AI-utbildning

En halvdagsutbildning i praktisk AI-användning — från grunderna till avancerade agenter — anpassad för juridisk verksamhet.

Format: Fritt samtal, live-demos och gemensam utforskning. Ingen traditionell presentation — den här sidan fungerar som vårt manus och referensmaterial efteråt.

Syfte: Ge en solid förståelse för vad AI kan (och inte kan) göra idag, hur man använder verktygen säkert, och vilka konkreta steg byrån kan ta härnäst.

Utvecklingstakten — hur snabbt går det?

Mycket av debatten om AI verkar förvirrad mellan "vad är möjligt idag" och "vad är möjligt i morgon". Svaren är radikalt olika — och glappet mellan dem krymper snabbare än de flesta inser.

"The majority of the ruff ruff is people who look at the current point and people who look at the current slope."

— Andrej Karpathy, jan 2026 (fd AI-chef Tesla, medgrundare OpenAI)

Tidslinje

• 2017 — Google publicerar "Attention is All You Need", den artikel som introducerar Transformer-arkitekturen. 8 år sedan.
• 2022 (nov) — ChatGPT lanseras. 1 miljon användare på 5 dagar — snabbast någonsin. Idag: 900 miljoner aktiva användare per vecka (feb 2026).
• 2023 (mar) — GPT-4 lanseras och klarar juristexamen (Uniform Bar Exam, topp 10%) och läkarexamen (USMLE, 86% rätt vs 60% för godkänt). Tidigare modeller underkändes på båda.
• 2024 (sep) — OpenAI släpper o1, första "reasoning"-modellen. Löser bl.a. strawberry-problemet — tidigare modeller kunde inte räkna bokstäver i ord ("hur många r i strawberry?"). OpenAI-forumtråd
• 2025–2026 — AI löser Erdős-problem som stått olösta i 30+ år. GPT-5.2 + verktyget Aristotle knäcker problem #728 autonomt på timmar. Scientific American

METR — Task Time Horizons

METR (Model Evaluation & Threat Research) mäter hur långa uppgifter AI kan lösa. Deras "time horizon" visar den uppgiftslängd (mätt i hur lång tid en mänsklig expert behöver) där AI lyckas 50% av gångerna.

GDPval — Ekonomisk kapacitet

OpenAIs GDPval-benchmark mäter hur väl AI-modeller presterar på riktiga yrkesuppgifter jämfört med branschexperter. Notera att "Lawyers" finns som en av de testade yrkesgrupperna.

Den ojämna frontlinjen

Ethan Mollick (Wharton) myntar begreppet "the jagged frontier" — AI är inte jämnt bra på allt. Den kan lösa svåra uppgifter men misslyckas med till synes enkla. Gränsen är ojämn och svår att förutsäga.

Datasäkerhet

En avgörande fråga för en advokatbyrå: vad händer med datan jag matar in?

Konsument vs Business vs Enterprise

ChatGPT vs Claude — policyskillnader

• OpenAI (ChatGPT): Free, Plus och Pro (personlig workspace) kan användas för modellförbättring som standard — användaren kan stänga av det i Data Controls. Business och Enterprise: data används inte för träning. Data kan lagras för missbrukskontroll (retention varierar beroende på plan och konfiguration).
• Anthropic (Claude): Konsumentplaner (Free, Pro, Max) omfattas av konsumentpolicyn — användning för träning beror på användarens privacy-inställningar och är på som standard. Kommersiella produkter (Team, API, Bedrock, Vertex) omfattas av kommersiella villkor där data inte används för träning.
• Var hanteras data? Båda företagen lagrar data primärt i USA för konsumenttjänster. EU-dataresidency finns som alternativ för enterprise-kunder hos båda (OpenAI via Enterprise/Edu, Anthropic via Bedrock/Vertex), men inte för konsumentplaner.

