Du sätter dig vid skrivbordet första dagen efter semestern. Kaffekoppen doftar, inkorgen är full och redan på första mötet börjar kollegorna prata om tokens, RAG, open source-modeller och vibe coding. Du nickar, men inser att AI-världen inte har tagit semester bara för att du har gjort det. Du är inte ensam, många tycker att det kan vara en djungel att förstå hur allt hänger ihop.
Vi på Digitalist har satt ihop en lättläst guide, som ger dig full koll. I guiden hittar du korta förklaringar av centrala AI-begrepp. För vissa begrepp, har vi också lagt till varför det är relevant för dig i ditt arbete, så att du inte bara förstår vad det betyder, utan också varför det spelar roll i praktiken. Perfekt att dyka ner i nu när du är tillbaka, för att möta höstens projekt med både skärpa och självförtroende.
Tre vägar tillbaka in i AI-snacket
Hoppa direkt till avsnittet som passar dig!
- Grunderna – För dig som vill förstå vad AI egentligen är.
- Avancerat – För dig som vill ha koll på nästa nivå.
- Säkerhet, lagar och modeller – Publika, lokala och open source-modeller, samt lagar och risker att ha koll på.
Del 1: Grunderna inom AI
AI (Artificiell Intelligens)
AI är teknik som gör att datorer kan utföra uppgifter som normalt kräver mänsklig intelligens, som att känna igen bilder, förstå tal eller skriva texter. Till skillnad från vanliga program kan AI analysera information, hitta mönster och föreslå lösningar.
Relevans: Du möter AI varje dag i e-postfilter, röstassistenter, bildigenkänning och verktyg som ChatGPT.
Machine Learning (ML)
Machine Learning innebär att datorn lär sig av data i stället för att få exakta instruktioner. Precis som ett barn lär sig känna igen hundar genom att se många exempel, tränas ML på stora datamängder för att upptäcka mönster och förstå ny information.
Träningsdata
Den stora informationsmängd AI-modellerna lär sig ifrån. Bra data ger bra resultat, dålig data ger skeva svar.
Relevans: Om din organisation tränar AI på bristfällig data kan det leda till felaktiga beslut eller partiska resultat.
AI-språkmodell (LLM, Large Language Model)
Själva AI-hjärnan som besitter all träningsdata och intelligens, oftast med modellnamn som dessa.
- Exempel. GPT-4, GPT-5, Claude 4 Sonnet/Opus, Llama, Gemini eller Mistral etc.
Relevans: Det är LLM:er du använder varje gång du chattar med en AI-assistent eller bygger en AI-agent i företaget.
AI-verktyg
Applikationer/Program som gör att du kan interagera med de olika AI-modellerna, t.ex. ChatGPT, Microsoft Copilot, Open WebUI, Perplexity etc.
Relevans: Skillnaden mellan modeller och verktyg är viktig. Modellen är motorn, verktyget är bilen du kör den med.
Generativ AI
AI som kan skapa nytt innehåll, text, bilder, kod, video, istället för att bara analysera.Till skillnad från traditionell AI som klassificerar eller förutsäger, kan generativ AI faktiskt skapa något som aldrig funnits förut.
Tokens
AI räknar text i små enheter som kallas tokens. Kostnaden baseras ofta på antal tokens som användaren förbrukar, för den AI-modellen man använder i sitt AI-verktyg.
Context Window
Hur mycket text AI:n kan "komma ihåg" och hantera i en och samma konversation. AI:ns arbetsminne, när det blir fullt glömmer den bort början av samtalet. Olika AI-modeller har olika stora kontextfönster.
API (Application Programming Interface)
Ett “gränssnitt” som gör att olika program kan prata med varandra. Tänk på det som en servitör på restaurang: du beställer (din prompt), servitören (API:t) går till köket (AI-modellen) och kommer tillbaka med maten (svaret). Utan API:er skulle det vara mycket svårare att använda AI i appar och system.
Relevans: API:er är grunden för att bygga in AI i appar, interna system eller kundlösningar.
Prompt/Prompting
Konsten att skriva bra instruktioner till AI för att få ut bästa möjliga resultat. En prompt kan vara allt från en enkel fråga (“Vad är vädret i Stockholm?”) till en avancerad instruktion med roll, format och kontext.
