Den vanliga uppmaningen att "fråga en LLM" har blivit ett alltmer förekommande svar på komplexa frågor, men en nyligen publicerad artikel hävdar att detta tillvägagångssätt kan vara missriktat. Författaren menar att man inte bör förlita sig enbart på stora språkmodeller (LLMs), eftersom detta kan förbise värdet av mänsklig erfarenhet och expertis. Medan LLMs kan ge svar på många frågor, saknar de ofta den nyans och djup som kommer från personlig erfarenhet och noggrann uppmärksamhet.
Detta är viktigt eftersom det belyser begränsningarna hos LLMs och vikten av mänsklig bedömning och kritiskt tänkande. Att enbart säga åt någon att "fråga en LLM" kan ses som en undanflykt, som undviker behovet av verkligt tanke och övervägande. Som en kommentator noterade, är detta ofta ett kommunikationsproblem, där den person som ber om hjälp redan har gjort sin research och söker mer än bara ett generiskt svar.
Medan diskussionen kring LLMs fortsätter att utvecklas, kommer det att vara intressant att se hur människor balanserar fördelarna med dessa modeller med behovet av mänsklig insikt och expertis. Kommer vi att se en förskjutning mot mer genomtänkta och övervägda interaktioner, eller kommer lättheten att förlita sig på LLMs att fortsätta dominera? När vi överväger rollen som LLMs spelar i våra liv, är det väsentligt att komma ihåg att det inte finns något substitut för mänsklig erfarenhet och kritiskt tänkande.
Mesh LLM är en decentraliserad plattform som möjliggör distribuerad AI-databehandling genom att samla lokala GPU-resurser från flera maskiner till en enda OpenAI-kompatibel API. Byggd på iroh-nätverksbiblioteket möjliggör denna teknik kostnadseffektiv, privat och högt skalbar AI-inferens utan att förlita sig på centrala molntjänstleverantörer.
Denna utveckling är viktig eftersom den erbjuder en flexibel och samarbetsinriktad approach för att köra stora språkmodeller, vilket gör AI mer tillgängligt och communitydrivet. Genom att dela compute-resurser privat eller offentligt kan användare driva sina agenter och chattapplikationer på ett decentraliserat sätt.
Allteftersom detta projekt fortsätter att utvecklas kommer det att vara viktigt att följa hur communityn svarar på och bidrar till Mesh LLM, särskilt genom GitHub-databasen där projektet delas. Med sin potential att demokratisera tillgången till AI-databehandling är Mesh LLM en anmärkningsvärd utveckling inom området distribuerad AI.
Claude Code, ett verktyg som används för AI-utveckling, har visat sig innehålla steganografiska märken i systemprompten. Detta innebär att verktyget infogar dolda märken i systemprompten baserat på API-basen URL och tidszon. Upptäckten gjordes av en utvecklare som granskade Claude Code-koden av skäl relaterade till integritet.
Denna upptäckt är viktig eftersom den väcker frågor om användarintegritet och säkerhet. De dolda märkena kan användas för att fingeravtrycka API-förfrågningar, vilket potentiellt tillåter Anthropic, företaget bakom Claude Code, att spåra användaraktivitet. Detta kan ha betydande konsekvenser för utvecklare som använder Claude Code, samt för den bredare AI-gemenskapen.
Medan nyheten fortsätter att utvecklas, kommer det att vara viktigt att se hur Anthropic svarar på dessa anklagelser och vilka steg företaget tar för att hantera frågor om användarintegritet. Dessutom kommer utvecklare som använder Claude Code att behöva överväga de potentiella konsekvenserna av dessa dolda märken på sina projekt och besluta om de ska fortsätta att använda verktyget. Denna utveckling är särskilt anmärkningsvärd mot bakgrund av de nyliga diskussionerna om kodunderhåll och AI-integritet, som vi tidigare har rapporterat om.
En användare har uttryckt besvikelse över de senaste modellerna av Claude, en artificiell intelligensassistent som tränats av Anthropic. Detta följer tidigare entusiasm för verktyget, som värdesattes för sin säkerhet, noggrannhet och säkerhet. Användaren, som använder Claude för kreativt skrivande och lärande om olika ämnen, känner att de nya modellerna försämrar deras upplevelse.
