Läget: AI i september 2026
En lägesbild för svenska verksamheter, uppdaterad 8 september 2026. Vad som ändrats, vad som är svårt, och vad du bör göra.
Kort version
Modellerna är inte längre flaskhalsen. De skriver, resonerar, kodar och läser bilder på en nivå där skillnaden mellan de största leverantörernas toppmodeller sällan avgör om ett projekt lyckas. Det som avgör är allt runt omkring: vad agenten får se, vad den får göra, hur den kontrolleras och om organisationen vet vad den vill.
Det här dokumentet uppdateras när något väsentligt ändras. Det är skrivet för den som ska fatta beslut, inte för den som följer varje lansering.
Vad som är annorlunda mot 2024
Agenter arbetar självständigt i timmar. Kodagenter som Claude Code, Codex och Cursor tar en uppgift, läser kodbasen, skriver kod, kör tester, rättar sig själva och lämnar en pull request. De körs i terminalen, i molnet och som schemalagda rutiner. Samma mönster har spridit sig till annat arbete: agenter som triagerar inkorgar, bevakar konkurrenter, bygger rapporter från flera system. Det som var en demo 2024 är rutin på många arbetsplatser 2026.
Modellerna har händer. De kör kod i sandlådor, styr webbläsare, läser och skriver filer, anropar system via MCP. Claude finns i Chrome, i Slack, i Excel. ChatGPT har motsvarande. Det gör att frågan "vad kan modellen" nästan alltid är fel fråga. Rätt fråga är "vad har vi kopplat in, och med vilka rättigheter".
Sättet att styra dem har standardiserats. Instruktionsfiler som CLAUDE.md och AGENTS.md. Skills i SKILL.md-format, en öppen standard som Claude, Codex, Cursor och andra följer. MCP för verktyg och data, förvaltat av en stiftelse under Linux Foundation med Anthropic, OpenAI, Google och Microsoft bakom. Det du skriver för ett verktyg fungerar i stort sett i nästa. Därför består det här biblioteket av filer, inte av promptar.
Promptknepen har spelat ut sin roll. "Tänk steg för steg", rollspel, hot och löften om dricks gjorde skillnad på modeller från 2023. På dagens modeller gör de ingen skillnad, eller negativ. Det som gör skillnad är tydlighet, exempel, tillgång till rätt information och ett sätt för agenten att kontrollera sitt eget resultat.
Svenska fungerar. De stora modellerna skriver och förstår svenska på en nivå där du inte längre behöver arbeta på engelska för att få bra resultat. Nyanser i myndighetssvenska, juridisk svenska och branschjargong hanteras väl om agenten får exempel. Det som fortfarande kräver uppmärksamhet är svenska sakförhållanden: lagar, myndigheter, avtal och priser, där modellen kan blanda ihop svenska och amerikanska förhållanden om den inte får källor.
Modellerna
De tre stora leverantörerna, Anthropic, OpenAI och Google, ligger nära varandra i toppen och släpper nya versioner i en takt som gör namnen ointressanta för beslut. Anthropics Claude 5-familj, OpenAI:s GPT-5-serie och Googles Gemini 3-generation är alla mer än tillräckliga för det mesta som svenska verksamheter gör. Öppna modeller från Meta, Mistral, Alibaba, DeepSeek och andra ligger ett steg efter i toppen men räcker långt, och går att köra på egen infrastruktur när data inte får lämna huset.
Praktiska skillnader som fortfarande spelar roll: hur väl modellen följer långa instruktioner över en lång session, hur säkert den använder verktyg, hur den hanterar obetrott innehåll, och vad leverantören lovar om datalagring, EU-region och träning på era data. Välj utifrån dem, inte utifrån rubriker.
Vad som är svårt fortfarande
Verifiering. En agent som säger att den testat något har inte alltid gjort det. Det enskilt viktigaste ni kan göra är att ge agenten ett sätt att kontrollera sig själv, tester, en webbläsare, en typkontroll, och kräva att den redovisar vad den inte kunnat verifiera.
Säkerhet. Promptinjektion, att innehåll agenten läser lyckas styra vad den gör, är ett olöst problem. Skyddet är arkitektur: minsta möjliga rättigheter, bekräftelse före oåterkalleliga åtgärder, separation mellan agenter som läser obetrott innehåll och agenter som kan agera.
Organisationen. De flesta misslyckanden vi ser handlar inte om teknik. Ingen äger agenten. Ingen har skrivit ner vad "bra" betyder. Instruktionsfilen ljuger om hur projektet fungerar. Facket fick veta i efterhand. Det är tråkigare problem än modellval, och viktigare.
Kostnad och uppmärksamhet. Agenter som kör i timmar kostar pengar och producerar mängder av arbete som någon måste läsa. Team som lyckas har lärt sig att avgränsa uppgifter, låta agenter granska varandra och behålla människor där omdöme behövs.
Regelverket
AI-förordningen tillämpas stegvis. Förbuden och kravet på AI-kunnighet har gällt sedan februari 2025, reglerna för generella modeller sedan augusti 2025, och huvuddelen av kraven från augusti 2026, med diskussioner om tidplanen för högrisksystem. GDPR gällde hela tiden och är oftast den regel som faktiskt blir aktuell. Integritetsskyddsmyndigheten samordnar tillsynen i Sverige. Läs guiden om [agenter och lagen](/guider/agenter-och-lagen) för vad det betyder i praktiken, och kontrollera aktuell status innan beslut.
Vad det betyder för dig
Om du leder en verksamhet: bestäm vilka uppgifter agenter får göra, vem som äger varje agent i drift, och vad som kräver en människa. Skriv ner det. Se till att de som använder verktygen förstår dem. Prata med facket innan, inte efter.
Om du utvecklar: lägg tid på instruktionsfilen, testerna och verktygsåtkomsten. Det ger mer än att byta modell. Låt en separat agent granska. Läs allt som mergas.
Om du skriver, analyserar eller säljer: paketera hur ni gör saker som skills. Ge agenten era dokument, er ordlista, era exempel. Behandla resultatet som ett utkast från en duktig ny kollega: läs, rätta, skicka.
Om du precis börjat: installera ett verktyg, lägg in en instruktionsfil och en skill från det här biblioteket, och ge agenten en riktig uppgift ni ändå skulle göra. Det lär dig mer på en eftermiddag än en kurs.