Prompter hjälper, system skalar

De flesta företag mötte AI genom en tom ruta och en blinkande markör. Det som kom ut berodde på vad som gick in, så människor lärde sig skriva prompter. Några blev mycket duktiga. Deras kollegor bad om de magiska orden, orden klistrades in i dokument och chattar, och en ny sorts folktro föddes.

Att formulera prompter spelar roll, och det är värt att göra bra. Men ett företag kan inte drivas på folktro. Här är vad som gör en prompt bra, vad labben själva rekommenderar och varför de företag som får ut mest av AI slutar förlita sig på smarta prompter.

En dålig prompt och en bra

Ta en förfrågan som varje marknadsteam gör. Den dåliga versionen lyder: skriv ett LinkedIn-inlägg om vår nya tjänst.

Modellen har inget att utgå från, så den skriver det genomsnittliga LinkedIn-inlägget om den genomsnittliga tjänsten, med en inledande fråga, en rad emojis och en uppmaning till handling. Det är inte fel. Det är ingens.

Den bra versionen säger vem som skriver och till vem, vad tjänsten är och vad den kostar, vad läsaren ska göra härnäst, hur långt inlägget får vara och vilka ord företaget aldrig använder. Den innehåller två tidigare inlägg som fungerade, markerade som exempel. Och den säger varför: inlägget går till finansansvariga som är skeptiska till AI, så det bör öppna med ett faktum, inte ett löfte.

Den andra prompten är mycket längre och mycket mer sannolik att ge ett utkast som någon kan använda. Skillnaden ligger inte i klurighet. Den ligger i sammanhang.

Vad labben rekommenderar

De officiella guiderna från de tre stora labben säger i stort sett samma sak.

Anthropics guide för Claude ber dig att ”tänka på Claude som en briljant men ny medarbetare som saknar sammanhang kring dina normer och arbetsflöden”. Dess gyllene regel: ”Visa din prompt för en kollega med minimal kunskap om uppgiften och be dem följa den. Skulle de bli förvirrade blir Claude det också.” Den visar också varför skäl slår order. I stället för att skriva ANVÄND ALDRIG ELLIPSER med versaler, förklara att svaret kommer att läsas upp av en text-till-tal-motor som inte kan uttala dem. Modellen generaliserar utifrån skälet.

OpenAI:s guide rekommenderar att man ger modellen det sammanhang den behöver och exempel på möjliga indata med önskade utdata, över ett varierat spektrum. Den kallar prompting ”en blandning av konst och vetenskap”.

Googles guide för Gemini rekommenderar att man alltid tar med några exempel och varnar för att prompter utan dem sannolikt blir mindre effektiva. För komplexa uppgifter föreslår den att varje steg görs till en egen prompt och att de kopplas ihop i en kedja. Och den är ärlig om processen: ”Prompt engineering är iterativt.”

Varför prompter inte skalar

Läs de guiderna igen och lägg märke till vad de förutsätter: någon som känner företagets normer, har rätt exempel till hands och har tid att iterera. I de flesta team beskriver det några få personer, en bra dag.

Alla andra kopierar en prompt från en chatt, byter ett ord och får ett annat resultat. Prompten som fungerade i våras beter sig annorlunda efter en modelluppdatering. Två team håller sig med två versioner, med regler som motsäger varandra. En av OpenAI:s egna promptguider varnar för att motsägelsefulla eller vaga instruktioner kan göra mer skada för en resonerande modell, eftersom den lägger kraft på att försöka förena dem. Exemplet är en vårdassistent som får veta både att aldrig boka en tid utan patientens dokumenterade samtycke och att boka den tidigaste lediga tiden utan att först kontakta patienten.

OpenAI behandlar prompter som mjukvara av just det skälet. Dess guide säger åt utvecklare att ha produktionsprompter i sin applikationskod, att låsa applikationer till specifika modellversioner och att bygga tester och utvärderingssviter som mäter hur prompter beter sig. Det är raka motsatsen till ett promptbibliotek i ett delat dokument.

Kostnaden syns i resultaten. MIT:s NANDA-initiativ rapporterade förra året att bara ungefär 5 procent av de AI-piloter det studerade uppnådde snabb acceleration av intäkterna. Fortune sammanfattade orsaken som ett inlärningsglapp: generiska verktyg kör fast inne i företagen eftersom de inte lär sig av, eller anpassar sig till, hur arbetet faktiskt görs.

Från prompter till system

Labben har själva dragit slutsatsen. Anthropic talar nu om kontextteknik (context engineering) snarare än promptteknik: att kurera allt modellen ser, inte bara instruktionen, och hitta den minsta möjliga uppsättning tokens med hög signal som gör rätt resultat sannolikt. Dess ingenjörer varnar för två misslyckanden: skör logik som hårdkodats in i prompter på ena sidan och vaga anvisningar som inte ger modellen något konkret på den andra.

Det praktiska svaret är färdigheter. Anthropic beskriver dem som ”organiserade mappar med instruktioner, skript och resurser” som en agent läser in när den behöver dem, och jämför att skriva en med att ”ta fram en introduktionsguide för en nyanställd”. I ett inlägg om design skrev samma företag att färdigheter gör effektiva prompter återanvändbara och kontextuella, så att ingen behöver upprepa samma vägledning i varje förfrågan. Sedan december 2025 är formatet en öppen standard.

En färdighet är en bra prompt som har skrivits en gång, försetts med skäl, exempel och kontroller, testats och placerats där varje assistent i företaget kan hitta den. Lägg till företagets kunskap, dess regler och dess kopplingar till verkliga system, så har du en företagshjärna. Då beror kvaliteten inte längre på vem som skrev.

Så hjälper vi till

Det är arbetet bakom Twin. Vi tar reda på hur ett företag faktiskt arbetar, förbättrar processen där den behöver det och bygger sedan dess hjärna: kunskap med källan på varje svar, färdigheter för varje roll skrivna enligt företagets konventioner, integrationer med dess system samt regler och behörigheter per roll. Den körs i den assistent teamet redan använder, Claude, ChatGPT eller Codex, och företaget får källkoden.

Utan Twin börjar varje prompt från noll och kvaliteten beror på vem som frågar. Med Twin börjar varje svar i företaget, med en och samma standard på varje skrivbord.

Vi kör crue på samma sätt: mer än 80 färdigheter och en hjärna för var och en av våra produkter, i Claude och ChatGPT och på vår egen hårdvara med vår egen modell. När datan är för känslig för att lämna huset finns Eigna, framtaget av vår partner Eigna Labs: en privat modell tränad på företagets egna filer, regler och språk, som körs i dess egna moln eller på dess egna servrar och som tränas om i steg som går live först när de testar bättre.

Vad ett företag kan göra

Fortsätt skriva prompter väl och lär dig grunderna ur guiderna ovan. Samla sedan de tio prompter som dina bästa medarbetare faktiskt använder och fråga vad var och en vet som modellen inte vet. Skriv ner det en gång: sammanhanget, skälen, exemplen, reglerna och kontrollen på slutet. Ge var och en en ägare och ett test, och placera den där varje assistent når den. Det är en färdighet.

Vi vill att maskinen tar rutinen, de första utkasten och uppslagen, och gör dem snabbare och jämnare än någon av oss. Omdömet, den personliga kontakten med kunder och ansvaret för det som skickas stannar hos människor, och ett bra system ger dem mer tid till just det.

En smart prompt gör en person snabbare. Ett system gör hela företaget bättre, och fortsätter fungera sedan den smarta personen gått hem.