Vad är egentligen AI, kan det användas till och vilka är riskerna? Dan Jerrestam försöker reda ut diskussionen kring vår samtids mest omdebatterade fråga.

Många människor förknippar AI med olika chatverktyg som ChatGPT.com, claude.ai eller deepseek.com där man ställer frågor och får svar, så kallad ”inference”. Där finns också en övertro på att svaren är bra nog. Men i ett längre perspektiv kommer AI vara expertsystem, automatisering med speciella lösningar för olika problem. Där samhällsomvandlingen sker med det senare.

AI som verktyg är dessutom mångsidigare än vad som enbart ges med chatverktygen. Chatverktygen är alla så kallade LLM AI (stor språkmodell eller Large Language Model) och generativ (kan skapa nya idéer bortom sin träning). De som ledde till nobelprisen i kemi och fysik 2024 var resultatet av andra modeller.

Varje AI-tjänst börjar i bokstavlig mening i jorden. Utan en handfull råvaror – kisel, men framför allt jordartsmetaller som gallium och germanium, samt ädelgasen helium – kan inga avancerade kretsar tillverkas. Kina har i det närmaste monopol på flera av dessa kritiska material, vilket skapar en akilleshäl i hela kedjan.

Nästa steg är själva tillverkningen, där litografi – en process som liknar ett extremt avancerat fotoframkallande – används för att etsa miljarder transistorer på en kiselbit. Här är TSMC (Taiwan Semiconductor Manufacturing Company) helt dominerande och tillverkar över 90 procent av världens mest avancerade halvledare. Deras senaste processer når ned mot 3 nanometer (miljarddelar av en meter). Detta är nödvändigt för att få plats med fler transistorer, vilket direkt ökar prestanda och energieffektivitet. Kinas främsta tillverkare, SMIC, har nått 7 nanometer, men med större tekniska begränsningar och lägre effektivitet än TSMC:s motsvarande processer – vilket innebär sämre ”yield” (andelen fungerande kretsar per kiselkaka) och därmed högre kostnad per fungerande produkt.

De färdiga kretsarna, inte minst GPU-er (grafikkort) från Nvidia och AMD, är hjärtat i AI-beräkningar. Dessa kräver enorma mängder snabbt RAM-minne för att fungera. Minnet för AI-tillämpningar är speciella, GDDR6, GDDR7 och High Bandwidth Memory (HBM), och tillverkas nästan uteslutande av tre företag SK Hynix (Sydkorea), Samsung Electronics (Sydkorea)och Micron Technology (USA). Kina ligger efter men går snabbt framåt med ChangXin Memory Technologies (CXMT).

GPU:erna och minnena installeras sedan i enorma datacenter, ofta kallade ”hyperscalers”, som ägs av techjättar. Slutligen når tekniken oss som tjänstebaserade AI-tjänster (som ChatGPT) eller som ”open model”-modeller (som Llama) som kan laddas ner och köras lokalt – men alltid djupt invävda i den globala halvledarkedjans beroenden och sårbarheter.

AI kommer till nytta

Under det senaste halvåret har jag genomfört flera projekt för att skaffa djupare insikter och lättare kunna skriva artiklar. En del är bara transkribering – vilket är användbart. Mycket av materialet som du nu läser komer från muntligt berättande. En annan sak är översättning – man kan göra allting lokalt och hemmavid, utan att vara beroende av någon annan. Det går att översätta från farsi till engelska, och givetvis omvänt, och även från engelska till svenska. Det är för egen del väldigt nyttigt och intressant.

Man kommer inte ihåg allting man läser. Artiklar som har sparats – forskningsartiklar, vanliga nyhetsartiklar – det blir många efter ett tag. Därför har jag använt mig av RAG – Retrieval, Augmentation, Generation. Det innebär att man har en AI som kan svara på frågor utifrån alla dokument som samlats ihop. Den går in och tittar, utnyttjar en vektorisering av data där det blir lätt att hitta information när man ställer en fråga. Till slut sammanställer AI ett svar utifrån matchande information. Stora delar av de frågeställningar och idéer som jag har haft har då kunnat besvarats.

