För att få bra resultat med AI räcker det inte att bara ställa en fråga och hoppas på det bästa. Det spelar också roll vad modellen kan, vilka funktioner som finns runt den och hur du själv styr arbetet. När du förstår skillnaden mellan modellförmåga och systemförmåga blir det lättare att använda AI på ett mer genomtänkt, effektivt och tillförlitligt sätt.
När man använder ChatGPT är det lätt att tänka att man ”pratar med en AI” och att allt beror på hur smart den är. I praktiken arbetar du med ett helt AI-system. För att förstå varför AI ibland fungerar imponerande bra – och ibland ganska dåligt – behöver man förstå skillnaden mellan två saker:
- Modellförmåga (eng. model capability). Vad den underliggande AI-modellen kan, i grunden.
- Systemförmåga, wrapperförmåga (eng. system capability, wrapper capability). Vad hela produkten kan, tack vare verktyg, styrning och design runt modellen.
Den här påverkar hur du planerar arbete, hur du bedömer kvalitet och hur du får stabilt bra resultat.
Modellförmåga: det modellen kan på egen hand
Modellförmåga handlar om vad själva AI-modellen klarar på egen hand; alltså de grundförmågor som byggts upp genom träningen.
Det handlar bland annat om att kunna:
- förstå och skriva språk
- sammanfatta, förklara och omformulera texter
- resonera och lösa problem
- se samband och planera i flera steg
- använda kunskap från träningsmaterialet
- känna igen mönster i text och ibland även i bilder
- skriva och analysera kod
Du kan tänka på modellen som motorn i systemet. Den avgör ungefär hur kraftfull AI:n faktiskt kan vara.
Samtidigt kommer inte alltid modellens fulla förmåga fram automatiskt. Om instruktionen är vag eller otydlig använder modellen ofta bara en liten del av sin kapacitet. Det är därför samma AI ibland kan kännas imponerande och ibland ganska medelmåttig.
Systemförmåga (wrapper): det som gör att systemet kan mer än modellen
Systemförmåga handlar om allt som byggts runt själva AI-modellen; alltså verktyg, instruktioner, minnesfunktioner och andra funktioner som påverkar hur modellen arbetar och vilka uppgifter den kan utföra.
Det kan till exempel vara:
- instruktioner som styr ton, struktur och hur svar ska formuleras
- säkerhetsfunktioner som avgör vad modellen får eller bör svara på
- verktyg för webbsökning, dataanalys, kodkörning, filhantering och bildgenerering
- system som hämtar in relevanta dokument eller annan information i kontexten
- funktioner som avgör vad från samtalet som är viktigast att “komma ihåg”
- arbetsflöden där AI:n arbetar stegvis, ställer följdfrågor eller delar upp uppgifter i flera delar
Man kan tänka på wrappern som allt runt motorn i en bil. Själva modellen är motorn, men systemet runt omkring avgör hur mycket kraft, precision och funktionalitet du faktiskt får ut i praktiken.
Vad du egentligen använder när du använder ChatGPT
När du använder ChatGPT pratar du egentligen inte bara med en språkmodell. Det du möter är en kombination av modellens egna förmågor och systemet runt omkring den – alltså verktyg, regler, minnesfunktioner och olika sätt att styra hur arbetet sker. Det är också därför ChatGPT ibland kan kännas väldigt kraftfullt och ibland betydligt mer begränsat.
Till exempel har modellen i sig inte automatiskt kunskap om sådant som hänt efter att den tränades. Om ChatGPT ändå kan ge aktuell information om nyheter, företag eller händelser beror det ofta på att systemet använder verktyg som webbsökning för att hämta information i realtid. Dagsaktuell kunskap är alltså ofta en systemfunktion snarare än en ren modellförmåga.
Samma sak gäller kod och beräkningar. Modellen kan ofta skriva kod, förklara matematik och resonera kring lösningar, men om systemet dessutom kan köra koden eller utföra beräkningar blir resultaten betydligt mer tillförlitliga. Det är skillnad mellan att beskriva hur något borde fungera och att faktiskt kunna testa och verifiera det.
Även ton, beteende och begränsningar påverkas i hög grad av systemet runt modellen. Om ChatGPT ibland vägrar svara på vissa frågor, uttrycker sig försiktigt eller undviker vissa formuleringar handlar det ofta om säkerhetslager och policyregler – inte om att modellen saknar intelligens eller förståelse.
Systemet runt modellen påverkar alltså inte bara vad ChatGPT kan göra, utan också hur det gör det.
Vad spelar det för roll för dig som användare?
Att förstå skillnaden hjälper dig i tre saker: förväntningar, arbetsmetod och kvalitetskontroll.
Du får rimliga rimligare förväntningar (och mindre frustration). När ett AI-svar blir svagt är det lätt att tänka att “AI inte klarar det här”. Men ofta handlar problemet snarare om hur uppgiften formulerats eller hur arbetet organiserats. Kanske var instruktionen för vag, kontexten för tunn eller formatet dåligt anpassat för uppgiften. I vissa fall hade resultatet också blivit bättre om systemet använt rätt verktyg, till exempel webbsökning, dataanalys eller beräkningar. Med rätt arbetssätt går det därför ofta att få betydligt bättre resultat från samma AI.
