Så blir du mer ambitiös med AI – tre sätt att be om mer

Felix Rieseberg är en av utvecklingscheferna på Anthropic, företaget bakom AI-verktyget Claude, och har lett utvecklingen av flera av Claudes produkter. Han ser användare som redan flyger med AI och andra som fortfarande försöker få sina nya vingar att fungera. De senare undrar vad AI är bra på utöver att slå upp fakta eller få ett argt mejl att låta vänligare.

Den 13 oktober publicerade han How to be more ambitious, en guide för den som vill få ut mer av AI. Han och andra i AI-branschen uppmanar ofta användare att vara mer ambitiösa och han medger att rådet är svårt att följa. Därför bryter han ned ambition i fyra delar och ger konkreta tekniker för tre av dem.

Ramverket går att använda i vilket yrke som helst. Tyngst väger en teknik som Rieseberg bara ägnar några rader, den externa domaren. Domaren kan vara originalkällan, en beräkning som går att göra om eller en kollega som granskar. Domaren är förutsättningen för de andra teknikerna, eftersom du kan lämna över större jobb till AI först när du kan kontrollera resultatet.

Tre sätt att få ut mer av AI utöver snabbare arbete

Rieseberg delar upp ambition i fart och tre sätt att få ut mer:

• Fart är samma jobb på kortare tid. Det är grunden för AI:s ekonomiska värde och Rieseberg hoppar över den eftersom den redan är väl etablerad.
• Höjd betyder att du ber om hela resultatet i stället för den enskilda uppgiften.
• Djup betyder att uppgiften görs så som den främsta experten inom området skulle göra den, med rådata och riktiga verktyg.
• Bredd betyder att du hämtar kunskap och metoder från fler ämnen och yrken än uppgiften verkar kräva.

Rieseberg går igenom de tre med ett och samma vardagliga exempel, en kvartalsgenomgång på ett påhittat företag. Här hämtar vi i stället exemplen från kundtjänst, kursinbjudningar och beslutsunderlag.

Rieseberg påpekar att höjd, djup och bredd förutsätter två saker: dels en dator där AI:n kan installera program, dels datan som rör uppgiften. AI:n får tillgång till datorn genom en AI-agent som Claude Code. AI:n hämtar ofta datan via MCP, standarden för att koppla AI till andra system.

Be AI om hela resultatet i stället för ett steg i taget

I början av 2025 bad Rieseberg fortfarande Claude att åtgärda enskilda programkrascher. Med tiden bad han i stället Claude att hålla de appar hans team bygger fria från krascher. För att det skulle fungera fick han först se till att Claude kunde hämta kraschrapporterna, se vilken programversion som hörde till vilken ändring i koden och komma åt datorer med Windows, macOS och Linux. Då kunde Claude själv återskapa felen och kontrollera att rättningarna höll.

Steget från enskild uppgift till hela resultatet går att ta i de flesta yrken, gärna i flera trappsteg. Ta en kundtjänst:

1. "Skriv ett svar på det här kundmejlet."
2. "Gå igenom veckans kundmejl, sortera dem efter ämne och skriv utkast till svar."
3. "Se till att ingen kund väntar längre än ett dygn på svar och visa varje fredag hur många som fick vänta längre."
4. "Ta reda på vilka frågor kunderna ställer gång på gång och föreslå vad vi ska ändra på webben så att de slipper fråga."

Varje steg ger AI:n mer ansvar och kräver att den kommer åt fler system. Det tredje steget fungerar först när AI:n kan läsa ärendesystemet och räkna svarstiderna själv. Rieseberg ser höjd som vägen till arbetsflöden som håller i längden, där du slipper mata AI:n med uppgift efter uppgift. Ofta måste du först ändra hur arbetet går till, som när han gav Claude tillgång till kraschrapporterna.

Höjd passar bäst när du är ute efter ett bestämt resultat och sämre för kreativt arbete, enligt Rieseberg. Höjd har också gränser. Att bara be Claude tjäna pengar verkar ännu inte fungera för de flesta företag, noterar han.