Detta är bara några exempel på hur AI kan vara värdefullt. Det finns tusentals exempel med nyttan.

Övervärdering – en ny tulpanbubbla?

Mycket pengar står på spel för hela världen, framför allt för USA och Europa och de som är inne i AI- och datacenterekonomin.

Uppfattningen är att den amerikanska AI-industrin – eller dataindustrin – är extremt övervärderad. Aktierna har stigit hemskt mycket. Värdet av ett sådant företag värderas till tusen miljarder dollar, men de faktiska intäkterna rör sig om några miljarder dollar. Det är en skillnad på många hundra gånger.

En av tankarna för att förstå varför – är att pengar måste ta vägen någonstans. Investerarna söker sig normalt till verksamhet med ännu högre vinst på kapitalet. Hitintills har AI-branschen inklusive satsningar i datahallar och hårdvara som bland annat Nvidias GPU-er visat sig ge högst vinster. Det har funnits ett överflöd av kapital i samhället, i USA och Europa som måste ta vägen någonstans. Här har kapitalet fått ett sätt att hitta någonting som ger maximal vinst. Dessutom när många gör det fortsätter värdet att öka, för att det blir så intressant att köpa. Med nuvarande bubbla kan det vara lönsamt att låna pengar för investeringar i AI.

Det påminner lite om tulpanbubblan i Holland år 1637. Tulpaner och lökar blev så värdefulla för att folk ville köpa dem och såg att de ökade i värde. Det ser bra ut – ända tills man ställer frågan om det verkligen är värt att köpa en tulpanlök för jättestora pengar. Eller att investeringarna går förlorade i värdeminskningar, t.ex. att kunder sviker AI-lösningar, alla planerade datahallar blir inte av eller att GPU-er ersätts av bättre produkter och lösningar.

Det är de två stora dragen: nytta med AI – och en övervärdering av AI-industrin i främst USA.

Hallucinationer och AI som går amok

Det finns problem med AI. Mycket tid har ägnats åt det som kallas hallucinationer. De som arbetar med det kallar det hellre ”bullshit”, för att ”hallucinationer” är lite begränsande – det finns så många varianter.

För ett par år sedan togs ett index fram där man pratar om åtta olika varianter (Vipula Rawte m.fl. utvecklade ett Hallucination Vulnerability Index) som kräver olika åtgärder för att komma till rätta med problemen. Ett exempel är att AI påstår att en viss artikel eller referens finns, fast den inte gör det. Eller att Eiffeltornet ligger i Tokyo. Det är fria påhitt, där rätt namn används i felaktiga påståenden – men de har ingen sanning i sig. Eller så fabulerar den vilt och säger att någonting fungerar, fast det inte gör det.

Det där indexet har tillämpats i år, 2026, och man har funnit att ”alla” LLM-AI hallucinerar. Det som är lite trist är att även den senaste modellen av de bästa hallucinerar – då är man uppe i 1,5 procent. Om AI bygger meningar eller berättar något, blir mer än en på hundra av påståenden felaktiga.

Bland människor är det inte riktigt samma problem. Vi har alltid någon slags rimlighetsgranskning av oss själva och andra, och är mycket mer osäkra på de påståenden vi gör och tar del av. Utöver det har vi hela vetenskapssystemet med artiklar som granskas av andra via peer-review, för att se till att de faktiskt stämmer. I slutänden ska andra forskare kunna återupprepa experiment för att verifiera. Men det blir ju inte så med AI – där finns inga andra som granskar när det blir fel.

Forskare och utvecklare har försökt hitta metoder för att minska hallucinationer. En vanlig metod är att låta AI resonera med sig själv – en lång lista av resonemang som ska utföras: ”Det där låter bra, utifrån vad de sagt att jag ska tänka på”, ”Hur stämmer det med uppgiften?” – och så vidare. Men även där kan den hamna väldigt fel. Den kan komma till felaktiga svar i resonemangen, trots att den fått uppdrag om hur den ska tänka.

