🤯⚡️Så behåller du jobbet när AI tar över.

Träningsguide för ditt omdöme. Detta förändrar ju allt!

Translate this article into English

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?

---

Vad har hänt?

– Tre nyheter som för AI‑agenterna framåt den här veckan:

Nyhet 1. Anthropic tar uthållighet till nästa nivå.

AI-modeller har svårt att jobba under längre tid utan att tappa tråden eller börja producera nonsens. Men Anthropics nya kodningsmodell Claude Sonnet 4.5 klarar nu enligt dem själva av att arbeta fokuserat med komplexa, flerstegsuppgifter i mer än 30 timmar i sträck. Det är en ökning med mer än 400% sedan i maj då de uppgav att Claude Opus 4 klarade en sju timmar lång uppgift.

Eftersom AI-modeller har svårt att hantera många parallella uppgifter och val utan att tappa överblicken så har kedjor av olika AI-agenter blandat med logik blivit ett sätt att komma runt det. Då kan flera specialiserade AI-modeller jobba tillsammans och dela upp arbetet i steg. Men att kedja ihop AI-modeller i processer i automatiseringsverktyg som n8n eller Zapier känns lite för komplicerat för de flesta. Nästa nyhet är ett steg på vägen i att demokratisera vem som kan bygga automatiseringar:

Nyhet 2. OpenAI gör agentbyggande till drag‑and‑drop.

På OpenAI Dev Day i måndags lanserades AgentKit, ett visuellt system för att bygga flöden av AI‑agenter utan kod. Du ritar enkelt upp arbetsflödet, kopplar ihop olika agenter och får snygga chattgränssnitt på köpet.

OpenAIs släpp gjorde att Google släppte sin version Opal dagen efter. Deras går dock inte att använda i EU än. Men för de som redan håller på med AI-agenter är själva gränssnittet inget nytt. Till och med en försämring, då alternativen kan koppla ihop AI-modeller från flera företag, medan AgentKit bara erbjuder OpenAIs modeller. Men genom att både OpenAI och Google nu har sina egna verktyg så kommer det inte dröja länge innan det finns ett chattgränssnitt så att alla som vill kan designa AI-agenter helt utan kunskap. Då är allt som behövs en plattform där vi kan publicera AI-agenter som andra kan upptäcka.

Nyhet 3. ChatGPT får sin egen AppStore för AI-agenter.

OpenAI gör ett tredje försök att skapa en ny AppStore. Förra gången var det CustomGPT:er som skulle kunna bli en intäktskälla för de som skapar dem, gången innan dess var det ChatGPT-plugins. För användare så förvandlar det ChatGPT till ett chattverktyg som kan använda andra appar. Om du ber om en spellista så föreslår ChatGPT att hen kan använda Spotify för att skapa en. På baksidan är det en enkel integrering med Spotifys AI-agent. Alla som har skapat egna MCP:er för sina webbsajters funktioner kommer enkelt kunna integrera dessa i AI-agenter som kan skickas in för godkännande till OpenAI senare i år. Redan nu lanseras förutom Spotify ChatGPT-appar från Canva och Figma (så du kan designa), Hotels.com (så du kan boka resor) och Zillow (Boli/Hemmet för USA).

OpenAI rapporterade nyligen att de har 800 miljoner användare varje vecka. Så att skapa en App för ChatGPT har nu en potentiell publik motsvarande att skapa en app för iPhone runt 2018. Det är tydligt att varje steg OpenAI tar nu håller på att bryta upp gränsen mellan AI-assistent och appar. Målet är att stora delar av internetupplevelsen ska kunna ske direkt i ChatGPT, utan att du lämnar chatten.

Detta förändrar ju allt

Jag skrev för ett tag sedan om Sam Altmans vadslagning med sina tech-kompisar om när det skulle kunna skapas ett enmansföretag som är värderat till en miljard dollar. Det har fortfarande inte hänt men Sam berättade i en intervju efter Dev Day att de nu också spekulerar i när det finns noll-personerföretag med miljardvärdering. Han tillägger att det dröjer år innan vi är där, men att seriösa människor ens kan ha den diskussionen på riktigt säger något om var techbolagen anser att vi är på väg. 92% av OpenAIs egna tekniska personal använder deras automatiska kodningsverktyg Codex dagligen för att utveckla ChatGPT.