Relevans: Din förmåga att prompta påverkar direkt hur bra svar du får, en nyckelkompetens i vardagligt AI-arbete.
Del 2: Avancerat
RAG (Retrieval-Augmented Generation)
Ger AI-språkmodeller tillgång till aktuell och specifik information, till exempel interna företagsdokument och rapporter etc.
Relevans: Det är så företag kan bygga AI-assistenter som svarar utifrån sin egen kunskapsbas istället för att AI “hittar på”.
Multimodal AI
AI som kan förstå flera typer av innehåll samtidigt, t.ex. Text, ljud, video och bild i kombination.
Relevans: Gör AI mer användbar i verkliga arbetsflöden, som till exempel inspelning av möten med transkribering, analys av statistik, eller olika typer av bildtolkning.
Fine-tuning
Att anpassa en befintlig AI-modell för specifika uppgifter genom ytterligare träning.
Relevans: Används för att skräddarsy modeller för en viss bransch eller uppgift.
Vibe coding
Ett nytt sätt att programmera där du beskriver vad du vill uppnå och låter AI skriva koden åt dig. Du “coachar” AI:n genom att ge feedback snarare än att själv skriva varje rad kod.
Relevans: Gör utveckling snabbare och mer experimentell, men kräver att du kan granska resultatet.
AI-assistent
En AI-assistent är en roll som en AI-modell kan ta, anpassad för att stötta dig i ett specifikt arbete. Den kan vara generell (som ChatGPT i standardläge) eller skräddarsydd (som en Custom GPT eller en assistent byggd i Open WebUI kopplad till era interna dokument). Assistenten är interaktiv och hjälper dig med vardagliga uppgifter genom dialog.
Relevans: AI-assistent kan fungera som din “digitala kollega”, för en specifik uppgift. Du använder AI-assistenter varje dag för att skriva texter, analysera data, planera möten eller brainstorma idéer. Många företag bygger även egna AI-assistenter i verktyg som Open WebUI eller genom att skapa en Custom GPT, ofta kopplade till interna dokument och system för att bli mer skräddarsydda för organisationens behov.
AI-agent
Till skillnad från en assistent kan en AI-agent arbeta mer självständigt. Den kan planera steg, välja rätt verktyg och utföra uppgifter utan att du behöver styra varje moment. Agenter kan t.ex. hämta data från olika system, uppdatera dokument eller automatisera arbetsflöden.
Relevans: AI-agenter blir nästa steg i många organisationer – från enbart smarta assistenter till mer autonoma medarbetare som frigör tid för människor.
Generative Engine Optimization (GEO)
En växande trend där företag optimerar sitt innehåll för att AI-verktyg ska hitta, förstå och citera det, ungefär som SEO för sökmotorer, fast för generativa AI-system.
Relevans: Företag som vill bli synliga och korrekt representerade i AI-genererade svar behöver tänka GEO, och gärna använda llms.txt för att peka ut rätt innehåll.
Open Source-modeller
AI-modeller där koden är öppen för alla att använda och modifiera (ex. LLaMA, Mistral, DeepSeek, Qwen). De främjar transparens och anpassning, men kräver ofta mer teknisk kompetens att använda.
MCP (Model Context Protocol)
En ny standard som låter AI-modeller säkert koppla upp sig mot externa verktyg och data i realtid, t.ex. kalender eller dokumentdatabas.
Vektordatabas
En specialiserad databas som lagrar text som matematiska vektorer (siffror) istället för ord. Gör det möjligt för AI att snabbt hitta liknande innehåll baserat på betydelse, inte bara exakta ord.
AGI (Artificial General Intelligence)
Framtidsvisionen om AI som är lika smart och flexibel som en människa. Kan lära sig nya saker och utföra uppgifter över alla områden. Vi är inte där än!
Del 3: Säkerhet, modeller och trender
AI Bias
När AI ger skeva resultat p.g.a. partisk träningsdata. Exempel på bias som kan uppstå:
- Sjukvård: En AI för diagnoser kan missa symtom hos kvinnor, eftersom den tränats på data där majoriteten av patienterna var män.