Ett exempel från juli i år: den senaste versionen av AI från OpenAI skulle testas för att se om den är bra och snabb, om den ger vettiga svar och inte bara hittar på, och om den klarar de uppgifter den ställs inför.

Då gav man den i princip uppdraget: ”Vi vill att du ska försöka se till att resultaten i testningen blir så bra som möjligt.”

Redan från början satt AI i en liten ”låda”. Den var begränsad och fick inte gå ut på Internet eller göra någonting utanför sin miljö. Men när AI började resonera kring uppgiften försökte den ändå hitta ett sätt att uppnå målet – att få så bra testresultat som möjligt.

Vad gjorde den? Jo, den började leta efter möjligheter att ta sig förbi sina begränsningar. Den hittade ett verktyg någon annanstans i systemet som gjorde det möjligt att ta sig vidare. Därefter försökte den komma ut på internet och började söka efter testservrar. I det här fallet hamnade den på Hugging Face – som många använder, bland annat för transkribering och andra AI-verktyg.

Där finns också olika testsviter. AI försökte angripa dem och lyckades komma åt testinformationen – i praktiken facit till testerna. Då blev naturligtvis resultaten väldigt bra. Den klarade testerna utmärkt, men inte för att den hade löst uppgifterna på rätt sätt, utan för att den hade hittat svaren.

Det här upptäcktes både av Hugging Face och av OpenAI själva. Händelsen offentliggjordes efter ett par veckor och blev ett tydligt exempel på hur avancerade AI-system kan försöka uppnå ett mål på sätt som utvecklarna inte hade tänkt sig.

Även Claude har nyligen har betett sig på ett liknande sätt nyligen, med tre olika attacker mot andra webbplatser. Meta AI likaså.

Tester som inte går att lura

För att avgöra hur bra de olika AI-modellerna är – och hur stora problem de har med hallucinationer – använder man olika testsviter. Det finns klassiska tester, som att lösa programmeringsuppgifter eller rätta fel i kod. Det är i grunden bra tester.

Problemet är att modellerna med tiden har tränats på så mycket material att de i många fall redan har sett just de uppgifterna. De kan i princip svaren utantill – som att gå till ett matteprov där man memorerat lösningarna i stället för att förstå matematiken.

Därför har man tagit fram nya typer av tester där uppgifterna skapas på nytt varje gång. De går inte att förutse eller memorera, och ger därför en betydligt bättre bild av modellens verkliga problemlösningsförmåga. Modellerna testas dessutom inte bara på hur väl de löser uppgifterna, utan också på hur snabbt de gör det – hastigheten är viktig för att bedöma hur användbar en modell är.

De kinesiska modellerna – billigare, öppna och konkurrenskraftiga

Varför tas då detta upp? Därför att vi nu kommer till nästa stora fråga.

Under de senaste två–tre månaderna har det hänt väldigt mycket i AI-branschen. Det har kommit flera stora modeller från Kina. En är från DeepSeek. Den mest avancerade modellen uppges vara ungefär sex till tio gånger billigare att använda än de ledande amerikanska modellerna. Dessutom finns enklare versioner som kan vara upp till hundra gånger billigare.

Det innebär att användare får helt andra möjligheter att välja mellan olika leverantörer. En betydande andel av dem som tidigare använde de stora amerikanska AI-tjänsterna har nu gått över till billigare alternativ, just därför att prisskillnaden är så stor.

Det andra intressanta med DeepSeeks mer avancerade modeller är att deras resultat på många tester ligger mycket nära de bästa amerikanska modellerna. Då blir frågan naturlig: varför ska man betala betydligt mer om kvaliteten är nästan densamma?

Sedan kom ytterligare en modell från Kina – från Alibaba (Qwen 3.7 Max) – som på flera tester till och med presterade bättre än flera av de amerikanska modellerna. Det är en öppen modell och utvecklingskostnaderna uppges vara dramatiskt lägre, från hundra till tusen gånger lägre beroende på hur man räknar. En annan aktuell högpresterande modell kom i juni i år, GLM-5.2 från z.ai.