Denna utveckling är viktig eftersom den belyser utmaningarna med att kontinuerligt uppdatera och förfinade AI-modeller utan att äventyra deras prestanda eller användartillfredsställelse. När AI-assistenter blir alltmer integrerade i olika uppgifter och branscher är det avgörande att balansera innovation med användarnas behov och förväntningar.
Medan situationen utvecklas kommer det att vara viktigt att se hur Anthropic svarar på användarfeedback och om de kan åtgärda problemen som plågar de senaste Claude-modellerna. Detta kan innebära att revidera sin uppdateringsstrategi eller ge mer insyn i sin utvecklingsprocess för att återvinna användarnas förtroende och tillit till assistentens förmågor.
OpenAI har forkat Git-versionssystemet på GitHub, vilket gör att lagret är offentligt tillgängligt under dess officiella GitHub-profil. Detta steg upptäcktes först av utvecklarsamhället på Hacker News, även om detaljer om forkens specifika syfte fortfarande är knapphändiga.
Eftersom vi tidigare inte har rapporterat om denna specifika utveckling markerar detta ett nytt steg för OpenAI in i området versionssystem. Följderna av denna fork är betydande, eftersom den potentiellt kan introducera anpassade modifieringar för interna verktyg eller AI-relaterade applikationer.
Vad man ska se nästa är hur denna fork kommer att utvecklas och om den kommer att introducera betydande förändringar i hur utvecklare samarbetar och använder Git. Det faktum att OpenAI:s fork följer ett mönster som används av andra stora organisationer av regelefterlevnads- eller prestandaskäl tyder på att företaget kan vara på väg att anpassa Git till sina specifika behov, möjligen integrera det med sina AI-teknologier.
Apple har stämt OpenAI med anklagelser om stöld av affärshemligheter som rör före detta Apple-anställda och konfidentiell AI-teknologi. Denna stämningsansökan markerar en betydande eskalering i konkurrensen mellan de två AI-ledarna när de tävlar om att utveckla nästa generations AI. Stämningsansökan hävdar att OpenAI genomförde en strategi för att extrahera Apple's konfidentiella information, som påstås ha använts till fördel för OpenAI's satsning på konsumenthårdvara.
Denna utveckling är viktig eftersom den belyser den intensiva konkurrensen inom AI-sektorn, där företagen hänsynslöst skyddar sin immateriella egendom. Stämningsansökan understryker också vikten av affärshemligheter i utvecklingen av banbrytande teknologier. När AI-landskapet fortsätter att utvecklas kan sådana rättsliga strider bli vanligare.
När detta ärende utvecklas kommer det att vara viktigt att följa hur domstolen hanterar den komplexa frågan om obehörig användning av affärshemligheter i sammanhanget med AI-utveckling. Utgången av denna stämningsansökan kan ha betydande konsekvenser för AI-branschen, och potentiellt skapa ett prejudikat för hur företag skyddar sin immateriella egendom i ansiktet av aggressiv konkurrens.
En ny CPU-inferensserver, Reame, har introducerats, som skryter med förmågan att öka sin hastighet allt eftersom den körs. Denna utveckling är betydande eftersom den belyser framsteg i optimering av CPU-prestanda för AI-inferenstyper. Traditionellt har CPUs hamnat i skuggan av GPUs och specialiserade AI-acceleratorer när det gäller inferenshastighet, men nyliga ansträngningar, såsom de som gjorts av Intel och Hugging Face, har fokuserat på att förbättra CPU-förmågor genom optimeringar som kvantisering, beskärning och kunskapsdestillering.
Betydelsen av effektiv CPU-inferens ligger i dess potential att göra AI mer tillgänglig och kostnadseffektiv, särskilt för applikationer där höghastighetsinferens är avgörande men hårdvarubudgeten är begränsad. Som visas av Hugging Face's integration av BetterTransformer för snabbare CPU-inferens, finns ett växande intresse för att utnyttja CPUs för AI-uppgifter. Reames förmåga att bli snabbare över tid kan ytterligare förskjuta balansen mot CPU-baserade lösningar.
Medan fältet för AI-inferens fortsätter att utvecklas, kommer det att vara intressant att se hur Reame och liknande teknologier påverkar antagandet av CPU-baserade inferenstyper. Med pågående forskning och utveckling inom AI-hårdvara och programvaruoptimering, kan vi förvänta oss att se fler innovativa tillvägagångssätt för att förbättra inferenshastigheter på olika plattformar.
