Tänk dig en halvdagsworkshop om AI i verksamheten: ett tolvtal mellanchefer från ett medelstort industribolag i rummet, ingen säljpitch utan ett ärligt samtal om vad tekniken faktiskt gör, vad den kostar och var den passar in. Demos, kostnadskalkyler, några konkreta scenarier från branschen på bordet. Det som brukar avgöra hur bra ett sådant samtal blir är inte vad deltagarna frågar, utan vad de redan tror sig veta. Här är sex missförstånd som är vanliga nog att jag är säker på att de skulle dyka upp i just det rummet.
ChatGPT är inte samma sak som AI i er verksamhet
Den vanligaste ingången i såna rum är att någon i ledningsgruppen har testat ChatGPT privat, blivit imponerad och sedan föreslagit att "vi borde använda AI". Det är ungefär som att ha kört en Tesla på provkörning och sedan föreslå att företaget ska bygga en elbilsfabrik. ChatGPT i webbläsaren och ett API-anslutet AI-flöde i er verksamhet är fundamentalt olika saker, och skillnaden handlar inte bara om teknik utan om styrning, säkerhet och kostnad.
När en medarbetare klistrar in kunddata i ChatGPT skickas den informationen till OpenAI:s servrar. Det som händer med datan beror på vilken plan ni har, vilka villkor som gäller och hur modellen tränas. Med ett API-anrop har ni kontroll. Ni bestämmer vilken data som skickas, ni loggar varje anrop, ni kan köra trafiken genom en gateway, alltså en mellanhand som filtrerar känslig information innan den lämnar ert nätverk. Det är därför säkerhetsavdelningen bör bry sig om skillnaden. Inte för att den vill bromsa innovation, utan för att den behöver veta var datan tar vägen.
Ett vanligt mönster i den typen av rum är att en del av deltagarna redan använt ChatGPT för att sammanfatta styrelseprotokoll utan att ha kollat med IT. Det är sällan illvilja, snarare ett systemfel: organisationen har inte gett folk ett legitimt verktyg, så de hittar egna vägar. Lösningen är inte att förbjuda, utan att erbjuda en kanal som uppfyller samma behov med rätt styrning.
Hallucinationer är inte ett modellfel, det är en designfråga
Ordet "hallucination" har blivit ett slagträ i diskussionen om AI, oftast formulerat som "men modellen hittar ju på saker". Det stämmer, men förklaringen stannar där för de flesta. Det som saknas är förståelsen för varför modellen hittar på, och att det i hög grad går att styra.
En språkmodell genererar text genom att förutsäga nästa token baserat på sannolikhet. Utan kontext gissar den utifrån sin träningsdata. Med rätt kontext, exempelvis ett specifikt dokument, en databas eller en uppsättning regler, kan den grunda sina svar i fakta istället för statistiska mönster. Det kallas grounding, alltså att förankra svaret i verklig data, och det är den viktigaste enskilda tekniken för att hålla ett AI-flöde i schack.
Ett vanligt exempel är att någon testat att låta ChatGPT svara på kundfrågor om sina egna produkter, och fått specifikationer tillbaka som inte existerar. Problemet är inte att modellen är dålig. Problemet är att den inte har tillgång till produktdatabasen. Den får en fråga utan kontext och gör det enda den kan, den genererar ett plausibelt svar. Lösningen handlar om att mata modellen med rätt information vid rätt tillfälle, inte om att vänta på en modell som aldrig gissar fel.
Ett sätt att se det på är att hallucinationer är ett symptom, inte en diagnos. Symptom på att flödet saknar grounding, att prompten är för öppen, eller att modellen ombeds svara på något den inte borde svara på alls. Behandlingen är arkitektur, inte tålamod.
Token-ekonomi: från 30 öre till 30 kronor
Kostnadsbilden för AI-anrop är något som förvånar de flesta som inte jobbar med det dagligen. Antingen tror man att det är gratis (för att man betalar 20 dollar i månaden för ChatGPT Plus och extrapolerar därifrån) eller så tror man att det är orimligt dyrt (för att man hört om bolag som fått fakturor på hundratusentals kronor).
Verkligheten beror helt på vad ni gör. Det här är ett räkneexempel och antagandena i det är mina egna, inte mätta siffror. Ett enkelt klassificeringsanrop, där ni skickar ett kort kundmeddelande och ber modellen sortera det i rätt kategori, kostar kanske 0,3 öre. Tusen sådana anrop om dagen landar på tre kronor. Det är ingenting. Men om ni tar ett helt styrelseprotokoll på 40 sidor, skickar in det som kontext tillsammans med en komplex fråga och ber modellen producera en sammanfattning med källhänvisningar, kan ett enda anrop kosta 15 till 30 kronor beroende på modell.
Skillnaden handlar om tokens. Anthropic anger som tumregel att en token är ungefär tre fjärdedels ord på engelska. Hur det blir på svenska varierar med text och modell, så mät på ert eget material. Varje token ni skickar in kostar pengar, och varje token modellen genererar kostar ännu mer. Som grov räkneenhet kan man sätta en A4-sida med text till cirka 500 tokens, och då blir ett kontrakt på 80 sidor 40 000 tokens. Priset skalas linjärt, så designbesluten avgör allt. Ska hela dokumentet in varje gång, eller räcker ett relevant utdrag? Ska modellen skriva en sida eller ett stycke? De frågorna avgör om ert AI-flöde kostar en bråkdel av vad det annars skulle göra.
