Om ett år kan AI göra jobbet – inte bara föreslå hur
Nästa stora steg är inte nödvändigtvis en smartare chatt. Det är AI som kan följa en uppgift genom flera program, upptäcka sina misstag och lämna något som faktiskt går att använda.
Från kvittohögen och semesterplaneringen till företagets kundtjänst och programkod: under det kommande året kan AI ta över fler av de små projekt som fyller våra dagar. Men skillnaden mellan en imponerande demonstration och en pålitlig medarbetare blir avgörande. Här är en forskningsförankrad prognos för 2026–2027 – och gränserna som sannolikt består.
Av Sara HolmbergSkribent · Superintelligens och framtidenUppläst av tidningens berättarröst
Från svarsmaskin till någon som gör klart
En företagare öppnar datorn på måndagsmorgonen. I inkorgen ligger en leverantörs nya prislista, tre kundfrågor och en faktura som inte stämmer med beställningen. I dag är det här typiska uppgifter där AI kan hjälpa till med delar: sammanfatta mejlen, formulera svar och förklara avvikelsen – förutsatt att underlagen finns tillgängliga.
Om ett år kan samma arbetsflöde oftare börja med en enda instruktion: ”Kontrollera prisändringarna, uppdatera kalkylen och förbered svaren. Fråga mig innan något skickas.” Systemet hämtar dokumenten, jämför artikelnummer, räknar om marginaler och lägger fram en lista över ändringar och osäkerheter.
Detta är ett tänkbart scenario, inte en observation från en namngiven verksamhet. Men det visar var den viktigaste förflyttningen sannolikt kommer att ske: från att producera innehåll till att genomföra avgränsade arbetsuppgifter.
Frågan ”vad kan AI om ett år som den inte kan nu?” har därför ett lite frustrerande svar. Mycket av det som blir användbart finns redan som demonstration, experiment eller dyr speciallösning. Nyheten kan vara att en vanlig privatperson eller ett mindre företag faktiskt kan använda det, till rimlig kostnad och utan en ingenjör bredvid sig.
Prognosen här gäller utvecklingen från 2026 till 2027. Den bygger på publicerade forskningsresultat och dokumenterade utvecklingslinjer, inte på en fullständig realtidsinventering av marknadens produkter. Exakta lanseringar, priser och svensk tillgänglighet är osäkra. Det är funktionerna och deras sannolika mognad vi försöker bedöma.
Min huvudbedömning är att AI om ett år kommer att kunna ta större ansvar för digitala uppgifter som är begränsade, möjliga att kontrollera och går att ångra. Däremot finns inget tillräckligt underlag för att lova en allmänt pålitlig digital anställd, ännu mindre superintelligens.
Nästa genombrott kan kännas mindre som att datorn blivit ett geni och mer som att du slipper vara projektledare för varje litet steg.
Varför ett år faktiskt kan göra skillnad
En språkmodell förutsäger och genererar innehåll utifrån mönster den har lärt sig. Men en modern AI-tjänst är mer än modellen. Den kan också innehålla sökning, minne, kodkörning, dokumenthämtning och verktyg som utför handlingar i andra system.
Det är skillnaden mellan någon som kan beskriva hur man gör en reseräkning och ett system som kan läsa kvittot, slå upp företagets regler, fylla i rätt fält och markera vad som behöver godkännas.
När modellen används i en återkommande slinga – observera, välja handling, utföra, kontrollera – brukar systemet kallas en agent. Ordet låter mer självständigt än tekniken alltid är. En agent kan vara hårt begränsad och fortfarande kräva mänsklig hjälp efter några steg.
Tre utvecklingslinjer kan ändå förstärka varandra under ett enda år.
Först blir det lättare att låta systemen arbeta längre med ett svårt problem: pröva en lösning, köra ett test och försöka igen. Mer beräkning vid användningstillfället kan förbättra resultatet, även om det kostar pengar och tid och inte garanterar korrekthet.
Sedan blir kopplingarna till omvärlden bättre. Ett system som får strukturerad åtkomst till lagersaldon behöver inte gissa vad som finns i lager. Ett system som får köra programkod kan kontrollera en beräkning i stället för att bara skriva ett övertygande svar.
Slutligen faller kostnaden för vissa förmågenivåer. Stanford HAI:s AI Index Report 2025 beskriver hur priset för att använda en modell med ungefär GPT-3.5-nivå på ett utvalt test föll mer än 280 gånger mellan november 2022 och oktober 2024. Det är en historisk jämförelse, inte ett löfte om fortsatt prisras. Men billigare beräkning gör fler kontroller och omtag ekonomiskt möjliga.
Forskningsorganisationen METR har dessutom studerat hur långa programvarurelaterade uppgifter AI-system kan lösa. I en studie från 2025 fann forskarna att uppgiftshorisonten vid 50 procents lyckandefrekvens historiskt hade fördubblats ungefär var sjunde månad för de undersökta systemen.
