Fem AI-tips för mer tillförlitlig output
Efter en driftstörning lät Anthropic nyligen alla Max-användare återställa sin veckogräns en gång. Den veckan körde jag tre Claude Max 20x-abonnemang. Jag slog i veckotaket på alla tre, använde återställningen på vart och ett av kontona och slog i taket igen. Det blev sex fulla veckobudgetar på en vecka, runt en miljard tokens. Via API:t, där man betalar per token, hade samma arbete landat på den blyga summan 60 000 kr.
Den bästa AI-användningen är den som mer eller mindre går motparten obemärkt förbi, och med det sagt kostar kvalitet, både tokens och tid. I denna artikel tänkte jag dela fem råd och lärdomar som drastiskt höjt kvaliteten i outputen från mitt dagliga arbete i dessa verktyg. De handlar om betydelsen av resursallokering, avgränsningar och extern validering.
Sykofanti och ledande frågor
AI-modeller tenderar att bekräfta dina uppfattningar även när det finns skäl att invända. Det kallas sykofanti och kan innebära att modellen håller med om felaktiga påståenden eller överdriver styrkorna i din idé. En del av förklaringen ligger i träningen av modellen.
Vid RLHF (Reinforcement Learning from Human Feedback) används mänskliga bedömningar av svar för att styra träningen. Om bekräftande svar belönas kan tendensen till medhåll förstärkas, men träningen kan också utformas för att motverka den. Hur du formulerar frågan spelar också roll. Frågar du ”Visst är alternativ A bättre än B?” signalerar du vilken slutsats du förväntar dig och riskerar att få ett resonemang som bekräftar den.
Rätt budget för rätt uppgift
Modellen kommer att försöka nå sitt mål med en metod som den inställda budgeten tillåter. Med budget menar jag hur mycket resurser du avsätter till uppgiften, exempelvis genom modellval och resonemangsnivå. Är budgeten begränsad ökar sannolikheten för att modellen tar genvägar. Se därför till att använda rätt modell med rätt inställningar för uppgiften.
Extern granskning och ”self-preference bias”
AI-modeller har en inneboende tendens att favorisera sina egna svar och har därför svårt att objektivt granska sitt eget arbete. Nöj dig inte med att fråga agenten som utför arbetet om det är korrekt utfört, be istället en fristående agent granska metoderna och stresstesta påståendena. Be granskaren ange konkreta brister och inkludera underlaget för sitt resonemang. När den externa agenten granskat resultatet skickas underlaget tillbaka till den första agenten för bedömning och implementering.
Iterering & avgränsningar
Vid mer komplexa uppgifter kan det krävas flera vändor fram och tillbaka. När du ber agent B att kritiskt granska agent A:s arbete kommer du märka att den i princip alltid hittar svagheter och utrymme för förbättring. Du riskerar därmed att hamna i en evighetsloop där resultatet efter ett par vändor blir sämre för varje ny iterering, eftersom upprepade revideringar till slut leder till motsägelser.
Granskning med subagenter
Mitt vanligaste upplägg i Claude Code är att huvudagenten gör en större uppgift, till exempel en analys av ett annonskonto, och att subagenter sedan granskar resultatet. En subagent är en separat agent som huvudagenten startar.
När jobbet är klart ber jag huvudagenten spawna subagenter som stresstestar och validerar dess påståenden. Varje subagent får ett avgränsat uppdrag och lämnar tillbaka det som inte håller. Huvudagenten väger invändningarna och rättar resultatet innan det når mig.
Det fungerar för att subagenten börjar från noll. Huvudagenten har byggt upp sina slutsatser steg för steg under en lång session och har svårt att se dem utifrån. Subagenten var inte med när slutsatsen växte fram och har inget att försvara. Den kan lägga all sin uppmärksamhet på ett enda påstående och gå tillbaka till källan i stället för att lita på texten. Den är dock samma modell som huvudagenten och kan dela dess blinda fläckar, så vid viktiga beslut är en annan modell som granskare fortfarande ett bra komplement.
Det går med fördel att ta detta ännu ett steg längre och göra agent A till en orkestrerare. Istället för att utföra arbetet själv fördelar den uppgiften på flera agenter, som i sin tur har egna subagenter. Subagenternas arbete granskas sedan i en itererande process av agenterna E–G, H–J och K–M i nästa led. Men det upplägget får bli ett eget blogginlägg.

Berätta var ni står i dag
Fyll i formuläret så hör vi av oss. Vi börjar med att titta på var ni har mest att vinna.