I dag har jeg brugt formiddagen på at få nyhedspipelinen til folkets.dk til at køre helt automatisk. Den henter nyheder fra internationale nyhedsservices hvert tiende minut, lader en LLM omskrive dem til danske notitser, og udgiver dem på sitet via Drupals JSON:API.
Det interessante er ikke at det virker. Det interessante er hvad det ikke indeholder.
Jeg fik for nylig et lille bidrag ind i Nushell — open source-shellet jeg bruger til daglig. Det er en bitte forbedring i hvordan custom completers virker, men den løser en konkret friktion jeg løb ind i hver eneste gang jeg skulle bruge mit eget terminal-værktøj. Her er hvad det handler om.
Tidligere i dag skrev jeg om hvordan jeg hentede min egen LinkedIn-skyggeprofil ud via DMA-portability-API'et.
Hvor ubehageligt det er at se sig selv klassificeret af en algoritme. Hvad de ved om dig, du ikke ved selv.
Det er den ene halvdel af historien.
Jeg trak min egen LinkedIn-data ud i går.
Ikke det jeg selv har skrevet på din profil.
Det andet.
Det LinkedIn har gættet sig frem til om mig, baseret på alt det jeg foretager dig mig platformen.
Et af felterne så sådan her ud:
Active contributor on LinkedIn, such as in feed and in groups, who regularly influences public opinion and public policy. Based on factors such as your experience, industry, and activity in groups.
Type of inference: Active contributor who influences public opinion
Når folk taler om AI i virksomheder, taler de næsten altid om én model ad gangen. En chatbot. En kopilot. En assistent. Spørgsmål ind, svar ud.
Det er den mindst interessante måde at bruge AI på.
Der findes en kategori af AI-værktøjer som ingen taler om, fordi de ikke ligner produkter. De ligner ikke chatbots, har ikke en startside, og findes ikke på App Store. Det er små, præcise stykker software som en enkelt person bygger til sig selv — og som ender med at gøre mere reelt arbejde end mange virksomheders SaaS-licenser.
Når en virksomhed står med et AI-problem, er det sjældent ét problem. Det er en stak af problemer i forskellige størrelser, og de hører hjemme på forskellige niveauer. At blande niveauerne sammen er en af de dyreste fejl en mindre virksomhed kan lave — enten ved at hyre et konsulenthus til at bygge en chatbot der findes som standardprodukt, eller ved at forsøge at løse en kerneforretningsproces med en generisk SaaS der ikke kender huset.
Tre niveauer er nyttige at skelne mellem. Og så er der et fjerde, som ingen taler om.
For nylig havde jeg en mailudveksling med en kommunikationschef i et større dansk bureau. Han var interesseret i ekstern AI-rådgivning, men ville have mig til at gøre tilbuddet mere konkret. Hans formulering var noget i retning af: "Hvad er gaven? Hvor er værditilførslen? Giv nogle eksempler — GDPR i Copilot, token-optimering i ChatGPT, den slags."
Det er en helt rimelig indvending. Og samtidig en der røber den misforståelse jeg oftest møder.
I løbet af de sidste to uger har jeg udgivet to små Nushell-moduler til offentligheden. Det ene hedder yolay og lader en LLM bo som overlay i shellet. Det andet hedder macify og giver shellet adgang til alle de macOS-primitiver — notifikationer, dialoger, clipboard, browser, dark mode, lyd, strøm — som ellers kun lever inde i AppleScript-verdenen.
Hver for sig er de små. Sammen begynder de at se ud som noget andet: en automationsplatform der står på pipelines og koster nul i licens.
Den vigtigste arkitekturbeslutning når man indfører AI i en virksomhed er ikke hvilken model man vælger. Det er hvor i systemet modellen får lov at sidde.
Den default-tilgang som leverandører og pilotprojekter ofte falder ind i, er at lade sprogmodellen være selve systemet. Brugeren skriver ind i en chat, modellen svarer, og det svar bliver behandlet som outputtet. Det fungerer på en demo. Det fungerer ikke i produktion. Og det er en holdning man som leder skal kunne genkende og afvise.