Det är lätt att övertolka. Måttet gäller hur lång tid uppgifterna tar för människor, inte hur länge en AI kan lämnas utan tillsyn. Och 50 procents framgång är långt från tillräckligt för många affärskritiska uppgifter. Studien ger stöd för riktningen – längre sammanhängande uppgifter – men är ingen kalender för när AGI anländer.
Privatpersonen: färre appar, mer sammanhängande hjälp
För privatpersoner är den mest sannolika förbättringen att AI kan hålla ihop en uppgift över fler informationskällor och fler tillfällen. Inte bara skriva en packlista, utan kombinera kalender, bokningsbekräftelser, väder och familjens önskemål till ett förslag som går att granska.
Tänk på en semesterresa. Att rekommendera sevärdheter är enkelt jämfört med att hitta alternativ som samtidigt fungerar med en barnvagn, en sen ankomst, en viss budget och ett hotell som går att avboka. Om ett år kan fler konsumenttjänster förväntas kunna göra mer av det praktiska jämförelsearbetet och förbereda bokningarna.
Att genomföra hela köpet utan frågor är mindre självklart. Priser ändras. Ett rum kan vara återbetalningsbart bara under särskilda villkor. En flygbiljett kan sakna bagage. Den användbara tjänsten är därför inte nödvändigtvis den som klickar snabbast, utan den som visar vilka villkor den har kontrollerat och stannar före betalningen.
En annan sannolik förbättring är hjälp med den privata dokumenthögen: försäkringsbrev, avtal, garantier och meddelanden från skolan. AI kan bli bättre på att besvara frågor som: ”Vilka av de här avtalen förnyas snart, vad förändras och vad behöver jag göra?”
Här ligger nyheten främst i sammanställningen och uppföljningen. Dokumentanalys finns redan. Att konsekvent hålla reda på rätt version, hitta relevanta undantag och påminna vid rätt tillfälle är svårare. En missad uppsägningstid visar varför ett vänligt formulerat svar inte räcker.
Röst och bild blir också viktigare. Att visa en felkod på en maskin och prata om nästa steg kan vara mycket enklare än att skriva en teknisk beskrivning. Framsteg väntas i hur systemen följer ett samtal, använder det som syns och växlar mellan att förklara och utföra.
Men en bild är inte en besiktning. AI bör inte antas kunna avgöra om en elinstallation är säker eller ställa en medicinsk diagnos bara för att samtalet känns naturligt. Gränsen mellan praktisk vägledning och riskfylld rådgivning består.
Personligare hjälp förutsätter dessutom minne: vilka behov du har, vad du tidigare valt och vilka instruktioner som fortfarande gäller. Ett bra minne måste gå att inspektera och radera. Annars riskerar en gammal tillfällig preferens att bli en osynlig regel för framtida beslut.
Min prognos är därför tydlig men begränsad: mer användbar vardagsadministration och mer sammanhängande hjälp, men inte en universell privatsekreterare med säker tillgång till banker, myndigheter och alla appar. Tillgång, samtycke och ansvar blir minst lika viktiga som modellens intelligens.
Företaget: AI tar ett ärende, inte en hel yrkesroll
På arbetsplatsen kommer förändringen sannolikt att bli tydligast där arbetet redan lämnar digitala spår och där resultatet kan kontrolleras. Kundtjänst, dokumenthantering, programmering och intern informationssökning ligger nära till hands.
Ta en reklamation i en webbutik. Ett AI-system kan läsa kundens beskrivning, hämta ordern, kontrollera leveransen och jämföra med returreglerna. Det kan sedan förbereda ett svar eller, med begränsad behörighet, genomföra en standardåtgärd.
Det avgörande steget är inte att svaret låter mänskligt. Det är att systemet använder rätt order, rätt policy och rätt belopp – och lämnar ärendet vidare när något inte passar mallen. Företag som lyckas kommer sannolikt att automatisera tydligt definierade fall först, snarare än att ge en agent fria händer i hela kundrelationen.
Ekonomi och administration följer samma mönster. AI kan få större förmåga att föreslå kontering, matcha underlag, identifiera avvikelser och efterfråga saknade dokument. Men ansvaret för att bokföringen är korrekt försvinner inte. Den realistiska vinsten är mindre manuellt letande och färre rutinmässiga överföringar mellan system.
Programmering är särskilt intressant eftersom det ofta går att testa resultatet. En kodagent kan undersöka ett fel, ändra filer, köra tester och lämna ett ändringsförslag för granskning. Om ett år är det rimligt att vänta sig att fler sådana system klarar större sammanhängande ändringar med mindre handpåläggning.