Lokala modeller som alternativ

• Ollama, LM Studio, llama.cpp — kör open source-modeller (Llama, Mistral, Qwen) lokalt på din dator.
• All data stannar på maskinen. Inget skickas till molnet.
• Nackdel: Lägre kapacitet än de bästa molnmodellerna. Kräver kraftig hårdvara för bra resultat.
• Bra komplement för känsliga ärenden, inte ersättning för allt.

Hur fungerar en LLM?

Träning — bygga modellen

• Data: Enorma mängder text — böcker, webbsidor, kod, vetenskapliga artiklar. GPT-4 tränades på uppskattningsvis 13 biljoner tokens — det motsvarar ungefär 100 miljoner böcker, eller allt som mänskligheten någonsin skrivit, flera gånger om.
• Kostnad: Hundratals miljoner dollar i beräkningskraft. Tusentals GPU:er (specialiserade grafikkortschip, ursprungligen gjorda för spel, nu hjärtat i AI-beräkningar) i månader.
• Resultat: En modell som lärt sig statistiska mönster i språk — inte "kunskap" i mänsklig mening, utan extremt sofistikerad mönsterigenkänning.

Inferens — använda modellen

• När du chattar med Claude eller ChatGPT skickas din text till servrar som kör modellen.
• Modellen genererar svar token för token (ungefär ord för ord), baserat på sannolikheter.
• Varje svar är stokastiskt — samma fråga kan ge olika svar varje gång.

Grundbegrepp

Vad är lätt respektive svårt för AI?

Modell vs verktyg — förvirrande nomenklatur

Hands on med verktygen

Vi testar ChatGPT och Claude live. Fokuspunkter:

Gemensamma koncept

• Modellval: Olika modeller för olika uppgifter. Snabbare modeller för enkla frågor, kraftfullare för analys.
• Tillfällig/inkognito-chatt: Både ChatGPT och Claude erbjuder lägen där konversationen inte sparas.
• Minne och kontext: Verktygen kan "komma ihåg" saker mellan sessioner — men det kräver aktiv hantering.

ChatGPT-specifikt

• Custom Instructions: Berätta för ChatGPT vem du är och hur du vill ha svar.
• GPTs: Specialanpassade versioner av ChatGPT för specifika uppgifter.
• Deep Research: ChatGPTs verktyg för att söka igenom webben systematiskt och sammanställa en rapport.
• Memory: ChatGPT minns saker du berättat i tidigare konversationer.

Claude-specifikt

• Projects: Samla filer, instruktioner och konversationer i ett projekt.
• Artifacts: Claude skapar dokument, kod och annat direkt i konversationen — redigerbart i realtid.
• Company Knowledge: (Enterprise) Koppla Claude till företagets befintliga dokument så att den kan söka och referera till intern kunskap.
• Custom Instructions: Samma koncept som ChatGPT — berätta hur du vill ha svar.

Prompting — grunderna

Hur du formulerar din fråga avgör kvaliteten på svaret. Några principer:

1. Ge tillräckligt med kontext

Ju mer relevant bakgrund du ger, desto bättre svar. Berätta vem du är, vad du arbetar med, och vad du ska använda svaret till.

2. Var specifik med vad "bra" betyder

Ge exempel på vad du förväntar dig. Few-shot examples — visa 1–2 exempel på önskat format innan du ställer den riktiga frågan.

3. Hantera hallucinationer

• Be modellen citera sina källor
• Be den flagga osäkerhet: "Om du är osäker, säg det."
• Dubbelkolla alltid fakta, rättsfall och siffror
• "Check your output" — be modellen granska sitt eget svar

4. Använd modellen som tankeverktyg

• "Vilka komplikationer kan uppstå?"
• "Vad borde jag fråga mer om?"
• "Debattera mot dig själv — ge argument för och emot"

5. Ange målgrupp

Berätta vem svaret är till: "Förklara som för en klient utan juridisk bakgrund" vs "Skriv ett PM till en kollega-advokat".