Vi ser idag en tydlig djup klyfta mellan de som har börjat använda avancerade AI-verktyg och de som har testat ChatGPT ett par gånger. Avancerade AI-användare bygger längre och längre kedjor av verktyg. De kan bygga egna plugins till Photoshop eller Chrome, de gör specialanpassade verktyg för att underlätta sina arbetsuppgifter. För dem har framtiden redan hänt. Framtiden där ett visst mått av ny kunskap, som krävde att de tog sig över en barriär för att förstå, leder till att lönenivåerna kommer att störtdyka för de som inte är avancerade AI-användare.

Jag tror att vi kommer se tillbaka på året 2025 som brytpunkten för när avancerade AI-verktyg tog över majoriteten av allt arbete. Verktygen är nu tillräckligt bra för att förändra vår ekonomi för alltid, när tillräckligt många börjar använda dem. Framtiden som många oroade sig för när AI tar över våra jobb är här nu. Den är bara inte jämt utspridd än.

Men frukta ej! En mission jag har med det här nyhetsbrevet är att jag varje vecka försöker ge konkreta tips på hur vi människor kan tänka för att vara mer förberedda inför ett förändrat samhälle. Förra veckan skrev jag om de vallgravar som AI-bolagen bygger för att de ska fortsätta vara relevanta och behålla sin business.

Veckans nyheter aktualiserade frågeställningen: hur ska vi människor fortsätta vara relevanta efter AI? Vad är människors vallgravar för att inte bli ersatta av maskiner? Så istället för att skriva en guide för hur vi bygger AI-agenter eller bygger appar till ChatGPT så har veckans arbete varit att tolka en spännande forskningsrapport för att besvara frågan:

Vad ska människor jobba med när AI tar över?
[TL;DR] Svaret är: Vi ska finslipa vårt omdöme. (judgment)

I forskningsrapporten The Economics of Bicycles for the Mind (NBER, juli 2025) hittade jag en struktur för att tolka hur värde av arbetsuppgifter påverkas av ny teknik. I den har forskarna Agrawal, Gans och Goldfarb gått igenom den empiriska litteraturen och kommit fram till att vi vet att både datorer och AI på det stora hela har ökat produktiviteten i företag och för enskilda användare. Men att vi trots det inte kan förutse vem som tjänar på det och hur arbetslivet förändras. Enligt tidigare studier har det varit förvånansvärt oförutsägbart.

Framgångsfaktorerna för vem som blir vinnare och förlorare har ofta varit oklara. Varför vissa yrkesgrupper drar ifrån, medan andra halkar efter eller förlorar jobbet, har varit förvånansvärt svårt att förutse.

Men när forskarna delade upp kognitivt arbete i tre delar så kunde de konstruera en modell som stämmer med tidigare empiriska data. Modellen delar upp kognitivt arbete i implementering, Opportunity Judgment och Payoff Judgment. Jag väljer att ha kvar de engelska begreppen för att de tydligare beskriver vad de innehåller än svenska översättningar, vi ska gå igenom dem noggrannare strax.

Forskningen tar avstamp i citatet ”Computers is like bicycles for the mind”, något som Steve Jobs brukade säga och som refererar till en forskningsrapport i Scientific American 1973 där forskare kom fram till att cyklar var det ultimata sättet att få utväxling på energin från våra ben. Jobs menade att datorer var ett sätt att spendera mindre kognitiv energi och ändå få mer jobb utfört.

Enligt ekonomiforskarna så leder ny teknik som möjliggör att arbetaren kan anstränga sig mindre men ändå får större värde tillbaka än tidigare till två saker. Först störtdyker värdet av en arbetsroll för alla. Sedan går värdet upp igen på samma typ av arbetsroll, men bara för vissa.

