Vilken AI-modell till vilken uppgift?

Det viktigaste

Det är inte modellen som avgör, utan vilken egenskap uppgiften kräver: exakthet, aktualitet, längd, tempo eller kostnad.
Fem egenskaper täcker marknadsföringsvardagen – den som känner dem kan själv placera in varje ny modellgeneration.
För de flesta små företag räcker två modeller: en för långt, exakt arbete, en för snabba, billiga massuppgifter.
Bytet mellan modeller kostar tid – framför allt eftersom anvisningar och mallar måste ställas in på nytt varje gång.

Modeller föråldras snabbare än varje jämförelse. Det som inte föråldras är frågan om vilken egenskap en uppgift kräver – och den tilldelningen överlever varje generation.

De fem egenskaperna

1. Exakthet vid långa anvisningar

Hur tillförlitligt följs tio numrerade regler – även de som står i mitten? Avgörande vid granskningsuppgifter och överallt där en stilram ska hållas.

2. Åtkomst till det aktuella

Kan modellen söka, och hur bra väljer den källor? Avgörande vid efterforskning, konkurrentbevakning och allt som har hänt efter träningsläget.

3. Bearbetbar längd

Hur mycket text kan beaktas i ett svep – och hur väl beaktas början fortfarande när det står mycket längre bak? Avgörande vid granskning av hela dokument.

4. Tempo och kostnad

Vid massuppgifter – hundra produkttexter, femtio översättningar – avgör tempo och pris om en uppgift över huvud taget är vettig.

5. Verktygsanvändning

Hur tillförlitligt används inkopplade verktyg faktiskt, i stället för att svaret gissas? Avgörande så snart kopplingar till egna system är med i spelet.

Tilldelning efter arbetssteg

Arbetssteg	Viktigaste egenskapen	Vad som går fel när den saknas
Efterforskning om aktuella frågor	aktualitet	Föråldrade uppgifter, övertygande formulerade
Råversion av ett fackinlägg	exakthet vid anvisningar	Stilramen ignoreras, regler faller bort
Granskning av ett långt dokument	längd	Första halvan granskas ytligt
Översättning till många språk	tempo och kostnad	Uppgiften blir olönsam
Arbete med inkopplade system	verktygsanvändning	Svar gissas i stället för att hämtas
Korta och omformulera	ingen särskild	–
Samla idéer och varianter	ingen särskild	–

De två sista raderna är viktigare än de ser ut: för en betydande del av de dagliga uppgifterna är modellvalet helt enkelt likgiltigt. Den som lägger tid på urvalet där optimerar fel ställe.

Visste du att…?

Det vanligaste skälet till ett dåligt resultat är inte modellen, utan en anvisning som har för mycket viktigt i mitten. Uppgifter i början och i slutet av en prompt beaktas mer tillförlitligt än sådana däremellan – hos alla gängse modeller.

Den som alltså har intrycket att en modell «inte håller sig till anvisningarna» bör först flytta den centrala regeln till slutet. Det verkar i praktiken oftare än ett byte till en större modell – och kostar ingenting.

Varför två modeller oftast räcker

För små företag är den praktiska uppdelningen överblickbar:

En kraftfull modell för det arbete som det kommer an på. Råversioner, granskningar, allt med långa anvisningar och långa texter. Här lönar sig det högre priset, eftersom alternativet är efterarbete.
En snabb, billig modell för massa. Översättningar, sammanfattningar, omformuleringar, klassificeringar. Här räknas genomströmningen.

En tredje modell lönar sig först när en uppgift kräver en egenskap som de två första inte har – till exempel en särskilt stor bearbetbar längd.

Från praktiken

Bytet mellan leverantörer kostar mer än jämförelsen låter ana. Inte handhavandet – det liknar varandra. Utan de inställda ramarna: stildokument, sparade anvisningar, mallar, kopplingar, invanda formuleringar.

I praktiken tar det två till tre veckor innan en ny miljö levererar samma kvalitet som den inarbetade. En modell måste vara tydligt bättre, inte lite grann, för att bytet ska löna sig – och «tydligt bättre» går bara att fastställa på den egna uppgiften, inte på en rangordning.