Forskningsmåttet SWE-bench, presenterat 2023, utgår från verkliga GitHub-ärenden och tillhörande kodbaser. Det flyttade en del av utvärderingen från små fristående programmeringsproblem till uppgifter som kräver förståelse av befintlig programvara. Samtidigt är ett bra resultat på ett benchmark inte samma sak som att säkert förvalta ett företags produkt.
Tester kan vara ofullständiga. En ändring kan rätta ett fel och införa ett annat. Säkerhet, arkitektur och långsiktigt underhåll måste fortfarande bedömas. Den närmaste framtidens starka kodagent är därför lättare att föreställa sig som en snabb producent av granskningsbara ändringar än som ensam systemägare.
För ett mindre företag kan den praktiska effekten ändå vara stor. Ett internt verktyg som tidigare inte var värt konsultkostnaden kan bli möjligt att bygga: en rapportgenerator, en dokumentjämförelse eller en enkel koppling mellan två system. Vinsten ligger i lägre trösklar, inte i att allt plötsligt blir gratis.
Anthropics första Economic Index från 2025 analyserade användning av Claude och fann mer samarbete mellan människa och AI än ren automatisering i det studerade materialet. Det är data från en tjänst, inte ett representativt mått på hela arbetsmarknaden. Ändå pekar det mot en viktig distinktion: AI förändrar arbetsuppgifter innan det nödvändigtvis ersätter hela yrken.
Flaskhalsen är pålitlighet, inte vältalighet
Varför kan en AI skriva avancerad kod men ändå fastna i ett bokningsformulär? Därför att kunskap, planering och robust interaktion är olika problem.
Ett datorgränssnitt är fullt av detaljer som förändras: knappar flyttas, fönster öppnas, laddningar dröjer och inloggningar löper ut. Systemet måste förstå vad som faktiskt hände efter varje handling, inte bara anta att planen fungerade.
OSWorld, ett forskningsbenchmark presenterat 2024, utformades för att pröva multimodala agenter i verkliga datoruppgifter över flera program. Arbetet visade ett stort avstånd mellan dåtidens agenter och människor. Resultaten är inte en aktuell topplista, men uppgiftstypen belyser varför vägen från chatt till digitalt arbete är besvärlig.
Även ganska hög träffsäkerhet kan ge låg tillförlitlighet i en lång kedja. Som ett förenklat räkneexempel: om vart och ett av tjugo nödvändiga steg lyckas med 95 procents sannolikhet, och stegen är oberoende, blir sannolikheten att alla lyckas ungefär 36 procent.
Verkliga arbetsflöden är mer komplicerade. Fel kan hänga ihop, och ett system kan upptäcka och reparera dem. Exemplet förklarar ändå varför ”nästan alltid rätt” i varje litet moment inte automatiskt blir en pålitlig helhet.
Därför bör vi under det kommande året titta efter bättre återhämtning snarare än bara mer imponerande förstaförsök. Kan agenten se att fel fil öppnades? Kan den kontrollera att en ändring sparades? Kan den backa utan att skapa dubbla beställningar?
En robust tjänst behöver också skilja mellan olika risknivåer. Att sortera kopior av dokument är inte samma sak som att radera original. Att förbereda ett mejl är inte samma sak som att skicka ett juridiskt bindande erbjudande. Behörigheter och godkännanden bör följa konsekvensen av handlingen.
När systemen läser webbplatser och mejl uppstår dessutom en särskild säkerhetsrisk: promptinjektion. Angripare kan lägga instruktioner i innehåll som agenten ska behandla som information och försöka få den att avvika från användarens uppdrag. Mer handlingskraft gör sådana fel potentiellt mer skadliga.
Detta är ett skäl att vara skeptisk till idén att en bättre modell ensam löser allt. Sandlådor, åtkomstbegränsningar, loggar och separata kontroller behövs också. NIST:s riskprofil för generativ AI från 2024 behandlar bland annat felaktiga påståenden, informationssäkerhet och samspelet mellan människor och system.
Det mest värdefulla framsteget kan därför vara att AI oftare säger: ”Jag kan inte verifiera detta, och här är vad som saknas.” Ett välmotiverat stopp är ibland ett tecken på större användbarhet än ett självsäkert avslut.
Vad jag tror – och inte tror – på inom tolv månader
Det går att sortera prognosen efter hur mycket som måste falla på plats. Följande är kvalitativa bedömningar, inte beräknade sannolikheter.
Högst tilltro: mer kompletta leveranser inom avgränsade digitala uppgifter. Fler tjänster bör kunna gå från underlag till bearbetning och kontroll: göra en källförankrad sammanställning, uppdatera ett kalkylblad eller föreslå en kodändring med tester. Människan anger ramarna och granskar resultatet, men behöver styra färre delsteg.