Nu ska vi gå igenom hur vi tar oss igenom den här berg-och-dal-banan för att landa i den värdefulla kategorin.

Implementering

Forskarna visar att ny teknik demokratiserar och underlättar det de kallar implementering och som följd minskar värdet av färdigheten att kunna implementera. Värdet av att vara duktig på att implementera kommer att sjunka mot noll.

Forskarna kommer fram till att maskiner alltid kommer kunna utföra själva producerandet, skapandet eller implementeringen av artefakterna av vårt tankearbete billigare och effektivare än om vi själva gör det. Ny teknik leder till mer output med mindre ansträngning.

Jag håller helt med forskarna. Människor kommer aldrig vara effektivare än maskiner på ritandet av en logotyp, skrivandet av ett kontrakt eller tillverkning av en ny medicin.

Om du anser att din bästa skill är att göra, utföra och implementera så behöver du omformulera vad du är bra på. Det betyder inte att ditt värde att garantera att artefakter producerade av dig fortfarande håller hög kvalitet försvinner. Du måste bara förstå att du tillför värde när du analyserar iterationer, inte när du producerar iterationer.

Opportunity Judgment

Forskarna visar att om du är duktig på att snabbt bedöma vilka förbättringsmöjligheter du har så hinner du utforska fler möjliga alternativ.

Forskarna kommer fram till att även om maskiner kommer att vara effektivare på att producera artefakter så ger en människa som är duktig på att snabbt se oväntade förbättringsmöjligheter stor utväxling på hur många artefakter som hinner produceras.

Här håller jag med forskarna om att när ansträngningen det tar att skapa något sjunker mot noll ökar värdet på att ha bra omdöme för att hitta nya möjligheter. (opportunity judgement)

De som använder maskiner för att materialisera prototyper av sina idéer hinner testa fler än de som inte använder maskiner och att just nu är omdöme för att förstå vad som ska skapas nödvändigt.

Som ”AI workslop” (AI-skapade arbetsdokument utan meningsfullt innehåll) visat så är det inte i skapandet av artefakter med AI som värdet sitter, utan i ditt omdöme att se vad som tillför värde att skapa.

Men jag tycker att forskarna undervärderar i vilken utsträckning opportunity judgment redan idag går att simulera av en AI. för att analysera en artefakt (prototyp/iteration) och se en möjlig förbättringspotential redan idag går redan att simulera.

Be en AI skriva en text, klistra in den texten i en ny chatt och be AI beskriva förbättringspotentialer. Kopiera in det i en tredje chatt och be AI skriva om texten utifrån förbättringspotentialerna. Ett AI-agentsystem klarar av att göra tusentals iterationer där det hittar nya vinklar och förbättringspotentialer på samma tid det tar oss människor att kopiera text fram och tillbaka en gång.

Dessutom kommer AI-agentsystem att kunna bli skolade av dig för att lära sig din smak och hur du gör för att hitta nya möjligheter. Så jag håller inte med forskarna om att generisk opportunity judgment kommer att vara ett område som bara människor klarar av för all framtid.

Just nu kommer en mängd höglöneyrken sjunka i värde eftersom många fler kan utföra dem med AI-verktyg/AI-agenter/AI-system. (Stephen Hawking åker ner). Men på sikt kommer endast ett fåtal individer att ha så unik förmåga till opportunity judgement att deras sätt att tänka inte går att kopiera av en AI. (Stephen Hawking klarar sig!) Alla vi andra blir på sikt utkonkurrerade av blixtsnabba AI-drivna maskiner.

Men även om jag ser en helt annan samhällsutveckling på grund av AI än forskarna så blir slutsatsen från deras modell och mina egna tankar samma. Om du blir bättre på att hitta nya vinklar på möjligheter så är det en skill som kommer att placera dig som högavlönad även efter att AI tar över fler och fler områden.

Payoff Judgment

Forskarna visar att om du är duktig på att utifrån en färdig implementering bedöma vad den optimala handlingen är som du kan ta härnäst, så ökar värdet du kan extrahera (dra nytta av) från implementeringens framgång, eftersom du har förmågan att översätta det nya kunskapsläget till ett optimalt beslut.