Två saker behöver vara på plats innan du ber om hela resultatet. Resultatet ska gå att mäta, som svarstiden eller antalet krascher. AI:n ska också kunna se mätvärdet själv. Annars har AI:n fått målet men kan inte se om den når det.

Låt AI göra uppgiften som de bästa i yrket gör den

Med djup vill Rieseberg att AI:n arbetar med samma verktyg, metoder och kunskaper som de främsta yrkesutövarna. Den ska hålla på tills även de kan lära sig något av resultatet. Han ger fem tekniker:

• Använd samma verktyg som de bästa. En AI som blir ombedd att agera som expert byter ofta ordförråd utan att byta metod, menar Rieseberg. Tar AI:n fram en enkel tabell, kräv en databas och statistiska modeller. Vad experterna använder vet AI:n oftast själv.
• Sätt orimliga mål och beskriv dem som rimliga. Ska webbplatsen laddas på fem sekunder i stället för tio, be om 200 millisekunder. Verkar något omöjligt för AI:n, upprepa att det går att lösa.
• Ifrågasätt det du tror dig veta. Ge AI:n rådatan och be den pröva antagandena. Riesebergs exempelprompt prövar antagandet att kunderna lämnar företaget för att de får en dålig introduktion. På svenska och med ett annat antagande kan prompten lyda: "Vi tror att kunderna lämnar oss för att priset är för högt. Pröva om rådatan verkligen visar det."
• Ta fram ny kunskap. När AI:n redan är djupt inne i datan kan den leta efter det ingen har sett, till exempel den tidigaste signalen på att en kund är på väg att lämna företaget.
• Använd en extern domare. "Do not ask the model to judge itself", skriver Rieseberg. Låt alltså aldrig modellen bedöma sitt eget arbete. Han räknar med att modellerna så småningom kan bedöma sig själva när de blir smartare. Än så länge vill han att du kräver kontroll utifrån, helst med ett verktyg som AI:n själv kan köra och som svarar direkt.

Rieseberg ger också en färdig prompt, här i svensk översättning. Den sista raden är vårt tillägg.

Prompt som gör uppgiften djupare i stället för större

Hämta metoder från fler yrken än uppgiften kräver

Med bredd tar du hjälp av fler ämnen och yrken än vad som tidigare hade lönat sig. Rieseberg jämför med rånfilmer, som ägnar första halvtimmen åt att samla ett lag med olika förmågor. Tänk Ocean's Eleven. Han konstaterar att bredd kräver fantasi och det är här han ser de mest förvånande resultaten.

Han använder två tekniker:

• Byt substantiv mot verb. Knepet kommer enligt Rieseberg från boken The Art of Innovation av Tom Kelley och Jonathan Littman. Beskriv vad uppgiften ska åstadkomma i stället för vad den ska bli. Riesebergs kvartalsgenomgång går då från en presentation till ett uppdrag att på 30 minuter få upptagna människor att tro på en berättelse om orsak och verkan och att fatta beslut under osäkerhet. Då blir det lättare att se vilka ämnen och yrken som kan bidra. För en kursinbjudan blir uppdraget att få upptagna chefer att avsätta en halvdag inom en vecka. Då kan till exempel beteendeekonomi och reklam bidra.
• Sätt ihop ett lag. Fråga vilka yrken som skulle behövas om resultatet verkligen måste bli lysande. Rieseberg tar med en analytiker, en journalist och en redaktör. Som motpart tar han en blankare och en revisor som utreder ekonomisk brottslighet. En blankare tjänar pengar när aktiekursen faller.

Rieseberg varnar för rollspel. En AI som ska skriva som en blankare gör chatten konstigare utan att göra resultatet bättre. Be den i stället undersöka ett bolag på det sätt en blankare gör.

Alla tre sätten kräver kontroll utifrån

Den externa domaren, som Rieseberg tar upp under djup, behövs också för höjd och bredd. I Riesebergs kraschexempel var domaren kraschrapporterna och de riktiga datorerna, där Claude kunde återskapa felen och se om rättningarna höll. Ju större uppdraget är, desto större skada kan AI:ns fel göra. Ett fel i ett enskilt kundmejl drabbar en kund, men svarar AI:n på alla mejl kan samma fel nå alla kunder.

