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.
Jeg vil bruge ét konkret eksempel til at illustrere hvad der er muligt nu. Det hedder comma og er en redaktionel pipeline i terminalen — research, skrivning, analyse, korrektur, oversættelse, konvertering — alt sammen som små kommandoer der kan kombineres i en pipe.
Pointen er ikke comma. Pointen er hvad eksemplet siger om hvor høj loftet er blevet for hvad én person kan bygge når AI, et velvalgt shell og en god videnstruktur spiller sammen.
Hvad comma er — kort
Comma er en samling kommandoer du loader ind i Nushell. Du piper tekst ind, du får tekst ud. Ingen samtaler, ingen markdown-dekoration, ingen LLM-stillads at administrere.
"Jeg har set tre hunde igår" | proof
open --raw artikel.md | sum --bullets --max 5
fetch "https://example.com/article" | distill
"LinkedIn-opslag om automatisering" | draft --notes automation-essentials
open --raw draft.md | polish --level editorial --brief "blogindlæg om espresso"
Hver kommando er én ting. proof retter sprog. sum summerer. fetch henter en webartikel som rent indhold. distill koger den ned til en struktureret note. draft skriver et udkast med dine egne noter som faktuelt grundlag. polish finjusterer en tekst gennem en kontrolleret loop.
Pipelinen følger en venstre-til-højre logik: research → generate → analyze → validate → transform → convert → publish. Du bruger sjældent alle led, men flowet er den mentale model.
Hvad gør det interessant — tre designvalg
Comma er ikke spændende fordi det bruger AI. Det er spændende fordi det bruger AI forsigtigt. Tre designvalg er værd at trække frem.
1. Determinisme før LLM. Word counts, sætningsanalyse, læsbarhedsscore, regex, statistik — alt sammen ren Nushell. Det kører offline, på millisekunder, og giver samme svar hver gang. LLM'er bruges kun hvor de faktisk tilfører noget: oversættelse, klassifikation under tvetydighed, kreativ omformulering, faktatjek mod nettet. Reglen er eksplicit: kan noget gøres deterministisk, skal det gøres deterministisk.
2. Patch, ikke gendrejning. Når en tekst skal poleres, anvendes små målrettede fix per fund — ikke en omskrivning af hele dokumentet. En LLM, der får besked på at "gøre det bedre", skifter tone, sletter detaljer du holdt af, glatter formuleringer ud. Tre små patches der hver bevarer 99% af teksten er bedre end én omskrivning der bevarer 80%.
3. Anker mod drift. Den stille fejlmåde i AI-workflows: hvert skridt giver mening for sig, men summen har drevet bort fra det oprindelige formål. Comma forsvarer sig med tre ankre: en brief der propageres ned gennem alle led som påmindelse om hensigten, noter der fungerer som faktuelt grundlag modellen ikke må opfinde ud over, og deterministiske kriterier der giver loopet et fast mål. Drift er den fejl ingen opdager, fordi hvert skridt "gav mening i øjeblikket." Anker sikrer at vi altid ved hvad den oprindelige mening var.
Det egentlige eksempel — hvad sker der når en person bygger sit eget værktøj
Comma er ikke det centrale. Det centrale er, at det er bygget af én person, på en bærbar, oven på tre frit tilgængelige byggeklodser:
- Nushell, et moderne shell hvor data er strukturerede tabeller i stedet for tekststrenge.
- IWE, et videnssystem oven på almindelige markdown-filer med links, hierarki og hentning af kontekst.
- En LLM kaldet gennem et tyndt wrapper.
Det er det. Ingen platform, ingen abonnement, ingen leverandørbinding. Markdown-filerne ligger i en mappe versioneret med git. Kommandoerne er læselige. Hvis noget går galt, kan en udvikler åbne filen og rette det. Hvis comma forsvinder i morgen, ligger noterne stadig på disken.
Det er den slags værktøj en virksomhed indtil for nylig ville have betalt et bureau for at bygge — og resultatet ville have været en SaaS med en login-side, en abonnementsmodel, en pris og en livscyklus.
Hvad det betyder for en mindre virksomhed
Pointen er ikke at alle skal lære Nushell og bygge deres egen redaktionelle pipeline. Pointen er at vide, at niveauet for hvad én ansat kan bygge på en uge, er rykket markant.
Det rykker tre praktiske ting:
Internt værktøj bliver billigere end SaaS. Når en kompetent person kan bygge et målrettet værktøj på dage frem for måneder, ændres regnestykket. For mange små opgaver er det dyrere at integrere en SaaS end at bygge selv.
Tavs viden bliver eksplicit. Et system som comma virker bedst når der findes noter at trække på. Det presser organisationen til at skrive ned hvad den ved — ikke til AI'ens skyld, men til menneskenes, og AI'en bliver bare den der pludselig kan bruge det.
Stack-valg bliver et ledelsesspørgsmål. Når en udvikler kan bygge oven på frit tilgængelige byggeklodser med markdown som datalag, bliver "hvad er vores stack" en strategisk samtale ledelsen skal være med i. Det handler ikke om teknik. Det handler om hvem der ejer dataene, hvor de ligger, og om systemet kan overleve at leverandøren forsvinder.
Det handler ikke om at bygge sit eget — det handler om at vide hvad der er muligt
Den ledelse, der ikke selv bygger noget, har stadig brug for at vide hvad der kan bygges. Ellers bliver beslutninger om indkøb truffet uden referencepunkt. Et bureau der tilbyder en seks måneders implementering af "AI-redaktionel pipeline" er en anden størrelse, hvis man ved at en kompetent person kunne bygge en brugbar version på en uge med åbne værktøjer.
Eksemplet med comma er ikke en opskrift på hvad jeres virksomhed skal gøre. Det er en kalibrering af hvor høj loftet er. Brug det som målestok næste gang nogen sælger jer noget.
Comma er bygget af Lennart Kiil som et personligt eksperiment. Det er open source. Dokumentationen er udførlig og forklarer designvalgene snarere end blot at liste kommandoer — værd at læse for enhver der overvejer at bygge værktøj med LLM'er.