Forskarna kommer fram till att även om maskiner kommer att vara effektivare på att producera artefakter så ger en människa som är duktig på att se oväntade värden i det som just producerats stor utväxling av kvalitetshöjningar i nästa artefakt (prototyp) som produceras.

De säger att prediktiva system kommer göra världen mer stabil och förutsägbar. Men eftersom de bara följer kända mönster så blir ökar värdet av att ha bra omdöme för att fatta beslut om vad vi gör nu givet den situation vi är i.

Även här ser jag att forskarna underskattar effekten som en bred spridning av AI-system kommer ha. Helt oväntade situationer kommer att vara mycket sällsynta och jag bedömer att forskarna underskattar hur få case det kommer finnas kvar där AI-maskiner inte kan se ett mönster i hur en människa skulle agera.

Varje gång någon skriver ner hur de har tänkt när de stod inför en oväntad situation så assimileras den kunskapen till ett mönster som AI kan känna igen. Ditt sätt att se på världen och fatta beslut behöver vara väldigt excentriskt för att en AI inte ska kunna simulera det. Situationer där de bästa ledarna skulle vara eniga om vilket beslut som är det rätta kommer AI att implementera snabbare än vi människor.

Endast ett fåtal individer kommer ha så märkliga sätt att fatta beslut som ändå leder till att värde skapas att AI inte klarar av att simulera dem. Alla vi andra blir på sikt utkonkurrerade av AI-maskiner med simulerad kreativitet.

Men även om jag ser en annan samhällsutveckling än forskarna så håller deras modell. Om du blir bättre på att gilla läget i riktigt konstiga situationer och komma på unika sätt att navigera vidare i dem (bli mer MacGyver) så är det ett skillset som kommer att placera dig som högavlönad även efter att AI tar över fler och fler områden. Jag tror bara att du behöver vara mycket mer weird för att vara värdefull än vad de tror.

Vi har hört ett tag att det är människans smak som kan konkurrera med AI. Men den här forskningen visar att det är specifika områden för smak som ger konkurrensfördel mot maskiner. Det är smak i form av omdöme som dokumenterat leder till snabbare iterationer och värdefullare implementationer. Så det är din förmåga att avgöra vad som faktiskt är värt att förbättra, när allt annat redan går att automatisera som blir värdefullare ju fler maskiner som kan göra vårt jobb, och detta förändrar ju allt!

Vad bör du göra idag?

Förstå

När görandet blir billigt flyttar värdet till att välja rätt. Ett AI-system orkar tusentals försök. Din konkurrensfördel blir omdömet: att se vilken möjlighet som är värd att prova, sätta ramarna och avgöra när något är bra nog.

Human in the Loop heter det när vi bygger automatiseringssystem som sköter sig själva. Då lägger vi in stopp där en människa behöver fatta beslut innan systemet fortsätter producera. Idag har vi korta loopar. AI-verktyget producerar en text eller bild, human in the loop (det vill säga du) granskar output och använder omdöme för att bestämma hur du ska använda AI-verktyget i nästa steg.

Vi kommer successivt förflytta hur mycket ett AI-system kan fatta egna beslut kring. Vad vi behöver ha bra omdömesförmåga till är inte längre bara kring att analysera output utan att förstå när human in the loop behövs.

Ett system som har väl valda scenarion som triggar omdöme från en human in the loop kommer kunna leverera de mest värdefulla implementeringarna. Fast vi måste förstå att bygger du ett system där det blir för mycket human in the loop så kommer människan bli uttråkad på att kolla igenom varje producerad output. Det blir lika säkert som när IT tvingar människor att ha så svåra passwords att de skriver ner dem på en postit som de fäster på datorn.

Planera

Forskningen visar att det inte bara är individer som styr om från att fokusera på implementation till judgment som får högre värde på sikt. Detsamma gäller historiskt för organisationer.