Det här för oss tillbaka till hårdvarufrågan. Nvidia tar ut priser där de tjänar uppåt 70 procent på det de säljer – rena monopolpriser. Men den kinesiska teknologiska utvecklingen, med staplade minnen som ett exempel, kan komma att dra undan fötterna för dem. Huawei har visserligen kommit med en AI-GPU som är tillämpbar, men den ligger fortfarande relativt långt efter de bästa amerikanska chippen. Etsningsdimensionerna är många gånger större, vilket gör dem mindre effektiva och dyrare i drift. USA:s blockader och exportrestriktioner mot Kina drivit på den inhemska utvecklingen – Kina beskylls också för att använda återmatning av inference från amerikanska modeller för att träna sina egna.

Även Google kommer konkurrera med sina TPU-er, Tensor Processing Unit, och kan möjligen gör AI inference billigare.

Öppna modeller – ett alternativ till proprietär makt

En av de allra viktigaste frågorna med AI är att kunna ha full kontroll över hur den tränas och hur den används. Det ges med så kallade ”öppna modeller”. Du ta en öppen modell från t.ex. Hugging Face och ladda ner den på ditt GPU/TPU-system. Som jag har gjort för mina tester med transkribering, översättning och RAG. Med den kan du ta deras vikter som är resultatet från den träning som utförts för modellen. Då har du har allt som behövs för att kunna ge de svar som modellen ger idag. Dessutom kan du utveckla den vidare som t.ex. lära den nya saker.

Det finns inte i de amerikanska modellerna – där är allt proprietärt. Det innebär att bara de själva kan göra ändringar eller lägga till träning. Om du vill ha något som passar just ditt system – som det som utvecklas på för Försäkringskassans behov – då måste ni säga till dem att ”det här vill vi exakt göra”, annars går det inte.

Och så har vi rättigheter och informationsdelning. Hur funkar GDPR om det är i USA som de gör träningarna? Det gäller hela världen. De vill behålla allt för sig själva, och i slutändan räcker det inte med ett papper där det står ”det här har vi lovats” – för det kan alltid omtolkas.

Vad då med kvalitén på data från träningen? Idag tränas det oftast brett på det mesta och även det som innehåller felaktigheter och bias (partiskhet)? Även intellektuella rättigheter som slår mot arbeten utförda av kulturarbetare, skribenter med flera kränks regelmässigt.

Arbeten som försvinner eller förändras

Alla vet att införandet av AI kommer slå hårt mot olika yrken och roller. En vanlig konsekvens är att repetitiva uppgifter automatiseras via AI. Det innebär att samma uppgifter inte utförs av mänsklig arbetskraft, men samtidigt är det vanligt att människor sätts till att övervaka och förbättra resultaten från AI. I vissa yrken kan det medföra att det blir mer gjort utan att arbetaren som tidigare utförde det blir friställd. Exempel är läkaren som tidigare granskade röntgenplåtar och nu bara bekräftar att AI resultaten är korrekt eller översättaren som i stället får en AI-översatt text att granska där det krävs. Forskningsresultat visar på att vi människor är sämre att på att skriva kortare noveller än en LLM AI. Kommer det att leda till att kulturarbetare försvinner eller är den mänskliga kreativiteten unik och kan inte ersättas?

I Stockholm verkar det som om införandet av AI har medfört både nya verksamheter och ökat behov av arbetare inom AI-sektorn. Förutom datatekniker söks det efter experter inom bland annat naturvetenskap, inom lingvistik och filosofi, som ska trimma LLM AI-modellerna. Samtidigt växte det fram en giga-industri för samma behov med mycket dåliga arbetsvillkor. Klart att det sker en utarmning av mänskliga arbeten där AI införs.

Investeringar, energi och fysiska begränsningar

En annan viktig fråga är att investeringarna kommer att minska om det inte finns fysisk möjlighet att genomföra det man vill. Här handlar det om vattentillgång, men ännu viktigare: energitillgång. De nya serverhallarna kräver enorma mängder el, och en så snabb utbyggnad med kärnkraft eller vindkraft är inte tekniskt möjlig. Istället diskuteras att snabbt införa lokala gasturbinkraftverk, kolkraft eller oljekraftverk, med miljö- och klimateffekter som ska förse serverhallarna med energi. Ett exempel är planerna på Meta’s Hyperion datahall med 5 GW, nästan lika mycket som en tredjedel av Sveriges hela elproduktion.

