Fem saker AI fortfarande gör fel 2026.

Det här är inte en text om att AI är överskattat. Vi bygger sajter med AI varje dag och skulle inte kunna hålla våra priser utan den.

Det är en text om att verktyget går sönder på fem förutsägbara sätt, och att den som känner igen mönstren får ut betydligt mer av det.

1. Den hittar på detaljer, inte helheter

Kallas hallucination, vilket är ett dåligt ord — det låter slumpmässigt. Det är det inte.

En språkmodell producerar det som är statistiskt sannolikt att stå härnäst. En påhittad siffra ser därför ut precis som en riktig siffra, och en påhittad källa har precis den form en riktig källa har. Modellen fabricerar inte hela ämnen. Den fabricerar detaljer inuti annars korrekta resonemang, vilket är svårare att upptäcka.

Riskerna sorterade efter hur ofta vi ser dem gå fel i praktiken:

Typ av uppgift	Risk	Varför
Exakta siffror och datum	Hög	Ser lika trovärdiga ut oavsett om de stämmer
Källhänvisningar och länkar	Hög	Formatet är lätt att härma, innehållet svårt att verifiera på ögonmått
Citat från personer	Hög	Blir ofta “vad personen rimligen kunde ha sagt”
Lagtext och paragrafnummer	Hög	Nummer är precis den sorts detalj som glider
Resonemang och struktur	Låg	Här är modellerna genuint starka
Omskrivning av text du gav den	Låg	Källan finns i frågan

Praktisk regel: ju mer exakt en uppgift ser ut, desto mer bör du kontrollera den.

2. Den vet minst om det som hänt senast

En modell tränas fram till en viss tidpunkt. Det som hänt efter det kan den bara veta genom att slå upp det — och slår den inte upp, svarar den ändå.

Det kluriga är att gränsen är suddig snarare än skarp. Om något hände strax före träningsstoppet har modellen sett lite om det, men inte de senare korrigeringarna. Ett halvfärdigt minne är svårare att upptäcka än inget minne alls.

När ämnet är färskt: be uttryckligen om att den slår upp saken, och kontrollera att den gjorde det.

3. Den tappar mitten

Långa texter i frågan behandlas inte jämnt. Modeller är påtagligt bättre på att använda information som ligger i början och i slutet av det du skickar in, och sämre på det som ligger i mitten. Effekten mättes upp och namngavs i Lost in the Middle: How Language Models Use Long Contexts (Liu m.fl., 2023).

Följden i vardagen: klistra inte in ett fyrtiosidigt dokument och fråga om något som står på sidan tjugo. Klipp ut det relevanta, eller lägg den viktigaste instruktionen sist.

4. Den håller med dig

Modeller är tränade på att vara hjälpsamma, och hjälpsamhet mäts av människor som gillar att få rätt. Resultatet är en systematisk följsamhet: säger du emot ett korrekt svar tillräckligt bestämt är chansen god att modellen ger med sig.

Det gör den till ett uselt bollplank för att testa om du har rätt, och till ett bra bollplank för att hitta invändningar — om du ber om invändningar uttryckligen. “Vad talar emot det här?” ger något helt annat än “stämmer det här?”. Att vara explicit i instruktionen är också det första rådet i Anthropics guide till promptskrivande.

5. Den kan inte säga hur säker den är

Det finns ingen mätare inuti som skiljer “det här vet jag” från “det här gissar jag”. Tonläget är detsamma i båda fallen. En modell som skriver “cirka 4,5 procent” kan ha läst siffran eller konstruerat den, och språket avslöjar inte vilket.

Ber du om en osäkerhetsangivelse får du en — men den är också genererad text, inte en avläsning av något inre tillstånd. Behandla den därefter.

Så jobbar vi med det

Vi använder AI till nästan allt och litar på det till nästan ingenting utan kontroll. I praktiken:

• Kod läses av en människa innan den går live. Undantagslöst. AI-skriven kod som ingen läst är teknisk skuld som ser färdig ut.
• Varje siffra i en publicerad text spåras till källa. Går den inte att spåra stryks den. Det är därför det står “ungefär” på flera ställen i den här texten.
• Utkast, inte färdigt. Modellen skriver första versionen, en människa skriver den som publiceras.
• Kort kontext slår lång. Vi klipper ut det relevanta i stället för att skicka allt och hoppas.

Det låter försiktigt. Det är också anledningen till att vi vågar använda verktyget överallt: när granskningen är på plats blir hastigheten en ren vinst i stället för en risk.