Det är nu vi behöver planera för hur organisationers värde kan bibehållas och ökas med hjälp av de nya verktygen. Det är lätt att tänka att AI är lika med effektivare medarbetare, för det stämmer ju. Mer produceras när medarbetare lär sig prompta fram artefakter, vilket leder till att de flesta tänker att fler promptkurser kommer leda till ökat värde för vår organisation.

Men om forskarnas modell har rätt så är den ökade produktiviteten inte en framgångsindikator för om din organisation kommer bli värd mer eller mindre när AI breder ut sig.

För att få ökat värde när produktiviteten ökar krävs omdefinierade arbetsroller, organisationsförändringar och nya mätetal. Det är anledningen till att många organisationer kommer att tappa i värde. Tröskeln för att göra stora förändringar är mycket hög.

Det kräver ledningsbeslut som bara de med bäst omdöme kommer kunna ta. Det vi måste planera för nu är hur vi ska få fler ledare att vidga sitt perspektiv på vad AI förändrar från hur vi anpassar medarbetare till hur vi anpassar organisationen.

Gör

Dagens gör blir extra viktigt! Det är ju lätt att säga ”ha bättre omdöme”. Men går det att påverka?

Jag har delat upp vad omdöme är enligt The Economics of Bicycles for the Mind, fokuserade på de delar jag anser är relevanta även om AI tar över mer än de tror och sedan letat upp forskning som visat hur man tränar upp sin förmåga.

Här är sju skills du kan träna för att fortsätta vara värdefull när AI tar över fler och fler jobb:

Så här övar du upp opportunity judgment så du blir expert på att snabbt avgöra var nästa enhet energi ska läggas. Det du ska bli bra på:

1. Skifta framing/kategori

Se mönster som tyder på att problemet är fel formulerat (stark lokal optimering, svag systemeffekt).

Exempel:
1968 råkar 3M-forskaren Spencer Silver uppfinna ett svagfästande klister när han egentligen jagade superstarkt lim. Internt kallades det ”a solution without a problem”.
1974 inser kollegan Arthur Fry att limmet är perfekt när man vill fästa och flytta.
Han byter perspektiv och från ”för svagt” till ”flyttbart”. Vilket leder till produkten Post-it.

Så säger forskningen att du ska göra:
Det finns gott om etablerad forskning på hur vi kan träna upp vår kreativa förmåga att skifta perspektiv. Här är några jag själv följer:
• Skriv ner problemet din implementering ska lösa i en kort mening.
• Skriv om problemformuleringen på ett par olika sätt som bryter ett antagande.
• Sätt en etikett på vilken typ av problem du har framför dig. ”Det här är ett marknadsföringsproblem”, sedan ser du vad som händer om du byter etikett ”Det här är ett organisationsproblem”
• Träna på att byta ett centralt specifikt ord i problemformuleringen mot ett generiskt.
• Lista regler som du/ni omedvetet följer och se vad som händer om en av dem skulle brytas.

2. Hitta punkter där små insatser ger stor effekt

Att lära oss se var små insatser kan skapa stor skillnad. Där AI-verktyg plus din input ger 10× utfall.

Exempel:
2008 testade Obamas digitalteam små varianter på en landningssida: När de bytte bild till en bild på familjen och ändra knappen från ”Sign up” till ”Learn more” så fick de 40% fler epostanmälningar., vilket uppskattades motsvara 60–75 miljoner dollar i extra donationer.

Så säger forskningen att du ska göra:
• Hitta flaskhalsar genom att kartlägga flöden för att se var det finns trånga passager eller var ökad kapacitet är möjlig.
• Följ pengarna, leta efter mönster där en mindre del av något står för den stora vinsten.

3. Se nuläget

Jag har redan skrivit ett helt nyhetsbrev om unlearning och vikten av att behärska att snabbt förstå att något som var färsk kunskap igår är värdelös idag. Den här färdigheten kräver också koll på omvärlden.

Exempel:
​​2005 insåg podcastplattformen Odeo att de aldrig skulle kunna konkurrera när Apple släppte iTunes med poddar. Odeo blev i praktiken överflödigt över en natt. De var villiga att byta spår och kom på att de skulle bli en meddelandetjänst istället. De startade då Twitter.

