Ludvig Strand: Ordet som förklarar varför Claude ritar om AI-kartan i grunden

Du har sannolikt hört, vid alldeles för många tillfällen, att du “behöver en AI-agent”. Eller kanske tänkt att du redan har en, i form av en chatbot med förskrivna instruktioner eller tillgång till din mejl. Förvirringen kring begreppet var under förra året enorm. Det som såldes var överhajpat och underlevererade. Många köpte grisen i säcken.

Det som såldes var överhajpat och underlevererade

Modellerna blev gradvis bättre, men hölls tillbaka av tekniska begränsningar. Tills allt i november, i tysthet, började falla på plats. Utlösaren var en uppdatering av Claude Code, Anthropics kodagent. Istället för att nyttja det som ett hjälpmedel insåg utvecklare under julhelgerna att de kunde ge Claude hela projekt. Och att det fungerade. Erfarna programmerare beskrev det som att se någon annan lösa deras problem bättre än de själva kunde.

Det vi ser nu är ett paradigmskifte likt inträdet av ChatGPT, en tydlig brytpunkt där tekniken går från att vara intressant till en kraft för förändring. Det är också ett steg från en AI som säger saker till en AI som gör saker.

I februari satte en viral essä ord på känslan: "Something Big is Happening." Och det gör det. Inte bara inom mjukvaruutveckling, utan långt bortom det.

Vad är det som får AI-agenter att gå från överhajpade till underskattade? Vad är fundamentalt annorlunda? Varför har jag så snabbt gått från agent-pessimist till agent-optimist?

Allt handlar i grunden om ett begrepp AI-världen har stulit från hästvärlden: harness. Om du vill vara ‘in the know’ så är det detta du ska ha koll på.

Ordet kommer från systemet av tyglar och beslag som gör att ryttaren kan styra hästen. I en modernare tappning kan vi likna det vid en bil: om AI-modellen (GPT 5.4 eller Claude Opus 4.6) är motorn, så är “the harness” allt det andra: växellådan, kopplingen, ratten, sensorerna, gas- och bromspedalerna. Allt som gör att kraften kan kontrolleras, riktas och omsättas i värde som motorn ensam aldrig hade kunnat skapa.

Det är detta harness-lager som förklarar den dramatiska skillnaden

En AI-agent är alltså enklast beskrivet ett system. Det är intelligensen (motorn) och harnessen runt den som avgör hur väl kraften möter backen. I praktiken: vilka verktyg agenten har till hands, infrastrukturen den kör på, logiken som avgör när ett problem ska brytas ner i delar eller eskaleras till användaren, och kanske viktigast, hur den kan observera resultatet av sina egna handlingar och självkorrigera.

Det är just detta harness-lager som förklarar den dramatiska skillnaden i hur agenter beter sig och vilken kvalitet de levererar. När intelligensen nu blivit tillräckligt bra (hur mycket mer än PhD-nivå behöver vi?) och allmänt tillgänglig, har värdeskapandet alltså flyttat till harnessen.

Detta var det stora genombrottet i Claude Code i november, som att gå från en kraftfull motor i en lådbil till ett fullvärdigt system. Lådbilen hade prestandabrister som höll tillbaka förra årets AI-agenter, inte minst det begränsande “arbetsminnet” ("kontextfönster” i AI-lingo). Det resulterade i att dessa agenter efter ett tag började tappa tråden och glömma tidigare beslut och därför leverera sämre. "Deep Research"-funktionerna i ChatGPT är ett bra exempel där underliggande intelligensen funnits, men där stamina saknats.

Lösningen på det här var bland annat att skapa och orkestrera fler agenter och att komprimera arbetsminnet. Tänk skillnaden mellan att ge en person ett projekt och be henne hålla allt i huvudet, mot att ge henne ett team, en projektplan och möjligheten att delegera. AI-agenterna har fått precis detta: förmågan att skapa egna virtuella team, var och en med sitt eget arbetsminne, och låta dem arbeta parallellt med olika delar av en komplex uppgift.

Den orkestrerande agenten delegerar, samlar in, komprimerar och fortsätter framåt utan att tappa tråden. Resultatet är system som håller ihop arbete över betydligt längre tid, utan ständig handpåläggning.