6. "Intervjua mig"

Istället för att försöka formulera den perfekta prompten på en gång — be modellen ställa frågor till dig: "Intervjua mig om det här ärendet tills du har tillräcklig kontext för att skriva ett utkast." Fungerar också som kvalitetskontroll: "Ställ frågor om något är oklart innan du börjar."

7. Låt AI:n förbättra din prompt

Om du inte får det resultat du vill ha — be modellen hjälpa dig formulera om. Exempelvis: "Jag skrev den här prompten X och förväntade mig Y, men fick Z istället. Hjälp mig förbättra prompten." AI är ofta bättre på att skriva promptar än vi är.

8. Braindump

Dumpa allt du vet om ett ämne — ostrukturerat, röstmeddelanden, bilder — och be modellen strukturera det. AI är utmärkt på att hitta struktur i kaos.

Agenter

Moderna AI-verktyg innehåller allt mer agentiska funktioner — modellen svarar inte bara, utan kan planera, ta steg och använda verktyg mer självständigt.

Chatt vs agentiskt arbetssätt

• Chatt: Du ställer en fråga → AI svarar. En interaktion i taget.
• Agentiskt: Du ger ett mål → AI planerar flera steg, använder verktyg, hämtar information och utför delar av arbetet självständigt.

Gränsen är flytande — ChatGPT:s "agent mode" och Claudes projektfunktioner är exempel på hur agentiska förmågor byggs in i chattverktygen.

Vanliga agentförmågor

• Verktygsanvändning: Söka i databaser, skriva dokument, skicka mail, köra kod.
• Filhantering: Läsa, skriva och bearbeta filer — inte bara text i ett chattfönster.
• Stegvis informationshämtning: Kan hämta mer data under arbetets gång när uppgiften kräver det.
• Minne och kontext: Vissa verktyg erbjuder persistent kontext mellan sessioner, men graden varierar mycket mellan produkter.

Exempel på agentverktyg

Landskapet förändras snabbt — nya funktioner och verktyg tillkommer löpande.

Begränsningar och risker

• Fel i flera led: Agenter gör misstag — och misstagen kan vara svårare att upptäcka när de agerar självständigt över flera steg.
• Kontextfönster: Fortfarande begränsande vid stora dokumentmängder — agenten kan inte läsa allt på en gång.
• Hallucinationer vid skala: Ju fler dokument, desto högre risk att information förväxlas eller fabriceras.
• Mänsklig granskning krävs: En människa bör alltid granska agentens arbete, särskilt i juridiska sammanhang.

Hands on: Arbetsredogörelse med AI

Vi arbetar med Guys konkreta uppdrag: att med hjälp av AI sortera en stor mängd dokument och e-post, strukturera materialet kronologiskt, och producera en arbetsredogörelse.

Uppgiften

• ~4 500 filer och lika många mejl som underlag
• Dokumenten ska sorteras i tidsordning
• Sammanställas årsvis under relevanta rubriker
• Slutligen skrivas ihop till en sammanhängande rapport

Arbetsgång — steg för steg

1. Inventera och rensa: Låt AI:n scanna katalogen och kategorisera allt: filtyp, storlek, läsbarhet. Identifiera dubbletter, oläsbara filer och format som behöver konverteras innan man börjar.
2. Indexera: Bygg ett index över alla läsbara filer — filnamn, datum, typ, kort sammanfattning. Resultatet skrivs till en fil på disk.
3. Strukturera: Utifrån indexet — gruppera per år och ämnesområde. Låt AI:n föreslå rubriker baserat på innehållet.
4. Sammanfatta per period: AI:n läser dokumenten inom varje grupp och skriver sammanfattningar. Granska och justera — AI:n missar nyanser, du fångar dem.
5. Skriv rapporten: Använd sammanfattningarna som underlag. Låt AI:n skriva ett första utkast. Iterera tills ton, struktur och innehåll stämmer.