Så säger forskningen att du ska göra:
• Träna aktivt på att undvika sunken cost fallacy. Det vill säga bara för att vi redan investerat massor i fel sak blir det inte mer rätt att fortsätta investera i det.
• Träna aktivt på att ha ett öppet sinne. Fråga dig ofta ”Vilken observation skulle få oss att byta spår?”

4. Förstå access-fördelar

Vad har vi tillgång till som andra saknar? Det kan vara saker som till exempel data, partners, kanaler, timing, IP eller relation.

Exempel:
2012 bygger Niantic spelet Ingress. De får spelarna att crowdsourca en databas av intressanta platser världen över.
2016 skapar de succé med Pokemon Go genom att kombinera sin unika platsdata med universumet från Pokemon.

Så säger forskningen att du ska göra:
• Träna på att lista och betygsätt tillgångar enligt VRIN-modellen

Valuable: Vad har ni som ger värde för andra? 
Rare: Är det svårt för andra att få tag i? 
Inimitable: Är det svårt för andra att kopiera? 
Non-substitutable: Är det svårt för andra att hitta ett substitut för?

• Träna på att leta efter andra aktörer vars tillgångar skulle få multipel utväxling om det kombinerades med er tillgång. Vår [X] × deras [Y] = 10x (som Ingress Geo-data x Pokemons varumärke)
• Omvärldsbevaka.

Så här övar du upp payoff judgment så du blir expert på att besvara vad gör vi nu givet den situation vi har:

5. Bryt upp det du har i delar

Genom att se vad du har i dess beståndsdelar och sedan kombinera ihop det på nya sätt eller para med nya problem kan du hitta nya vägar för nästa steg.

Exempel:
1970 får Apollo 13 ett CO₂-problem och besättningen kommer att kvävas om de inte lyckas använda ett filter som inte alls passar. Ingenjörerna bryter ner behovet i funktioner (täta, styra luftflöde, filtrera, fästa) och använder bara saker som fanns ombord (tejp, slang, plastpåse, kartong) för att bygga en adapter. De lyckas och CO₂ sjunker och besättningen klarar sig.

Forskningen säger:
• Träning i Generic Parts Technique, det vill säga att bryta ned objekt/processer i generiska delar (material, form, storlek, funktion) minskar funktionell fixering. Det gör att du lättare kan öka vilka möjliga val du har om du måste använda något av det din AI just har skapat.
• Skriv så många idéer du kan komma på vad man kan använda det du har skapat till.

6. Förstå sambandet mellan slutmål, indikatorer och guardrails.

AI-system kommer att ha svårare att optimera mot högre slutmål och kommer förlita sig mer på att optimera för att få högre värdering i enskilda mätetal. Människor som har förmågan att se när något som gör enskilda mätetal (KPI:er) bättre inte leder effektivt mot slutmålet har ett mer värdefullt omdöme.

Exempel:
Standardiserade prov leder till ”teaching to the test”. Slutmålet med testen är att säkerställa att elever lär sig men styrningen mot att få bra testresultat gör att undervisningen smalnar mot provformatet, begreppsförståelsen tappas.

Så säger forskningen att du ska göra:
• Skriv slutmålet på en rad. Vad vill vi egentligen uppnå?
• Tänk igenom risken. Vad kommer en överdriven optimering av indikatorn leda till?
• Formulera en tes enligt formatet ”Detta mått duger så länge X håller sig inom gränsen”
• X blir ett guardrailmått som används för att avgöra hur ofta en AI ska störa dig för att fråga om det är okej att gå vidare. (Human in the Loop)


Både opportunity judgment och payoff judgment handlar om att du måste bli bättre på att byta perspektiv och ställa om. Men eftersom du i princip kan ta det här nyhetsbrevet och mata in det i en AI och be hen optimera sitt omdöme med dessa metoder nu när jag skrivit ner dem, så krävs det ett sista skill:

7. Träna ett excentriskt omdöme (som ändå blir rätt)

Du måste våga tänka annorlunda men inte bara göra det för sakens skull utan på ett robust sätt som bottnar i insikter som bara du har. Om du lär dig att värdet av de idéer som du tror starkt på är större om de går emot vad konventionen säger kommer du bli bättre på att göra märkliga men värdefulla val.

