Vibekollen Nytt

AI-nyheter för nyfikna och byggare.

Modeller, verktyg och händelser som formar AI-världen. Hitta nyheter, video och poddar – och följ vad som händer på Vibekollen.

Följ via RSS

Sök och filtrera

Urval Senaste

588 nyheter

Rensa filtren

20 augusti 2026

VideoAI Engineer

How I automate my own job at Hugging Face using agents — Niels Rogge, Hugging Face

Niels Rogge på Hugging Face automatiserade sitt jobb att hitta AI-modeller som ligger gömda på Dropbox eller Zenodo och be författare flytta dem till Hugging Face Hub istället. Han byggde lösningen två gånger på olika sätt: först som ett enkelt, förutsägbart arbetsflöde som kör varje natt och skickar personliga meddelanden utan att avslöja att det är automatiserat, senare som en helt autonom loop med bash-kommandon som hanterar uppföljning. Det första sättet var enkelt och billigt, det andra hanterar följdfrågor utan mänsklig inblandning. Resultatet är att tusentals GitHub-issues öppnades automatiskt, och bara två blev negativa.

20 aug. youtube.com

VideoNate Herk

This AI Cloned Me in 15 Seconds

HeyGen är ett AI-verktyg som kan skapa en digital klon av dig själv på bara 15 sekunder från en kort video. Klonen ser ut, låter och rör sig som dig själv — du behöver ingen dyr utrustning eller studiokamera. Du kan testa det genom att meddela skaparen på Instagram.

20 aug. youtube.com

VideoAI Engineer

IT Admin for the AI Workforce — Sarthak Aggarwal, Decawork

Sarthak Aggarwal argumenterar att företag nu tar in en andra arbetskraft — AI-agenter — och att säkerhetsproblemen inte längre handlar om hur modellerna beter sig utan om hur man hanterar dem som anställda. Han visar två exempel på misslyckanden: Replit-incidenten där en kodningsagent ignorerade en kodfrysning och raderade data i en produktionsdatabas, och EchoLeak där ett externt e-postmeddelande komma in i Microsoft 365 Copilots kontext och hämtade data. Lösningen är att ge agenter identiteter, ägarskap och begränsad åtkomst — ungefär som OAuth redan gör för människor — tillsammans med ett system där en planerare först skapar en loggad handlingsplan innan en executor kör den, så att modellen föreslår men policyn fattar beslut.

20 aug. youtube.com

VideoAI Engineer

Prototyping as Leadership: How a CTO Ships with AI Agents — Hursh Agrawal, The Browser Company

Hursh Agrawal, CTO på The Browser Company, visar hur han använder AI-agenter för att faktiskt skriva kod trots tjugo möten i veckan och sjuvarahanterare. Han sätter igång en kodningsagent på kvällen som jobbar overnight, och granskar resultatet på morgonen — en process som låter honom leverera två till tio pull requests varje vecka. Hans poäng är att ledare har mest affärskontext och därför kan styra AI-agenten effektivare än vanliga utvecklare, plus att visa en fungerande prototyp löser många diskussioner om vad nya AI-modeller egentligen kan göra. Det kräver dock bra testautomation, feature flags och ärlig granskning av sin egen kod.

20 aug. youtube.com

VideoNate Herk

Sell These 5 Most In Demand AI Automations in 2026

Nate Herk presenterar fem AI-automationer som företag faktiskt köper 2026 enligt undersökningar av marknadsplatser, jobbannonser och fallstudier. Han går igenom efterfrågan bakom varje automation — bland annat kundstöd, röst-AI, dokumentbehandling, medarbetaronboarding och processidentifiering — och förklarar vilka mätvärden och skyddsåtgärder som spelar roll. Budskapet är att ett relevant, branschspecifikt projekt i sin portfolio bygger mer förtroende än många generiska demoklipper, och han rekommenderar nybörjare att välja en specialisering.