Relativt hög tilltro: bättre användning av företagens egna data. Den stora nyttan blir ofta att rätt information hämtas med rätt behörighet och presenteras med spårbara hänvisningar. Hindret är att företagens dokument kan vara gamla, motsägelsefulla eller dåligt organiserade. AI förbättrar inte automatiskt kvaliteten på källmaterialet.
Relativt hög tilltro: mer användbar röst-, bild- och dokumenthjälp. Gränssnitten bör bli smidigare, särskilt för den som inte vill formulera långa instruktioner. Men tillgänglighet på svenska, svarstid och kvalitet i bullriga eller visuellt svåra miljöer kommer att variera mellan tjänster.
Medelhög tilltro: personliga agenter som utför rutinärenden över flera tjänster. Här behövs inte bara modeller, utan fungerande inloggning, integrationer, samtycke och affärsavtal. Utvecklingen kan därför bli ojämn: mycket kapabel inom ett visst ekosystem, betydligt sämre utanför det.
Låg tilltro: att vanliga användare kan lämna över öppna projekt utan tillsyn. ”Sköt min ekonomi”, ”driv vår marknadsföring” eller ”bygg och förvalta hela produkten” innebär otydliga mål, målkonflikter och konsekvenser som inte alltid går att testa. Demonstrationer kan se imponerande ut utan att motsvara stabil vardagsdrift.
Låg tilltro: ett brett genombrott för mångsidiga hushållsrobotar inom samma tidsram. Fysisk intelligens kräver säker rörelse, tillförlitlig hårdvara och hantering av en oordnad verklighet. Att flytta information på en skärm är något annat än att lyfta en ömtålig tallrik bredvid ett barn.
Inte heller är billigare AI givet i varje situation. En enkel fråga kan bli billigare samtidigt som en avancerad agent förbrukar mycket beräkning genom att söka, testa och göra om. Det relevanta priset är kostnaden per korrekt slutförd uppgift, inklusive mänsklig granskning.
Och AGI? Begreppet saknar en enda allmänt accepterad operativ definition. Det finns inte underlag för att lova en allmänt mänskligt kompetent AI på ett visst datum utifrån dessa studier. Ett stort praktiskt språng under året behöver inte innebära att den vetenskapliga frågan är avgjord.
Så märker vi om språnget verkligen har kommit
För privatpersonen är det bästa testet enkelt: återvänd till en uppgift som AI tidigare inte klarade utan ständig hjälp. Inte en gåta, utan något du faktiskt behöver få gjort – exempelvis att jämföra tre avtal med hänvisningar till villkoren.
Bedöm sedan hela resultatet. Hur mycket material behövde du ordna själv? Hur många fel fick du rätta? Visste systemet när det saknade information? Kunde du kontrollera slutsatsen snabbare än du själv hade kunnat göra arbetet?
För företag är motsvarigheten ett avgränsat pilotprojekt med tydliga mått: andel korrekt lösta ärenden, granskningstid, allvarliga fel och total kostnad. Jämför samma sorts uppgifter med den befintliga processen. En snabb demonstration säger mindre än hundra ordinära fall, inklusive de krångliga.
Inför också möjligheten att stoppa och återställa. Låt först AI föreslå åtgärder, sedan utföra reversibla handlingar och först därefter hantera mer känsliga steg under uttryckligt godkännande. På så sätt kan nyttan växa utan att hela verksamheten blir ett experiment.
Om ett år är den sannolika förändringen alltså inte att all mänsklig expertis har blivit överflödig. Det är att fler människor kan beställa ett mindre digitalt projekt och få tillbaka ett kontrollerbart resultat, snarare än en instruktion om hur de själva ska göra.
Tillbaka till företagaren på måndagsmorgonen: den avgörande frågan är inte om AI:n uttrycker sig elegant om leverantörens prislista. Det är om rätt priser hamnar i rätt kalkyl, om osäkerheterna syns och om inget skickas utan lov.
Klarar systemen det oftare, billigare och med mindre övervakning har ett betydande skifte skett. Inte från människa till superintelligens över en natt – utan från AI som man samtalar med till AI som man faktiskt kan anförtro en begränsad del av arbetet.
Källor
- METR, Measuring AI Ability to Complete Long Tasks (2025)
- Stanford Institute for Human-Centered Artificial Intelligence, The 2025 AI Index Report (2025)
- Carlos E. Jimenez med flera, SWE-bench: Can Language Models Resolve Real-World GitHub Issues? (2023)
- Tianbao Xie med flera, OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments (2024)
- Alex Tamkin med flera, Which Economic Tasks are Performed with AI? Evidence from Millions of Claude Conversations (2025)
- National Institute of Standards and Technology, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (2024)
Ställ frågor om "Om ett år kan AI göra jobbet – inte bara föreslå hur". Svaren bygger på tidningens egna artiklar.