Ett räkneexempel till, med samma reservation: ett flöde som klassificerar och dirigerar inkommande ärenden för kundtjänst, med runt 200 ärenden per dag, landar på cirka 180 kronor i månaden i API-kostnad enligt den här uträkningen. Reaktionen brukar bli förvånad. "Så lite?" Jo, för att jobbet som görs är litet per anrop. Det är volymen gånger komplexiteten som bestämmer notan, och de flesta operativa flöden är enkla anrop i stor volym.
Context window är inte oändligt, och det påverkar era dokument
En av de mer tekniska punkterna, men en som har direkta konsekvenser för hur ni designar AI-lösningar: modellen ser inte allt på en gång. Den har ett context window, en maxgräns för hur mycket text den kan ta in och producera i ett enda anrop. Hos Anthropic ligger den gränsen för de nuvarande modellerna på mellan 200 000 tokens (Haiku 4.5) och en miljon (Sonnet 5 och Opus 5), enligt deras modellöversikt i september 2026. Med de 500 tokens per A4-sida som nämns ovan motsvarar det grovt räknat 400 till 2 000 sidor text.
Det låter generöst, och det är det i många fall. Men det finns två problem. Det första är kostnaden vi just pratade om. Att fylla context window till max kostar pengar varje gång. Det andra är mer subtilt: modeller presterar sämre mitt i långa texter. Forskningen visar att information som ligger i början och slutet av kontexten får mer uppmärksamhet än det som ligger i mitten. Det kallas "lost in the middle"-fenomenet och det betyder att ni inte kan slänga in 200 sidor och hoppas på det bästa.
I praktiken innebär det att era AI-flöden behöver ett steg som väljer ut rätt information innan den skickas till modellen. Det kan vara en enkel sökning i en vektordatabas, en regelbaserad filtrering eller en kombination. Poängen är att den som designar flödet måste tänka på vilken information modellen behöver för just den uppgiften, inte bara skicka allt som finns. Det är som att ge en ny medarbetare en pärm med rätt avsnitt markerade istället för att tippa företagets hela filserver på skrivbordet.
Det här går att testa själv. Ta ett kvalitetsdokument på ett nittiotal sidor och ställ samma fråga två gånger: en gång med hela dokumentet som kontext, en gång med bara det relevanta avsnittet på några sidor. Svaret från det kortare anropet blir typiskt mer precist, snabbare och kostar en bråkdel. Mindre är ofta mer, även med AI.
Att vänta på bättre modeller är en fälla
Det sista missförståndet är kanske det mest skadliga, för det förklär sig som försiktighet. "Vi väntar tills tekniken mognar." Det är en rimlig hållning om man pratar om kvantdatorer eller kärnfusion. Det är en farlig hållning när konkurrenterna redan automatiserar sina flöden.
Anledningen är enkel: värdet av AI i verksamheten ligger inte i modellen, utan i integrationen. Att koppla ihop en modell med ert ärendesystem, era produktdata, era processer. Det arbetet tar tid, kräver intern kompetens och förändring i arbetssätt. Det arbetet försvinner inte när nästa modellgeneration kommer. Tvärtom, det blir mer värdefullt, för en bättre modell i samma integration ger bättre resultat utan att ni behöver bygga om.
De företag som väntar bygger inte kompetens. De lär sig inte var AI passar och inte passar i just deras verksamhet. De har inga interna eldsjälar som förstår begränsningarna. När de väl bestämmer sig att "nu är det dags" står de med en kompetensklyfta som tar tid att täppa till, medan konkurrenterna redan hunnit iterera.
Ett klokt första steg är att börja med ett avgränsat pilotprojekt. Inte för att tekniken kräver det, utan för att organisationen gör det. Välj ett flöde som är repetitivt, mätbart och inte affärskritiskt. Bygg det, mät resultatet, lär er av processen. Kostnaden för en pilot är försumbar jämfört med kostnaden av att stå still i tolv månader.
Det handlar inte om att veta allt, utan om att veta rätt saker
En workshop av den här sorten borde inte avslutas med en sammanfattning eller en checklista, utan med en öppen fråga: givet det ni nu vet, vilket enda flöde i er verksamhet skulle ni vilja testa först? Ett rimligt svar brukar vara specifikt och avgränsat snarare än stort. Ärendesortering. Offertgranskning. Dokumentsammanfattning inför ledningsgruppsmöten, inte ett förslag om att ersätta hela avdelningar eller bygga en egen GPT.
Det är den viktigaste insikten att ta med sig. Inte att man lär sig exakt vad tokens eller context windows är, även om det hjälper, utan att man slutar se AI som en magisk svart låda och börjar se det som ett verktyg med specifika egenskaper, begränsningar och kostnader. Ett verktyg man kan resonera om, fatta beslut kring och ställa krav på. Det är utgångspunkten för allt seriöst AI-arbete: förstå verktygen innan ni fattar beslut om dem, men vänta inte med att förstå dem.