Förbehandling — vad kan gå fel?

4 500 filer från en verklig ärendehantering är sällan rena och enhetliga. Räkna med att behöva hantera:

• Dubbletter: Samma dokument sparat flera gånger, som bilaga i mejl och som separat fil, i olika versioner. Deduplicering tidigt sparar mycket arbete — annars räknas samma händelse dubbelt i rapporten.
• Oläsbara format: Proprietära filer (.msg, .pst, äldre Word-format, skannade PDF:er utan OCR) kan inte läsas direkt av AI. Behöver konverteras eller OCR-behandlas först.
• Blandade filtyper: PDF, Word, Excel, e-post, bilder, skanningar — varje typ kräver olika hantering. AI kan sortera dem, men du behöver verktyg för konvertering (t.ex. pandoc, tesseract för OCR).
• Inkonsistenta datum: Filnamn säger en sak, filens metadata en annan, och texten i dokumentet en tredje. Definiera tidigt vilken datumkälla som gäller.
• Tomma eller korrupta filer: Förekommer alltid i stora samlingar. Bättre att flagga dem tidigt än att upptäcka luckor i slutet.

Hur kommer AI:n åt filerna?

En avgörande fråga: filerna ligger lokalt på datorn. Olika verktyg har olika åtkomstmodeller.

Hur hanterar man att allt inte ryms i kontextfönstret?

Kontextfönstret (arbetsminnet) rymmer inte allt material på en gång. Nyckeln är att skriva mellanresultat till disk — AI:n behöver inte hålla allt i huvudet samtidigt.

• Claude Code / Cowork: Agenten hanterar batchningen själv. Den kan skriva ett skript som läser alla 4 500 filer, extraherar metadata, och sparar ett strukturerat index till en fil. Sedan arbetar den vidare utifrån indexet. Du behöver inte dela upp manuellt.
• ChatGPT: Mer handpåläggning krävs. Du laddar upp dokument i omgångar, sammanfattar varje omgång, och bygger ihop resultatet stegvis.

Vanliga fallgropar

• Datumtolkning: AI kan misstolka datum i äldre dokument, skannade filer och blandade format. Stickprovskontrollera.
• Hallucinerade kopplingar: AI kan fabricera samband mellan dokument som inte finns. Verifiera kronologin mot källmaterialet.
• "Komplett" betyder det inte: AI kan missa dokument eller perioder utan att flagga det. Räkna filerna — stäm av att indexet täcker allt.

Nästa steg

Sammanfattning

• AI utvecklas exponentiellt — det som inte fungerar idag kan fungera inom månader.
• Datasäkerhet kräver medvetna val: betald tjänst, intern policy, rätt verktyg för rätt uppgift.
• Promptkvalitet är avgörande — kontext, specificitet och uppföljning gör hela skillnaden.
• Agenter är nästa steg — men kräver fortfarande mänsklig övervakning.
• AI är ett tankeverktyg, inte en ersättare för juridiskt omdöme.

Konkreta steg för byrån

1. Välj verktyg: Skaffa betald Claude- eller ChatGPT-prenumeration (Team-plan).
2. Skriv intern policy: Vad får matas in? Vilka typer av ärenden kräver extra försiktighet?
3. Börja smått: Använd AI för sammanfattningar, utkast, och research — inte som ensam källa.
4. Bygg kompetens: Experimentera regelbundet. Prompting är en färdighet som utvecklas med övning.
5. Följ utvecklingen: Nya modeller och verktyg lanseras löpande. Utvärdera kvartalsvis.

Resurser

• METR Time Horizons — uppföljning av AI-kapacitet
• GDPval Leaderboard — AI på yrkesuppgifter
• Ethan Mollick — One Useful Thing — utmärkt blogg om AI i praktiken
• ChatGPT · Claude — de två verktygen vi använt idag