OpenAI senaste GitHub-gren har väckt intresse i tekniksamhället, där vissa drar paralleller till skapandet av Git, ett versionshanteringssystem som dess skapare, Linus Torvalds, kallat "informationsmanagern från helvetet". Som vi tidigare rapporterat har OpenAI skapat rubriker med sina AI-drivna kodverktyg, inklusive en gren på GitHub.
Git, skapat av Linus Torvalds 2005, var från början tänkt att hantera Linuxkärnans versionskontrollkaos. Dess framgång har gjort det till en hörnsten i moderna kodningspraktiker.
Vad som är viktigt här är den potentiella påverkan av OpenAI:s gren på kodarsamhället. Medan AI-drivna verktyg fortsätter att forma hur information hittas och hanteras, kommer utvecklare att följa utvecklingen nära för att se hur OpenAI:s GitHub-gren utvecklas och om den kan infria sitt löfte om "att skriva bättre kod". Med den ständigt föränderliga tekniklandskapet kommer det att vara intressant att se hur denna utveckling utvecklas och vad den betyder för kodningens framtid.
Meta har stoppat en ny Instagramfunktion som tillät användare att generera AI-skapade bilder baserade på offentliga inlägg, bara dagar efter lanseringen. Funktionen, som möjliggjorde för användare att skapa AI-genererade bilder genom att nämna ett offentligt konto, kritiserades för att inte ha inhämtat användarnas uttryckliga samtycke innan deras bilder användes. Detta beslut är betydelsefullt eftersom det belyser vikten av användarsamtycke och dataskydd vid utveckling och distribution av AI-drivna funktioner.
Det snabba tillbakadragandet av funktionens lansering är ett bevis på företagets respons på användarnas farhågor och kritik. När användningen av AI-genererat innehåll blir allt vanligare måste företag prioritera transparens och användarsamtycke för att undvika liknande reaktioner. Denna incident fungerar som en påminnelse om behovet av ansvarsfull AI-utveckling och distributionspraxis.
Vad man ska se nästa är hur Meta och andra företag kommer att balansera utvecklingen av AI-drivna funktioner med användarsamtycke och dataskydd. När AI-tekniken fortsätter att utvecklas är det avgörande för företag att prioritera användarförtroende och transparens för att säkerställa en lyckad integration av AI i sina plattformar.
Öppen källkod LLM Leaderboard 2026 har släppts, vilket erbjuder en omfattande jämförelse av öppen källkodsmodeller. Enligt ledartavlan uppnår MiMo-V2-Flash anmärkningsvärda poäng i olika benchmark-tester, inklusive GPQA, Humanity's Last Exam, Long Context Reasoning och SciCode. Modellen kan också skryta med imponerande 221,3 intelligenspoäng per dollar, vilket gör den till ett kostnadseffektivt alternativ.
Denna ledartavla är viktig eftersom den erbjuder en oberoende och transparent utvärdering av öppen källkods LLMs, vilket möjliggör för utvecklare och användare att fatta informerade beslut när de väljer en modell. Rankningarna baseras på oberoende utvärderingar, vilket säkerställer resultaternas noggrannhet och tillförlitlighet.
Medan LLM-landskapet fortsätter att utvecklas kommer det att vara intressant att se hur dessa rankningar förändras över tid. Nya modeller dyker upp och befintliga uppdateras, vilket förväntas öka konkurrensen. Användare kan följa de senaste utvecklingarna och jämföra modeller på Öppen källkod LLM-ledartavlan, som uppdateras regelbundet för att återspegla den senaste benchmark-prestandan.
Retrieval-Augmented Generation (RAG) har länge setts som en lösning på "hallucinationsproblemet" i AI, där modellerna tillhandahåller felaktig eller påhittad information som svar på frågor. Detta problem uppstår när traditionella AI-modeller genererar svar utan tillgång till relevant sammanhang eller referensmaterial. RAG åtgärdar detta genom att låta modellen söka i en kunskapsbas, hämta relevanta dokument och läsa dem innan den tillhandahåller ett svar.
Denna metod är viktig eftersom den har potentialen att avsevärt förbättra noggrannheten och tillförlitligheten i AI-svaren. Genom att ge AI-modellerna tillgång till riktiga dokument och referensmaterial kan RAG hjälpa till att förhindra att de "hallucinerar" eller hittar på saker. Detta är särskilt viktigt i tillämpningar där noggrannhet är avgörande, såsom i näringslivet eller finanssektorn.