Du börjar arbeta mer professionellt med generativ AI. När du ser ChatGPT som ett system, snarare än bara en chatt, blir det mer naturligt att dela upp problem i flera steg, be om alternativ och jämförelser, ange tydliga krav och begränsningar samt använda verktyg för exempelvis sökningar, data och beräkningar när det behövs. Den förståelsen gör det enklare att skapa rätt förutsättningar för genomarbetade och kvalitativa svar.
Du lär dig när du behöver kontrollera svaret. Modeller kan ”hitta på” eller vara övertygande trots att något är fel. Systemet runt modellen kan minska risker men tar inte bort dem. Därför behöver du veta när du ska kontrollera fakta, använda externa källor och be AI redovisa antaganden och osäkerheter.
Så här organiserar du arbetet för att skapa mer värde (och varför)
När du börjar förstå hur generativ AI faktiskt fungerar blir det också lättare att förstå varför vissa arbetssätt fungerar mycket bättre än andra. Problemet är sällan själva verktyget. Ofta handlar det i stället om hur arbetet organiseras runt det. Om AI används för en enda snabb fråga blir resultaten därefter. Om det däremot används som en del av en genomtänkt process går det ofta att skapa betydligt mer värde.
Här är några arbetssätt som gör stor skillnad.
Arbeta i flera steg – inte med en enda prompt. Försök att se AI som en del av ett arbetsflöde, inte som en engångsfråga. I stället för att be om ett färdigt resultat direkt kan du använda AI i flera steg: först för att strukturera tankar och idéer, sedan för att skapa innehåll och därefter för att granska, förbättra och förtydliga Det gör det enklare att få genomarbetade resultat i stället för generiska första utkast.
Be AI resonera. Det är ofta mer värdefullt att förstå resonemanget bakom ett svar än att bara få själva slutsatsen. Be därför AI:n att redovisa sina antaganden, jämföra olika alternativ och beskriva risker, konsekvenser och möjliga trade-offs. Du kan också be den resonera kring för- och nackdelar eller visa olika scenarier beroende på vilka val som görs. Det gör det lättare att tänka kritiskt, upptäcka svagheter i resonemanget och fatta bättre beslut.
Se första svaret som ett utkast. Det första AI-svaret är sällan det bästa. Se det hellre som ett första utkast som går att förbättra. Be AI:n skriva om texten för en annan målgrupp, göra resonemangen tydligare, korta ned det som blivit för långt eller utveckla det som är för tunt. Du kan också be den leta efter oklarheter, svaga argument eller sådant som saknas. Ofta är det just i nästa version – och nästa efter det – som resultatet blir riktigt användbart.
Kombinera AI med andra verktyg och källor. AI blir betydligt mer användbart när det kombineras med annat material, som webbkällor, statistik, data och rapporter. Då blir resultaten mer relevanta, mer träffsäkra och bättre förankrade i verkligheten.
Ge tydlig kontext från början. Kvaliteten på resultatet påverkas starkt av hur tydliga instruktionerna är. Ju mer relevant kontext du ger från början, desto större chans att svaret faktiskt blir användbart direkt. Försök därför att beskriva vad målet är, vem mottagaren är och vilket format du vill ha. Det hjälper också att förklara vilka begränsningar som finns, vad som är viktigast att prioritera och vilken ton eller nivå som passar situationen. Ju tydligare riktning du ger, desto mindre behöver du korrigera och styra om i efterhand.
Förstå när AI inte räcker. AI är bra på mycket, men den ska inte få sista ordet i alla frågor. Den kan hjälpa dig att analysera, strukturera och se mönster, men ansvaret för bedömningen ligger fortfarande hos dig. Var därför särskilt noga med att dubbelkolla fakta, siffror, källor och referenser. Detsamma gäller juridiska, ekonomiska eller andra känsliga uppgifter, liksom beslut som kan få större konsekvenser. Där bör AI användas som stöd – inte som facit.
Bygg sådant som går att återanvända. Om du gör samma typ av uppgifter ofta är det värt att skapa egna mallar och arbetssätt som går att använda igen. Det sparar tid, minskar onödigt arbete och gör resultaten mer konsekventa över tid. Det kan handla om återanvändbara promptar, checklistor, standardinstruktioner eller färdiga arbetsflöden för vanliga uppgifter. Ju mer du återanvänder sådant som redan fungerar bra, desto mindre behöver du börja från noll varje gång.
När arbetssättet förändras förändras också resultaten
Som vi har sett handlar bra AI-resultat sällan bara om hur kraftfull modellen är. Resultatet påverkas också av systemet runt modellen, och av hur du själv arbetar med AI:n. Det är därför samma AI ibland kan kännas imponerande och ibland ganska begränsad.
Skillnaden ligger ofta i hur tydlig kontexten är, om rätt verktyg används och hur väl arbetet delas upp och följs upp. När du börjar arbeta mer stegvis, iterativt och med tydligare instruktioner får du också tillgång till mer av modellens faktiska förmåga. AI blir då inte bara ett verktyg för snabba svar, utan ett stöd genom hela arbetsprocessen.
Att förstå skillnaden mellan modellförmåga och systemförmåga gör det lättare att förstå varför AI fungerar som det gör, och varför resultaten ibland varierar så mycket. Men förståelsen är egentligen bara första steget. I nästa text – Arbeta smartare med AI – praktiska steg som ger bättre resultat (del 2) – tittar vi närmare på hur du faktiskt kan arbeta med AI i praktiken, och vilka arbetssätt som gör störst skillnad för kvaliteten på resultaten.