Hur man prövar det på den egna uppgiften

Rangordningar mäter standardiserade uppgifter. Er uppgift är ingen av dem. En användbar egen jämförelse behöver fyra saker:

Tre verkliga uppgifter ur vardagen, inga testfrågor. Helst sådana där ni redan känner till det goda resultatet.
Samma prompt, ordagrant. Annars jämför ni formuleringar i stället för modeller.
En fast bedömning. Bestäm i förväg vad ni känner igen «bättre» på – till exempel: reglerna följda, inga påhittade uppgifter, längden träffad.
Två omgångar per modell. Spridningen mellan två svar från samma modell är ofta större än skillnaden mellan två modeller.

Prompt

Hjälp mig bestämma det passande modellvalet för våra arbetssteg.
Rekommendera inga leverantörer – ordna efter egenskaper.

Våra uppgifter:
[Lista över återkommande uppgifter, en per rad, med
ungefärlig frekvens per månad]

Våra ramvillkor:
- Budget för AI-verktyg per månad: [Belopp]
- Är personuppgifter med i spelet? [ja / nej / delvis]
- Har vi kopplingar till egna system? [ja / nej]
- Arbetar vi flerspråkigt? [Språk]

Uppgifter:
1. Tilldela var och en av våra uppgifter exakt en huvudegenskap:
   exakthet vid långa anvisningar / aktualitet / bearbetbar
   längd / tempo och kostnad / verktygsanvändning / ingen särskild.
2. Nämn de uppgifter där modellvalet är likgiltigt –
   det är de där vi inte bör investera någon tid.
3. Säg mig om två modeller räcker för oss, och till vad var och en.
4. Skissa en egen jämförelse: tre verkliga uppgifter ur min
   lista, en fast bedömning, hur många omgångar.

Nämn inga modellnamn och inga rangordningar.

Slutsats

Den nyttiga frågan lyder inte «vilken modell är bäst», utan «vilken egenskap kräver den här uppgiften». Fem egenskaper täcker marknadsföringsvardagen, och för en god del av uppgifterna är svaret: ingen särskild.

Två modeller – en för det krävande arbetet, en för massa – räcker för de flesta små företag. Och innan man byter lönar sig det billigare försöket: sätt den centrala regeln sist i prompten.

Vanliga frågor

Vilken AI-modell lämpar sig för vilken uppgift?

Det beror på vilken egenskap som krävs: efterforskning om aktuella frågor behöver åtkomst till webbsökning, råversioner och granskningar behöver exakthet vid långa anvisningar, granskning av hela dokument behöver stor bearbetbar längd, översättningar till många språk behöver tempo och låg kostnad, och arbete med inkopplade system behöver tillförlitlig verktygsanvändning.

Hur många olika modeller behöver ett litet företag?

Två räcker oftast: en kraftfull för råversioner, granskningar och långa anvisningar, och en snabb, billig för massa – översättningar, sammanfattningar, klassificeringar. En tredje lönar sig först när en uppgift kräver en egenskap som ingen av de två täcker.

Varför håller sig modellen inte till mina anvisningar?

Ofta beror det inte på modellen, utan på anvisningens placering. Uppgifter i början och i slutet av en prompt beaktas mer tillförlitligt än sådana i mitten. Att flytta den centrala regeln till slutet verkar i praktiken oftare än ett byte till en större modell.

Lönar sig bytet till en ny modell?

Bara om den är tydligt bättre, inte lite grann. Bytet kostar två till tre veckor innan stildokument, sparade anvisningar, mallar och kopplingar är inarbetade igen. Om «tydligt bättre» stämmer visar bara en jämförelse på de egna uppgifterna – inte en allmän rangordning.

Hur jämför man modeller på den egna uppgiften?

Med tre verkliga uppgifter ur vardagen i stället för testfrågor, ordagrant samma prompt, en i förväg fastställd bedömning – till exempel: reglerna följda, inga påhittade uppgifter, längden träffad – och två omgångar per modell. Den andra omgången är viktig: spridningen inom en modell är ofta större än skillnaden mellan två.