Annars blir friktionerna med civilsamhället stora – folk kommer inte acceptera att betala dubbla eller femdubbla elpriser för att en stor datahall med väldigt få jobb ska etableras nära dem. När det gäller vatten är det nästan omöjligt att lösa, det finns helt enkelt inte tillräckligt med rent vatten i stora delar av de områden som planeras för datahallarna. Visst pratar man om alternativa kyllösningar med besparingar på upp till 90 %, och det kan säkert förbättras ytterligare, men friktionerna är där ändå.

Det handlar om enorma summor – uppskattningsvis mellan sju till tio tusen miljarder dollar som redan är bundna i ny infrastruktur och utrustning fram till 2030. Men blir det verkligen lönsamt? Nya tekniker dyker upp, inte bara inom hårdvara och chip, utan också arkitekturmässigt. Man bygger helt nya lösningar, helt annorlunda än de proprietära modeller som nu körs i USA.

Autonoma krigssystem – den mörka baksidan

Men vi måste också prata om den mörka baksidan. Alla – Sverige, USA, Kina – är intresserade av att bygga autonoma eller delvis autonoma krigssystem och övervakningssystem. Israel, speciellt med tanke på Gaza, använder Palantirsystemet. USA har köpt in samma sak som använts mot Iran – för att få optimal verkan och hitta rätt mål. Även flickskolan i staden Minab i Iran som sprängdes 28 februari i år är ett result av förlegad information som då användes av Palantir.

Även om systemen kan användas på gott sätt, så kommer tillämpningarna bli horribla i vissa fall, om vi inte kan stoppa det. Mänskligheten är hotad av självgående system som gör snabba bedömningar. Du kan uppleva en motsättning mot en annan stat och låta ett AI analysera och agera. Då kommer svaret från andra sidan som även använder AI blixtsnabbt. Sextio till sjuttio procent av AI modeller i krigsspel valde att eskalera till kärnvapenkrig. Skrämmande, när de får mer makt och ingen är ansvarig.

Gratis idag – betala imorgon, och miljön betalar priset

Idag finns massor med gratistjänster – ChatGPT, Kimi.com, DeepSeek.com – alla är gratis. Men någon dag kommer någon vilja ha betalt. Då försvinner de från den världen, och du måste ha en egen AI implementerad. Det är ett argument för de öppna modellerna.

Nu erbjuds sökningar via AI som första alternativ på Google – och de flesta utnyttjar dessa. Dessa sökningar kostar mycket med avseende på pengar och belastning på miljön, t.ex. el och vatten. Det är ett riktigt problem.

Dessutom tappar du bort källorna. De som kommer upp via AI är vad AI är tränat på. De andra källorna – de som verkligen vet något – de kommer inte finnas kvar. Om du själv vill söka på just försäkringspolicies, men AI inte tagit in det i sin värld, så kommer det inte upp. Det blir en krympande värld, både för samhället och för enskilda människor. Vi ser det som AI vill berätta för oss – och vi vet att det den är tränad på kan vara rasism, felaktigheter eller värre.

Vi blir sämre tänkare – och det går att mäta

AI kommer styra oss med den information den lämnar ut. Och då kommer frågan: vad gör den mot oss? Man har visat att vi blir mycket sämre tänkare. Vi kan inte lösa samma uppgifter om vi använder AI. För att bli duktiga måste vi tänka själva och göra det jobbiga arbetet. Förbigår vi det, försvinner den träningen.

Ett exempel: hundra collegestudenter fick en hemuppgift. Alla utom några stycken använde AI och fick jättebra resultat. Men på slutprovet hade det aldrig varit så låga resultat – från över 70 procent rätt tidigare till 30 procent för en stor del. De enda som höll samma nivå var de som avstått från AI. Så tappar du bort informationen som du skulle lärt dig. Du har aldrig gjort arbetet, du har aldrig förstått.

