AI och konsten att börja om
Föreställ dig att du sitter och lägger ett stort pussel. Bit för bit börjar bilden ta form – du ser konturerna, färgerna, men precis när du börjar få en tydlig bild av vad du sätter ihop, kommer någon och byter ut hälften av pusselbitarna och ger dig helt nya bitar att kombinera och få på plats. Det är frustrerande, utmanande och ibland tröttsamt. Men det är också ganska spännande. Och precis så känns det att arbeta med AI idag.
Dags att kasta bort och lära sig på nytt.
När jag arbetar med Content Engineering-studenter på Berghs ser jag samma mönster: De lär sig att använda AI-verktyg och applicera de senaste ramverken. De lär sig genom att prompta skickligt enligt modeller och strukturer som ska ge de bästa svaren men rätt som det är, uppdateras språkmodellerna och ramverken är inte längre aktuella eller nödvändiga. Dags att kasta bort, och lära sig på nytt. Ett bra exempel är de senaste släppen av forskningsassistenter från både Perplexity.ai och OpenAi:s Deep Research. När vi ställs inför mer komplexa forskningsuppgifter, märks det tydligt att vi behöver ett nytt ramverk för hur vi kan få det bästa svaret.
Deep Research kräver att vi lär om hur vi använder AI
De flesta är vana vid att använda AI med korta och direkta kommandon. Men för Deep Research, alltså djupgående informationssökning och analys, fungerar det inte längre. Här krävs ett nytt sätt att arbeta:
1. Flerstegspromptning är nödvändig
Istället för att be AI:n om ett svar direkt, måste vi bryta ner problemet i flera steg. Exempelvis:
Steg 1: Be AI:n att skapa en lista över viktiga delområden inom ditt ämne.
Steg 2: Fördjupa varje delområde genom att fråga efter studier, källor eller trender.
Steg 3: Be AI:n att jämföra perspektiv och sammanställa insikter.
Detta kallas multi-step reasoning och är avgörande för att undvika ytliga eller generiska svar.
2. Kontextuell Prompting
Vanliga prompts är fristående, men vid Deep Research krävs Kontextuell Prompting. Vi kan exempelvis:
- Be AI:n att hålla sig till en specifik forskningsvinkel.
- Mata in egna dataset och referensmaterial (via RAG eller vektorbaserade databaser).
- Använda avancerade AI-verktyg som ChatGPT Advanced Data Analysis för att bearbeta och tolka data.
3. Faktagranskning är avgörande
Till skillnad från enklare AI-genererade texter kan hallucinationer (fabricerade fakta) vara katastrofala vid research. Därför behöver vi:
- Be AI:n att ange källor och referenser.
- Ställa kritiska frågor, t.ex. "Vilka motargument finns det?".
- Jämföra AI:ns svar med externa, verifierade källor.
R.A.G.E. – Ramverket för AI-driven Deep Research
Men hur gör du det här i praktiken? Ett enkelt sätt att tänka kring Deep Research är att använda R.A.G.E., ett eget påhittat ramverk för att få AI att arbeta på ett mer analytiskt och strukturerat sätt:
- Reframe – Bryt ner frågan i mindre delar och be AI:n att utforska flera perspektiv.
- Anchor – Ge AI:n referensmaterial eller kontext för att minska hallucinationer.
- Guide – Använd flerfrågesteg och iterativa uppföljningar för djupare analys.
- Evaluate – Granska och jämför AI:ns svar med externa källor.
Lär dig detta, ta in det, men var beredd på att, om en månad kanske ett nytt tillvägagångssätt gör detta ännu bättre. Och plötsligt måste vi lära om igen.
Vi måste bli experter på att vara nybörjare Den största utmaningen är inte att AI tar över jobb – det är att vi själva fastnar i gamla sätt att arbeta. Att vänja sig vid ständig förändring är en superkraft. De som lyckas är de som kan se sig själva som eviga nybörjare, som kastar sig ut i osäkerhet med en nyfikenhet större än rädslan att ha fel.
Så nästa gång du känner att du precis fått grepp om en AI-metod som plötsligt blir irrelevant – grattis! Du är mitt i den nya tidens kompetensutveckling. Välkommen till en värld där din förmåga att börja om, om och om igen, är det mest värdefulla du kan ha.
Skrivet av: Nina Amjadi