AI-first är en konsensusmaskin. Här är vad vi gör istället.

Samstämmighetens arkitektur

Många digitala byråer letar nu efter hur de ska positionera sig med ljus och lykta. Vissa väljer att kalla sig AI-first, vissa använder AI mest för att bli mer effektiva och vissa tar avstånd helt. Vi har också försökt sätta ett namn på det - sedan i höstas när vi fick den första briefen från en kund som ville ha en ren AI-first-leverantör. Så jag förstår att andra också kämpar med frågan.

AI har fundamentalt förändrat hur snabbt många arbetsmoment kan röra sig. Vi använder det inom nästan alla våra kompetenser: strategi, design, innehåll, utveckling och analys. Skiftet i produktivitet och hur vi arbetar vänder inte. Men att gå all-in på AI-first som positionering riskerar att hamna fel om man inte faktiskt förstår vad AI producerar och var människan egentligen spelar en avgörande roll. Så ser jag det i alla fall.

Och det är inte bara en känsla. Forskningen börjar bekräfta det.

Forskare vid University of Washington gick igenom mer än 70 språkmodeller med 26 000 verkliga frågor. Vad de förväntade sig var bredd. Det de fick var något helt annat. Svaren kollapsade mot samma kluster, gång på gång. Be dem skriva en metafor om tid och du får antingen "tid är en flod" eller "tid är en vävare". Be dem skriva varumärkeskopia och de landar i samma konstruktioner, oavsett språk, marknad eller kategori.

Det är inte en slump. Det är arkitektur.

Det som är lite svårt att smälta är att det inte går att fixa med bättre promptar eller starkare varumärkesriktlinjer. En studie publicerad i PNAS Nexus i mars 2026 testade precis det, varje tänkbar intervention. Ingen av dem fungerade. Höjer du temperaturen i modellen får du nonsens istället för originalitet. Det finns inga enkla inställningar som pålitligt skapar originalitet.

Det beror på hur de är byggda. Språkmodeller är designade för att förutsäga det mest sannolika nästa ordet. Det gör dem till konsensusmaskiner, inte av misstag utan av konstruktion. Utan att en människa verkligen bestämmer vad som ska sägas, innan modellen börjar, riskerar du att producera innehåll som låter som alla andra som använder samma verktyg.

Och det är rätt många.

Vad vi gör istället

Vi bestämde oss för att inte kalla oss AI-first i strikt bemärkelse. Ett tag var vi inne på "Results first" för att kunna blanda in human first som begrepp också. Vi använder verkligen inte AI mindre än någon annan - jag vill hävda att vi ligger rätt långt fram - men efter en relativt lång period med intern analys och kartläggning, som visserligen fortfarande pågår, försöker vi driva det mer och mer mot värdeskapande aktiviteter. Sådant vi faktiskt kan räkna hem och som bidrar till ytterligare lönsamhet.

Bland annat körde vi djupintervjuer internt med alla roller, vi kategoriserade alla aktiviteter och har nu börjat implementera dem i prioritetsordning. En gap-analys helt enkelt. Det hela kom egentligen från att vi ställde tre frågor:

• Varför gör vi det här?
• Vad är det verkliga målet?
• Vad är det bästa sättet att göra det?

Ibland var svaret tydligt AI-first. Ibland AI-assisterat och ibland helt enkelt att AI inte kommer göra det bättre, utifrån kvalitet, pris eller bara känsla. Så frågorna styr valet och inte tvärtom.

Därför lutar vi mot AI-Enabled, Human-Led.

Vår AI-användning är inte kosmetisk. Den är central i hur vi arbetar. Vi använder det i allt vi gör. Det accelererar research, strukturerar tänkande, skapar utkast i skala och hittar mönster i data som skulle ta veckor att hitta manuellt. Hastighet och volym är AI:s starkaste förmågor och vi använder båda utan tvekan.

Den led-delen är där värdet egentligen finns.