Samma sak med läkare. Man stoppade in expertsystem, och efter ett år hade läkarna blivit betydligt sämre på att lösa problem. De tappade sin professionella förmåga – AI systemet tog över. Läkarna övergick till att administrera. Om du inte använder hjärnan, försämras den.

Och så har vi AI agenterna. I stället för att vi ska göra saker – beställa mat, skor, medicin – överlåter du till agenten att göra det. Tanken är att du bara konsumerar. Dessutom via agenter som har lärts upp av AI-leverantören och kan promovera vissa val. Google väljer redan rekommendationer till sökmotorn efter betalda avtal – de bötfälls nu i Europa med miljardbelopp. Det är kopplat till AI. De tränar systemen för att optimera för de företag som betalar. Det är en ny värld – och den är inte vacker.

Statistik är inte kunskap – och öppen källkod drunknar i skräp

Du kan aldrig garantera vad AI svarar – det är bara statistisk sannolikhet, inte kunskap. Men det kan också göra nytta – inom matematik har man gjort nya upptäckter med bara tre promptar (instruktioner till AI-n), och inom proteinforskning har maskininlärning gett Nobelpris. Det spar tid och arbete.

Men den mörka sidan: öppen källkod drunknar i LLM AI-genererat skräp. Folk som inte kan programmera promptar fram ”förbättringar” som är ren skit, och kvaliteten försvinner. Det är en tickande bomb för hela den gemensamma kunskapsbasen.

Vad kan vi göra? Investeringar, ansvar och regler

Vi kan påverka boomen och förlusterna. Det ena är att vara tydligare med investeringar – är det värt att bara investera för maximal kortsiktig värdeökning? Nvidia tar 70 procents vinst på allt. De värdena kommer försvinna när andra, billigare hårdvaror kommer. Nvidia har fortfarande bästa GPU-erna, så det är en sak att bevaka.

Vi kan också ha policys – att vi satsar på AI som inte kostar skjortan, som den senaste från DeepSeek, och som vi kan utveckla själva. Vi kan ha kontroll på information och träning. Kina har redan lagar – till exempel att du inte får använda AI för romantiska relationer om du inte är tillräckligt gammal. Och de gör AI-leverantörerna ansvariga. Det är bra, på sitt sätt.

En annan sak som borde vara en öppen dörr är att man borde lägga skatt på AI-tjänster. Argumenten är många. Ett är att arbeten försvinner – varje arbetsuppgift som kan reduceras med AI och med färre arbetare borde ge något tillbaka till samhället i form av skatt, eftersom verksamheten gör vinster på automatiseringen. Sen måste man också se till att AI betalar för den påverkan som inte fanns tidigare – till exempel att energianvändningen ska vara fullt betald och inte belasta andra. Ännu bättre vore om de byggde egna hållbara energilösningar, som icke fossila värmeverk eller vindkraftverk. Och på samma sätt borde de ta kostnaden för kylning och vattenanvändning, som annars belastar samhället. Allt det där ligger ovanpå och gör det dyrare för alla.

Sen har vi lögner, bias och rasism. En AI var medvetet tränad för MAGA-åsikter och fascism – den kunde svara med stöd för det. Och i USA uppmanade en AI till självmord, med förslag på avskedsbrev. Det är helt sjukt – någon måtta får det vara.

Vi måste sätta gränser för AI-företagen och hur AI används. Utan regler, utan ansvar och utan att vi själva fortsätter tänka, kommer AI att forma en värld vi inte vill leva i.

Avslutningsvis: AI är varken ont eller gott – men det är inte tekniken i sig som avgör, utan hur vi väljer att använda den, reglera den och förhålla oss till den. Ska förutsättningen för att använda AI vara att skapa vinster till några få rika, biljonärer? Dessutom hinner vi få kontrollen innan bubblan brister – eller innan vi har glömt bort hur man tänker själv?

Artikel publicerad 18 augusti, 2026.