- Kreditbedömning: En AI som bedömer lån kan ge lägre poäng till personer från vissa postnummerområden, bara för att träningsdata visar fler betalningsproblem där.
Relevans: Kan påverka allt från rekryteringssystem (AI favoriserar vissa grupper) till beslutsstöd i offentlig sektor. Viktigt att förstå för att undvika diskriminerande effekter.
Hallucination
När AI hittar på information som låter trovärdig men är fel. Exempelvis när Ebba Busch Thor, felaktigt, citerade krönikören Elina Pahnke under sitt tal i Almedalen. Ebba skyller på att hon i sin tur hade fått citatet, från ett AI-verktyg hon använt.
Relevans: Risk i arbete där tillförlitlighet är avgörande, t.ex. rapporter, juridiska texter eller interna analyser. Kräver alltid mänsklig faktakoll.
Deepfakes
Manipulerade bilder, ljud och filmer som ser äkta ut.
Relevans: En växande risk inom säkerhet, politik och kommunikation. Företag behöver rutiner för att upptäcka och hantera deepfakes som kan skada varumärket eller användas i bedrägerier.
Publika AI-modeller
Körs i molnet, enkla att komma igång med, men kräver ingen egen infrastruktur. Känslig data riskerar att lämna EU.
- Exempel: ChatGPT (GPT-4, GPT-5), Microsoft Copilot, Claude 4 Sonnet/Opus, Google Gemini, Groq etc.
Lokala AI-modeller
Körs på egna servrar med full kontroll över data, kräver mer teknik och resurser. Din data stannar hos dig och lämnar aldrig din kontrollerade miljö. Det finns inga risker för dataläckor hos tredje part, ingen oro för att känslig information hamnar i fel händer, och du behöver inte förlita dig på andras säkerhetspolicy.
- Exempel: Mistral AI, DeepSeek, Qwen, Llama etc.
Amerikanska modeller
Ofta ledande i prestanda och funktioner, men data kan komma att skickas utanför EU. Amerikansk lagstiftning kan ge regeringen rätt att begära ut data.
- Exempel: OpenAI GPT-4/GPT-5, Microsoft Copilot, Claude 4 Sonnet/Opus, Google Gemini
Europeiska modeller
Utvecklade med fokus på dataskydd och transparens och håller datan inom EU och följer GDPR.
- Exempel: Mistral AI, Aleph Alpha
AI Policy
En AI-policy sätter ramarna för hur medarbetare får använda AI-verktyg. Den anger vilka verktyg som är godkända, vilken information som aldrig får delas externt, vem som ansvarar för AI-relaterade beslut, samt hur AI-genererat innehåll ska märkas och kontrolleras. Policyn bör också innehålla rutiner för incidenter och utbildning av medarbetare.
EU AI Act
EU:s nya lag (2024) som delar in AI i fyra risknivåer, från minimal risk till oacceptabel. Påverkar alla som bygger eller använder AI i EU.
Relevans: Alla företag som använder AI i EU måste förhålla sig till lagen, oavsett bransch.
ISO/IEC 42001
Ny internationell standard för AI-ledningssystem (AIMS – Artificial Intelligence Management System). Ett ramverk som hjälper organisationer att bygga förtroende kring sin AI-användning, både internt och externt.
Relevans: Om ditt företag jobbar med AI kommer kunder och myndigheter snart kräva att ni visar att ni följer denna standard. Lite som ISO 9001 fast för AI.
Fyra tips för en stark AI-höst
- Sätt en AI-policy – tydliga spelregler ger trygghet och minskar riskerna.
- Börja smått och lär er längs vägen – testa AI i pilotprojekt innan ni rullar ut brett.
- Håll koll på lagar och standarder – EU AI Act och ISO/IEC 42001 påverkar fler än man tror.
- Välj rätt modell för rätt behov – fundera på om ni ska använda publika, lokala eller EU-baserade modeller och vad det betyder för er data.
Sammanfattning
Nu har du grunden för att hänga med i AI-diskussionerna, både vid kaffeautomaten och i höstens projektmöten. AI utvecklas snabbt, så fortsätt vara nyfiken och håll dig uppdaterad. Vi på Digitalist finns här för att stötta dig på resan.