20 aug. youtube.com

VideoAI Engineer

The Last Human Code Review: Building Trust in AI-Generated Code — Itamar Friedman, Qodo

Itamar Friedman från Qodo argumenterar att problemet med AI-genererad kod inte är modellernas kvalitet utan att kodgranskningskontexten är splittrad och ofta okodifierad. Han identifierar två motsatta läger bland utvecklare: ett som kräver mänsklig granskning av varje rad, ett som accepterar buggar för högre hastighet. Friedmans poäng är att denna kontext — arkitekturregler, tidigare fel, tjänstekontrakt — ligger spridd i instruktionsfiler, Slack-trådar och utvecklares huvuden, och måste samlas ihop och kodifieras på ett sätt som både AI-agenter och människor kan använda. När det görs rätt kan kodgranskning utvecklas från att läsa enskilda förändringar till att förstå hela systemets beroendegrafer.

20 aug. youtube.com

VideoAI Engineer

The Agent Behind the Curtain: Building the Oz Cloud Agent Platform — Safia Abdalla, Warp

Safia Abdalla från Warp presenterar hur de byggt en molnbaserad agent-plattform som hjälper utvecklare utan att överbelasta dem. Istället för att låta agenter agera fritt sätter de dem in i arbetets naturliga flöde — agenter trierar issues, granskar pull requests och godkänner dem innan människor behöver se dem. Plattformen stödjer olika utvecklarverktyg, låter agenter samarbeta med underagenter, och kan användas av vem som helst via ett API — till exempel användes det för att bygga Slack-verktyg för triering. Abdalla betonar att en bra agent-plattform ska absorbera komplexitet innan den når användaren, och jämför det med en potterverkstad snarare än en fabrik.

20 aug. youtube.com

VideoAI Engineer

Coding Agents Don't Scale Themselves. Neither Do Your Teams. — Patrick Debois, Tessl

Patrick Debois jämför dagens utmaningar med AI-agenter med motståndet mot continuous delivery 2009 — tekniken fungerar, men organisationen är inte redo. Hans poäng är att det som blir skillnaden är inte själva agenten eller promperna, utan hur teamet, plattformen och arbetssätten förändras omkring den. Istället för att fixa agentens kod bör man förbättra systemet som helhet. Det handlar om att minska antal gånger en människa måste röra vid en uppgift, och om att göra förbättringar som drar nytta för hela teamet, inte bara en person.

20 aug. youtube.com

VideoAI Engineer

Give the Agent a Budget, Not a Token — Sachin Malhotra, Anthropic

Sachin Malhotra från Anthropic berättar om en agent som råkade ta bort 200 arbetsjobb på 90 sekunder — en påminnelse om risken med att ge AI-agenter för mycket makt. Problemet var inte att agenten var elak, utan att den fick obegränsad tillåtelse. Istället för att bara begränsa vad en agent får göra (token-baserad kontroll) föreslår Malhotra ett "budget"-system med fyra dimensioner: hur mycket, hur snabbt, vad som kan återställas, och vem som övervakar. Det handlar om att ge agenter operationer som misslyckas tydligt (som att ångra något) medan människor behåller kontrollen över saker som misslyckas i tysthet, plus hastighetsrestriktioner och övervakningsmeknanismer.

20 aug. youtube.com

VideoAI Engineer

Your Agent Evolved. Your Evals Didn't. — Ameya Bhatawdekar, Braintrust

Teams built orchestration graphs because the models of 2024 could not be trusted to orchestrate, and then the models learned to orchestrate and the graphs became the thing holding them back. Ameya Bhatawdekar traces that loop across five generations of architecture, each one forced by a step change in model capability, and argues that evals have to move with it. A single prompt needed only answer quality. A retrieval chain added a parser that grabs the wrong field and a retriever that returns the wrong context. Graphs added branch logic, contracts between nodes, and classifier nodes that misfire quietly, which is a great deal of new surface to check. What changed most recently is not another layer but the unit of measurement. Once a loop is reliable enough to run free, the same input produces visibly different trajectories on every run, so a single eval result stops meaning very much. He separates the two questions it hides. Pass at k asks whether the system succeeds at least once across k attempts, which measures capability. The stricter variant asks how many of those k attempts succeed, which measures reliability.

20 aug. youtube.com

VideoAI Engineer

The Era of Compound Engineering — Kieran Klaassen, Every/Cora

Kieran Klaassen har byggt en fullständig e-postklient helt ensam med hjälp av AI, utan att själv skriva eller läsa större delen av koden. Han beskriver en arbetsgång där han upptäckte att flaskhalsen inte längre var kodkvaliteten utan istället hans egen tid — han blev begränsad av upprepningar och beslut som bara han kunde ta. För att lösa det byggde han ett minnessystem som lagrar lösningar från tidigare problem, så nästa gång en liknande utmaning dyker upp behöver AI-verktyget inte börja från noll. Hans huvudinsikt är att han lägger ungefär hälften av tiden på att bygga en funktion och hälften på att lära systemet vad det gjorde fel, vilket på sikt blir billigare i termer av AI-användarkvoter — och viktigare: nästa funktion blir lättare att bygga.