Så säger forskningen att du ska göra:

Blanda inte i för mycket okonventionellt
Hög genomslagskraft uppstår när du förankrar dig i det etablerade men injicerar en ovanlig kombination. Riktlinje 90/10-mix (90 % välkända metoder + 10 % medvetet udda komponent som ny datakälla, ny partner, ny distributionskanal).

Dina vanliga åsikter är värda mer i sammanhang där du är ovanlig
Äkta minoritetsåsikter höjer både mängd och kvalitet på idéer. Spelade roller av djävulens advokat tillför litet värde, men om du antingen lyssnar på äkta åsikter från någon med annat perspektiv eller blir den som är minoritet så skapar det högt värde.

Skapa psykologisk trygghet annars dör det udda
Anledningen till att så få blir excentriska är att det är jobbigt att vara annorlunda. Så det svåraste rådet att följa men som är en hörnsten i att odla värdefulla excentriska omdömesförmågor är att hitta sammanhang där vi uppmuntras att fortsätta vara annorlunda. Team där det är riskfritt att tänka annorlunda presterar bättre och lär sig snabbare.

Det är mycket hemläxa, och mycket av det här passar långt ifrån alla. Men nu vet du i alla fall vad du borde göra redan idag.

Länkar

Forskningsrapporten The Economics of Bicycles for the Mind (Tyvärr inte öppen men här är länken)
https://www.nber.org/papers/w34034

Claude kan jobba 30 timmar själv.
https://www.anthropic.com/news/claude-sonnet-4-5

OpenAI lanserar AgentKit
https://openai.com/index/introducing-agentkit/

Google lanserar Opal
https://developers.googleblog.com/en/introducing-opal/

OpenAI lanserar appar i ChatGPT
https://openai.com/index/introducing-apps-in-chatgpt/

OpenAI uppgav i veckan att man hade 800 miljoner aktiva ChatGPT-användare https://techcrunch.com/2025/10/06/sam-altman-says-chatgpt-has-hit-800m-weekly-active-users/

Apple uppgav 2019 att man hade nått 900 miljoner aktiva iPhone-användare.
https://techcrunch.com/2019/01/29/apples-global-active-install-base-of-iphones-surpassed-900-million-this-quarter/

Sedan sist vi hördes

Jag nämde nyligen att Google AI-mode var den AI som Washington Post ansåg hallucinerade minst, och nu har vi fått Google AI-mode även i Sverige. Christian Rudolf gjorde en kort analys av vad man kan förvänta sig om man är intresserad av hur det påverkar trafiken till sin sajt.

Men den mest intressant nyheten som jag läst under veckan är nog annars att Figures humanoida robotar har jobbat 10 timmar om dagen fem månader i sträck i BMWs fabrik i USA. Denna nyhet visar att det inte bara är kontorsjobb som kommer bli automatiserat utan även manuellt arbete som tidigare inte har gått att ersätta med repetitiva robotar.

Är du en insiktsdelare?

Känner du någon som skulle orka läsa en lång genomgång av vad en organisation behöver förstå för att fortsätta vara relevant efter AI? Eller kanske någon som vill rusta sig för att bli högavlönad när arbetslösheten ökar? Vem tänkte du på? Skicka vidare!

Kul att du tagit dig igenom veckans extra långa nyhetsbrev! Om du känner att det gav dig värde vore jag jätteglad om du blev betalande prenumerant (45 kronor i månaden). Då kan jag ägna mer tid åt att tänka och hålla dig uppdaterad om hur du och din organisation kan utnyttja AI och annan ny tech. Jag hyr också ut mitt omdöme, kontakta mig genom att svara direkt på det här mejlet eller dm via Linkedin.

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):