Bredd gör dessutom felen svårare att se, eftersom AI:n då använder metoder du inte själv behärskar. Bygger den en kursinbjudan på beteendeekonomi behöver du kunna ämnet för att avgöra om metoden är rätt använd.

Forskningen stöder behovet av en domare. I en studie från 2023 konstaterade forskare att språkmodeller har svårt att rätta sina svar på resonemangsuppgifter utan återkoppling utifrån och att resultaten ibland blev sämre efter ett försök till självrättning.

En annan AI som granskar är mindre oberoende än den verkar. I en studie från 2025 jämförde forskare över 350 språkmodeller. I ett av testerna, med 71 modeller och flervalsfrågor, jämfördes modellerna två och två. När båda svarade fel valde de i snitt samma felaktiga alternativ i 60 procent av fallen. Om slumpen hade avgjort hade siffran varit 33 procent. Likheten var större mellan modeller från samma företag, men även större och mer träffsäkra modeller från olika företag gjorde ofta samma fel.

Entreprenören Paul Kuo, som stöder sig på samma studier, drar samma slutsats i en kommentar till Riesebergs text. Han låter modeller från tre andra företag granska det Claude gör, men går alltid tillbaka till originalkällan eller ett verktyg som kan köras. Vill du lämna över större jobb till AI behöver du enligt honom också system som fångar misstagen.

En extern domare i vardagen kan vara:

• Originalkällan. Be AI:n ange var varje siffra och påstående står i avtalet, rapporten eller exportfilen. Slå sedan upp stället själv.
• En beräkning som går att göra om. Ett kalkylark eller ett skript som AI:n har skrivit ger samma svar varje gång och går att granska.
• En kontroll mot ett annat system. Summan i rapporten ska stämma med bokföringen och antalet ärenden med ärendesystemet.
• En människa med skäl att säga emot. En kollega som granskar ett beslutsunderlag ser brister som den som skrev det har missat.

Kuo föreslår en fråga att ställa innan du lämnar över ett jobb: om det blir fel, hur märker jag det? Helst är svaret ett originaldokument eller en ny beräkning, skriver han. Svaret är din domare.

Svåra mål fungerar när du ser hur långt det är kvar

Rieseberg avslutar med varför vi alls behöver tekniker för att bli mer ambitiösa. Vi begränsas av vad vi tror är möjligt. Psykologin kallar tilltron till den egna förmågan self-efficacy.

Rieseberg menar att tilltron går att påverka och hänvisar till organisationspsykologerna Edwin Locke och Gary Latham, som sammanfattade 35 års forskning om målsättning. Specifika och svåra mål gav genomgående bättre prestationer än uppmaningen att göra sitt bästa. "In short, when people are asked to do their best, they do not do so", skriver Locke och Latham. Den som blir ombedd att göra sitt bästa gör alltså inte det.

I samma artikel skriver de att mål kräver återkoppling som visar hur långt det är kvar. Utan sådan återkoppling är det svårt att justera både insats och metod. Kuo menar att kontrollen som fångar AI:ns fel kan ses som just den sortens återkoppling. Med AI är målet det du ber om. Domaren visar hur långt det är kvar till målet.

Rieseberg tar också upp att gränser flyttas när någon visar att de går att passera. Roger Bannister sprang som förste man en engelsk mil under fyra minuter den 6 maj 1954. Bara 46 dagar senare slog John Landy hans rekord.

Samma mönster syns i maraton. Eliud Kipchoge sprang på 1:59:40 i Wien 2019, i ett arrangerat lopp som inte räknades som rekord. I London i april 2026 blev Sabastian Sawe den förste som sprang ett maraton under två timmar i ett regelrätt lopp, på 1:59:30, en tid som World Athletics sedan har godkänt som världsrekord. Tvåan Yomif Kejelcha gick också under två timmar, på 1:59:41.

På en arbetsplats händer samma sak när ni visar varandra vad ni får AI att göra.

Gränsen för hur stora jobb AI kan ta flyttas på samma sätt, så länge du kan kontrollera resultatet. Börja därför med frågan om hur du märker att något blir fel. Har du ett svar på den kan du be om hela resultatet i stället för ett steg i taget.