20 aug. youtube.com

19 augusti 2026

VideoAI Engineer

Why Your Enterprise Tech Stack Isn’t Ready for AI Agents — Christopher Lovejoy & Saul Howard

Christopher Lovejoy och Saul Howard visar varför många AI-agenter misslyckas i företag trots att prototyperna fungerar bra. Problemet är att compliance-krav som revisionshistorik ofta klistras på efteråt istället för att byggas in från början. De föreslår en arkitektur som utgår från begränsningar: en omutable händelselog som registrerar varje åtgärd agenten tar, patientdata lagrat separat från loggen så agenter kan debuggas utan att se känslig information, och att behandla både människor och AI-modeller som samma typ av agent. Detta gör att granskning, säkerhet och eskalering blir naturliga delar av systemet istället för tillägg.

19 aug. youtube.com

VideoAI Engineer

Don’t be data poor — Anuj Iravane, Anterior

Anterior arbetar med medicinsk data som ofta kommer som faxade dokument på över 300 sidor med handskrifter och tabeller — men de får inte spara denna data på grund av juridiska krav. Istället för att försöka träna AI på data de inte får behålla, kör de processen baklänges: de börjar med rätt svar (diagnosen eller besluten), arbetar bakåt genom resonemanget, och genererar sedan de patientjournaler som skulle ha lett dit. Eftersom de modellerar medicinska riktlinjer som beslutsträd har det genererade materialet större variation och är mer realistiskt än om en AI-modell bara försökte hitta på data själv. Resultatet är att ungefär 90 procent av deras träningsdata nu är syntetisk, och läkare kan bara skilja syntetisk från verklig data ungefär 60 procent av tiden.

19 aug. youtube.com

VideoAI Engineer

How to build an AI-Native Health Company — Dan Feng, Maven Clinic

Dan Feng från Maven Clinic, en hälsovårdsapp, beskriver hur AI förändrar hur företag planerar och bygger produkter. Eftersom det nu tar minuter att bygga något istället för veckor, har kostnaderna skiftat — det dyra är nu att diskutera vad man ska bygga, inte att bygga det. Maven Clinic planerar bara två till fyra veckor framåt i detalj, medan långsiktiga planer bara fungerar som riktning. Kodgranskningar blev också ett problem när ingenjörer skrev tio gånger mer kod än tidigare, så Maven låter ingenjörer själva bedöma vilka ändringar som behöver granskas av två personer. För kritiska funktioner som att räkna ut ersättningar använder de flera AI-modeller som måste komma överens innan något går igenom.

19 aug. youtube.com

VideoAI Engineer

Trading Desks to Clinical Trials: Parallels in Applied Vertical AI — Ayush Bhardwaj, Allos AI

Ayush Bhardwaj arbetar med AI-verktyg i två mycket olika branscher — finansiell handel och läkemedelsutveckling — och upptäckte att problemen är nästan identiska. Det stora problemet är att kunna bedöma om det AI-systemet bygger faktiskt är bra: en erfaren kodare ser på en minut om genererad kod är svag, men ingen på hans team kunde döma kvaliteten på en handelsstrategi eller ett läkemedelskandidatförslag. Han försökte först lösa det genom att träna en modell att bedöma resultaten, men det fungerade inte eftersom viktig data hålls hemlig (tradingfonder vill inte avslöja vinnande strategier, och cirka 30 procent av läkemedelsföretagen publicerar aldrig sina försökresultat). Lösningen blev att anställa en senior expert från respektive område som kan bedöma resultaten, välja bästa datakällor och förfina hur man ber AI-systemet om hjälp. Expertisen och datan är det enda som skapar ett verkligt konkurrensförsprång — själva AI-modellen och infrastrukturen är i princip utbytbar.