Var AI tar slut

När Verizon publicerade sin kundupplevelserrapport för 2025 stack en siffra ut. Kundnöjdhet med AI-drivna interaktioner: 60 %. Med mänskligt ledda interaktioner: 88 %. Det är ingen liten skillnad. Det är avståndet mellan acceptabelt och förtroendefullt.

Det är en siffra vi känner igen. Vi har alltid sett vårt CS-team som en av verksamhetens viktigaste tillgångar. De är nerven mot våra kunder, och vi har inga planer på att byta ut den nerven mot ett chattflöde. Vi gör tvärtom. I augusti välkomnar vi en ny kollega till teamet.

När Ford stötte på kvalitetsproblem de inte kunde lösa anställde de om 350 erfarna ingenjörer. Inte för att AI misslyckades. Utan för att det omdöme de ingenjörerna bar, byggt från år av domänerfarenhet, inte gick att överföra till en modell.

När Klaviyo undersökte 8 000 konsumenter i åtta länder 2026 visade det sig att när människor identifierar AI-genererat varumärkesinnehåll är de fyra gånger mer benägna att lita på varumärket mindre. Och hälften kan nu identifiera det korrekt.

Det här är inte argument mot AI. Det är argument för att förstå var AI faktiskt tar slut.

Smak

Det finns ett koncept vi tänker mycket på hos ted&gustaf. Vi kallar det smak, något som inspirerats av Steven Bartlett som först började prata om det ett tag sedan.

Smak är inte estetik. Det är inte att ha en åsikt om typsnitt eller färgpaletter. Smak är det ackumulerade omdöme som kommer från år av att göra arbetet och förstå vad som gör något rätt, snarare än bara färdigt. Det är förmågan att titta på något och veta, utan att fullt ut kunna förklara varför, att det skulle kunna vara bättre.

AI kan producera färdigt. AI kan inte producera rätt.

Avståndet mellan de två är där konkurrensfördelar faktiskt skapas. Det är den sista sträckan från kompetent till exceptionellt. Den sträckan kräver en människa som har sett tillräckligt, tänkt tillräckligt och bryr sig tillräckligt för att känna skillnaden.

Artificial Hivemind-studien avslutades med en observation som stannade kvar hos mig. "Om du vill låta annorlunda," konstaterade forskarna, "kan du inte komma dit genom att använda AI annorlunda. Du måste ha något annorlunda att säga innan AI någonsin rör det."

Ståndpunkten måste finnas först.

Det är vad ted&gustaf har ägnat de senaste tiden åt att tänka på och bygga mot. Ett intelligenssystem som fångar hur vi ser på världen, vad vi tror på, hur vi fattar beslut. Inte för att AI ska ersätta det tänkandet. För att AI ska kunna arbeta utifrån det.

• Vi är AI-Enabled. Modellerna gör det arbete de är byggda för.
• Vi är Human-Led. Någon med smak och omdöme bestämmer vad arbetet faktiskt ska säga.
• Hastighet och volym är AI:s starka sida. Kvalitet, omdöme och att få rätt sak gjord kostar fortfarande vad det alltid har kostat.

Vi tycker det är värt att säga högt.

Håller du med eller har du en annan åsikt?

Referenser

1. Jiang et al., "The Artificial Hivemind" — Best Paper at NeurIPS 2025, University of Washington, Carnegie Mellon University, Allen Institute for AI. arxiv.org/abs/2510.22954
2. Wenger & Kenett, "Large language models are homogeneously creative" — PNAS Nexus, March 2026. academic.oup.com/pnasnexus
3. The State of Brand, "The great flattening, part 2: the data is worse than the anecdotes" — May 2026. thestateofbrand.com
4. Verizon, "2025 CX annual insights report" — Verizon Business, 2025.
5. Klaviyo, "2026 AI consumer trends report" — Klaviyo, 2026. klaviyo.com
6. The State of Brand, "Ford rehired 350 veteran engineers after AI couldn't fix its quality problems" — June 2026. thestateofbrand.com