även jag på hur min yrkesroll som strateg kommer att förändras. Det jag landat i för strategi är att det kommer bli mer levande dokument. Det har jag skrivit om tidigare, nu senast när jag skrev om fix it in post-samhället

Våra strategiska dokument blir ramverk som vi sedan utför reasoning ripple edits på. Excel gjorde det möjligt att ändra en siffra i en prognos och få fram simuleringar på vad som skulle hända om vi införde en förändring. AI-verktyg kommer kunna ge samma möjligheter för dem som inte vill bolla med förändring av siffror utan med förändringar av semantik eller narrativa scenarion.

Mina tidiga experiment visar att det snabbt blir en stor arbetsuppgift att kontrollera vilka ändringar som skett i större projekt. ChatGPT Canvas-funktion visar var ord är bytta, men för äkta reasoning ripple edits så behövs en plan innan omfattande förändringar som slår igenom på många ställen införs. Här har redan AI-verktygen för kodning visat ett gränssnitt med en lista på föreslagna ändringar med motiveringar. Det är en bra modell som förmodligen kommer införas även för AI-video och för att skriva AI-texter (den ska bara designas om för non-techs först).

Men jag förstår också att det kommer krävas ny utforskning för att förstå hur vi bygger upp ramverk som är robusta nog att tåla att du byter ut ”Spara” mot ”Slösa” i cell A1 utan att tappa förmåga att resonera.

För även om du bara kan ta vilken template som helst så kommer bättre ingredienser alltid höja kvaliteten på slutresultatet. Det är det du behöver experimentera med extra mycket när en våg av nya typer av AI-modeller kommer.

Planera

För textdokument har vi redan AI-kapacitet att använda ett dokument som utgångspunkt och sedan be AI skriva om det med helt andra förutsättningar. Det som saknas är att vi får förslag på ändringarna innan de genomförs på samma sätt som i verktyg för kodning.

Det kräver därmed ett extra steg med promptning just nu. Här är ett promptexempel:

Steg 1.

Jag tycker strukturen/resonemangssättet/Y är bra i det här dokumentet. Kan du läsa igenom dokumentet så du förstår vad jag menar. 

Bifoga dokumentet, eller klistra in texten.

Steg 2.

Nu ska vi förändra dokumentet så det handlar om X istället. Behåll det vi tyckte var bra med dokumentet jag gav dig men tänk noga igenom alla logiska konsekvenser det skulle bli om vi bytt så det handlar om X istället. Jag vill inte att du skriver om dokumentet utan bara ger mig en genomgång på vilka förändringar du skulle behöva genomföra och beskriva vilka ripple-effekter det skulle få i resten av dokumentet. Kan du skriva en sådan plan? Numrera varje förändringsförslag så vi kan referera till dem sedan.

Steg 3.

Läs igenom och skriv vilka nummer på förslagen som AI ska genomföra.

Gör

Med tanke på hur populärt det är att scamma/spamma med ”kommentera X så skickar jag den här rapporten på Linkedin”, så har väl även ni en stor mapp med rapporter som ni inte fått någon större användning av än. Dagens gör är att lägga dem lite mer åtkomligt så att du lätt kan ladda upp en passande rapport när du inte vill börja från ett blankt papper nästa gång.

Du kan också göra en mapp med saker du själv gjort som går att återanvända som grund för nya mästerverk.

Länkar

Kling AI O1 Lansering på X (det är där AI-bolag lägger pressmeddelanden)
https://x.com/kling_ai/status/1995506929461002590

Artikel om lanseringen
https://the-decoder.com/klings-video-o1-launches-as-the-first-all-in-one-video-model-for-generation-and-editing

Kling O1 (kräver konto) Det går att testa modellen lite överallt (Freepik, Krea, Higgsfield, Leonardo och så vidare. Själv köper jag API-anrop via Fal.ai)
https://app.klingai.com/global/omni/new

Om Simulation Heuristic (Kahneman/Tversky)
https://en.wikipedia.org/wiki/Simulation_heuristic

Sedan sist vi hördes

Det är bråda tider i AI-fabrikerna och jag har fullt upp med att testa ny tech! Denna veckan har Kling AI någon slags releasevecka. En nyhet varje dag hela veckan. Kling O1 för video släpptes i måndags, Kling O1 för bilder på tisdagen. På onsdagen en helt ny videomodell Kling 2.6 som är deras första med ljud inbakat. Det är två släpp kvar, jag trodde video med ljud skulle vara deras sista så nu vet jag inte vad de kan ha hittat på som ska vara final. Nu handlade ju inte dagens brev speciellt mycket om AI-video, men mina tester av Kling ger riktigt bra resultat.

Nästa vecka kommer OpenAI släppa sin ChatGPT 5.2 sägs det, Sam Altman skickade ett memo till alla att det var dags att jobba lite extra när Google Gemini gick om dem. Jag såg fram emot OpenAIs twelve days of shipmus, men det kanske inte blir någon i år då. Sam kanske låter personalen vila över julen istället i år då.

Är du en insiktsdelare?

Känner du någon som funderar på hur hyperpersonalisering kommer fungera? Eller kanske någon som är intresserad av bristen på gemensam kultur? Vem tänkte du på? Skicka vidare!

Ett ständigt pågående projekt jag har är att utforska hur vi kan klona en persons sätt att tänka och hens värderingar i en AI-modell. Jag jobbar lite parallellt med att göra det i större skala med mindre träffsäkerhet och med att få till en AI som kan resonera som jag tillräckligt bra för att fylla i marknadsundersökningar på samma sätt som jag själv skulle svara.

På nätverksträffen för betalande prenumeranter idag kl 12 kommer jag berätta mer om dessa experiment och hur det just nu är förpackat som en MCP, och hur du också kan lära dig att bygga MCP:er. Länk ska vara automatiskt utskickad till alla betalande medlemmar men saknar du en så svara direkt på det här mejlet så löser vi det!

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):