Resultatet är system som håller ihop arbete över betydligt längre tid

Skillnaden är enorm. Från att kunna skriva enskilda funktioner kan de nya agenterna bygga hela projekt. Och de skriver inte bara koden; de testar den, upptäcker att layouten är trasig, diagnostiserar felet, rättar det, laddar om sidan, upptäcker att mobilvyn inte fungerar, justerar den, testar igen och fortsätter tills det fungerar.

Anekdoterna om vad detta inneburit konkret hopar sig.

• Tusentals av världens bästa programmerare beskriver en fundamental förändring i hur de arbetar. De skriver inte längre kod i traditionell mening.
• Spotify beskriver att deras topprogrammerare inte har skrivit kod sedan december.
• En chefsingenjör på Google hävdar att ett problem deras team arbetat med i ett år matchades av Claude Codes lösning, på en timme.
• Ett svenskt mjukvarubolag har helt slutat ta betalt för kod, med motiveringen att det "inte längre är rimligt."

Dessa agenter är inte felfria. De gör konceptuella misstag och tenderar att överkomplicera sådant som hade kunnat lösas enklare. Men riktningen är tydlig, och skillnaden mot för ett år sedan är som natt och dag.

Varje fördubbling av den arbetstid agenten kan hantera öppnar också en större del av den totala uppgiftsmängd den kan sköta autonomt. METR, ett benchmark som fångar just detta inom mjukvaruutveckling, visar att standardmodellerna under förra året steg från sju minuter (GPT-4o) till ett par timmar (GPT-5).

Skillnaden mot för ett år sedan är som natt och dag

Mot slutet av året sköt de nya agentsystemen upp siffran till fem timmar. I skrivande stund ligger den på tolv timmar. Det är en och en halv arbetsdag. Fortsätter trenden kan AI automatisera en hel arbetsvecka till jul.

Men även om Claude Code låter programmeringsspecifikt är det vi sett växa fram generella förmågor som sträcker sig långt bortom programmering.

Redan från dag ett har icke-utvecklare använt dessa system för att automatisera kunskapsarbete. I så pass hög grad att Anthropic byggde ett icke-tekniskt gränssnitt till Claude Code, kallat Claude Cowork, som också fått starkt genomslag.

Det som började i programmering rör sig nu in i analys, juridik, logistik, försäljning, ekonomi. Inte som chatbotar, utan som system som utför riktigt arbete, timme efter timme. Det är ett skifte i vad arbete innebär.

Berättelserna pekar alla åt samma håll. AI har rört sig från att vara ett verktyg man använder till något som snarare liknar en kollega man leder. Det finns ett tydligt före och efter.

Det är ett skifte i vad arbete innebär

Det andra vi ser är det vi kan kalla användargenererad mjukvara. För första gången kan en kunskapsarbetare närma sig ett problem genom att bygga verktyget som löser det, bara genom att beskriva det med ord.

En inköpare som förstår sina arbetsflöden kan nu i teorin skapa sina egna lösningar utan utvecklare. Även om få kommer kunna ta det till den extremen i praktiken, så kommer vi alla röra oss olika långt på det spektrumet. Flaskhalsen förskjuts från teknisk kunskap (att veta hur man bygger) till domänkunskap (att veta vad som bör byggas).

Det är den mest grundläggande förändringen för företag och kunskapsarbetare sedan vi fick datorer. Man kan säga att det här är den nya datorn.

Man kan säga att det här är den nya datorn

Två klyftor växer fram som vi behöver följa noga. Den första går mellan individer som snabbt utvecklas med de här verktygen och de som inte kan det på grund av att företag blockerar tillgång av säkerhets- eller kostnadsskäl. Det senare leder oavsiktligt till att man håller tillbaka sina egna medarbetare. Detta kan komma att ha en växande betydelse för deras möjligheter på arbetsmarknaden.

Den andra klyftan går mellan företag som växer och utvecklas med de nya AI-systemen och de som fortfarande bygger sina strategier på förra årets chatbotar från sjuminutersparadigmet och Copilot. De kommer ha helt olika förutsättningar att konkurrera och att attrahera talang.

Det som händer nu är mer betydelsefullt än när ChatGPT först kom.

Häng med!