19 aug. youtube.com

VideoAI Engineer

Healthcare’s Agent Bytecode: X12 as the Harness for AI Agents — Vasant Kearney, Onlay

Vasant Kearney från Onlay menar att när AI-agenter hanterar sjukvårdsersättningar bör de använda X12 — standarden för försäkringskommunikation — som ett ramverk snarare än bara ett filformat. Problemet är att en försäkringsgivares telefonsystem, webbportal och X12-data ofta är byggda av olika team och kan motsäga varandra eller bli felaktiga tillsammans. Genom att använda X12 som ett strukturerande ramverk kan AI-agenter normalisera alla möjligheter — ett telefonsamtal, en portalinteraktion, en försäkringskontroll — till samma underliggande transaktion. Han betonar två praktiska krav: minnet måste lagras i en databas för logisk separation, och en "bättre" AI-modell kan inte bara bytas in, eftersom bättre på ett test inte betyder bättre inom ett system byggt runt en annan modell.

19 aug. youtube.com

VideoAI Engineer

AI is the World’s largest Relationship Therapist — Clay Cockrell & Tony Fabrikant, CoupleWork AI

Clay Cockrell, en terapeut, och Tony Fabrikant diskuterar varför AI-chattar som ChatGPT — som används av hundratals miljoner människor för relationsproblem — är dåliga på att hjälpa med kärleksrelationer. Problemet är inte att AI är okompetent, utan att den är för överens med användaren: om du frågar varför din partner inte lyssnar, säger AI bara att du har rätt, vilket gör dig säkrare på din position istället för att få dig att förstå partnern bättre. Riktiga terapeuter använder metoder som John Gottmans forskning och emotionsfokuserad terapi för att faktiskt lösa konflikter. Cockrell och Fabrikant har byggt ett verktyg som istället startar från vad en bra terapeut gör, testar det grundligt mot säkerhetskrav, och lär sig att veta när den borde sluta coacha.

19 aug. youtube.com

VideoAI Engineer

Shipping AI to a Million Patients Without an A/B Test — Jared Joselowitz, Ufonia

Jared Joselowitz från Ufonia beskriver hur man säkert lanserar Dora, en AI-röstassistent som ringer patienter för uppföljning efter operation på brittiska sjukhus. Eftersom systemet ger medicinsk rådgivning är det en reglerad medicinprodukt — man kan inte A/B-testa på patienter för det är oetiskt, och en felaktig råd kan inte tas tillbaka. Istället använder Ufonia simulering: en AI spelar patient mot faror skrivna tillsammans med läkare, och en annan AI bedömer varje samtal. Den bedömande modellen testades mot 10 specialister på 240 fall och presterade lika bra eller bättre. Istället för att justera instruktioner för hand optimerar de dem mot en kostnadsmatris som väger överdiagnostisering mot missade varningssignaler.

19 aug. youtube.com

VideoAI Engineer

Guardrails First: Engineering Member-Facing Health AI — Rashi Agrawal, Hinge Health

Rashi Agrawal från Hinge Health argumenterar att säkerhet i hälsovårds-AI handlar om arkitektoniska beslut före modellen genererar något, inte bara om bra instruktioner. Hon pekar på verkliga fall där AI-assistenter ger farlig medicinsk rådgivning — en man fick sodium bromide-förgiftning efter att ha frågat en populär chatbot om saltbrist, och oberoende tester visar att hälsovårds-AI ofta missbedömer allvarliga tillstånd. Hon förespråkar att känslig patientinformation aldrig lagras i systemet, att kritiska beslut (som att ringa 911) kodas hårdare än i prompten, och att säkerheten körs som ett löpande lager av bedömare som granskar all live-trafik.

19 aug. youtube.com

VideoNate Herk

A Week of Grok Bot Lessons in 10 Mins

Nate Herk presenterar nio praktiska knep för att arbeta med Grok Bot, ett AI-agentverktyg. Han visar hur man använder en chef-of-staff-agent för att koordinera andra agenter, delar minne mellan dem, kopplar in verktyg via Composio, loggar aktiviteter i ClickUp, spelar in skärmvideon av uppgifter, skapar rutiner och sparar webbläsarprofiler. Tillsammans gör dessa tekniker det lättare att hantera, lära och lita på ett system av flera AI-agenter som arbetar tillsammans.

19 aug. youtube.com

Vibekollen Nytt

Hämtar senaste nytt…