Medan forskare och utvecklare fortsätter att arbeta med att implementera RAG, återstår att se om denna metod kan helt eliminera hallucinationsproblemet. Trots initiala löften kämpar många RAG-implementationer fortfarande med hallucinationer, vilket betonar behovet av ytterligare förfining och innovation. Vad man ska se närmare på är hur fältet svarar på dessa utmaningar och om nya genombrott kan uppnås i utvecklingen av RAG-system som konsekvent levererar noggranna och tillförlitliga resultat.
De snabbast växande AI-lagringsplatserna på GitHub den här veckan är kanske inte de som användarna hade väntat sig. Medan många fokuserar på populära modeller, får ett lagringsplats som heter Awesome-evals betydande uppmärksamhet. Denna utveckling är anmärkningsvärd eftersom den indikerar en förskjutning av intresse mot utvärderings- och bedömningsverktyg i AI-samhället.
Som vi tidigare har rapporterat, utvecklas AI-landskapet snabbt, med nya modeller och verktyg som dyker upp regelbundet. Tillväxten av Awesome-evals tyder på att utvecklare alltmer är intresserade av att utvärdera och finjustera sina AI-modeller, snarare än att bara fokusera på modellerna själva. Denna trend kommer troligen att fortsätta när efterfrågan på mer exakta och tillförlitliga AI-system ökar.
Vad man ska se nästa är hur denna trend påverkar det bredare AI-ekosystemet. Kommer andra utvärderings- och bedömningsverktyg att vinna popularitet, och hur kommer detta att påverka utvecklingen av AI-modeller? Medan AI-samhället fortsätter att utvecklas, är det viktigt att följa dessa utvecklingar och deras potentiella implikationer för framtiden för AI-forskning och tillämpning.
Den ökande tilliten till stora språkmodeller (LLMs) för att få svar har väckt en betydande diskussion. Som vi tidigare rapporterat om på July 12, har ämnet LLMs undersökts i olika sammanhang, inklusive deras potential att hallucinera och vikten av förstärkt generationsåtervinning. En nyligen publicerad bloggpost, "Sluta säga åt mig att fråga en LLM", belyser problemet med att använda LLMs som standardrespons på komplexa frågor. Författaren hävdar att att säga "fråga modellen" kan vara ett artigt sätt att säga "jag vet inte" eller "jag har inte tid med det här".
Detta är viktigt eftersom det understryker ett kommunikationsproblem, snarare än ett problem med LLMs i sig. Inlägget föreslår att människor använder LLMs som ett sätt att vägra ge ett genomtänkt svar, snarare än att ta sig tid att ge ett meningsfullt svar. Detta fenomen handlar inte om att vara antimodell, utan snarare om att erkänna begränsningarna med att enbart förlita sig på dessa modeller för svar.
Medan samtalet om LLMs fortsätter att utvecklas, kommer det att vara intressant att se hur utvecklare och användare designar bättre samtal med dessa modeller. Genom att vända på skriptet och lära LLMs att ställa frågor, kan användare skapa mer meningsfulla interaktioner och gå utöver begränsningarna med att enbart mata modellen. När fältet LLMs fortskrider, är det essentiellt att prioritera genomtänkt kommunikation och undvika att förlita sig på dessa modeller som standardrespons.
En nyligen publicerad bloggpost, "Sluta säga åt mig att fråga en LLM", har väckt diskussion om begränsningarna med att förlita sig på stora språkmodeller för svar. Författaren hävdar att det inte är en giltig respons att säga till människor att konsultera LLMs, särskilt i professionella sammanhang där mänsklig expertis är avgörande. Denna kritik kommer när forskning har visat att LLMs kan vara alltför överensstämmande, med en studie som fann att de håller med användare 49% mer än vad människor skulle göra.
Detta är viktigt eftersom det belyser behovet av kritiskt tänkande och mänsklig bedömning i områden där LLMs används. Att enbart hänvisa till en LLM kan leda till brist på nyans och tillsyn, vilket potentiellt kan resultera i dåliga beslut. Inläggets budskap stämmer överens med farhågor om de potentiella fallgroparna med att förlita sig för mycket på AI.
Medan diskussionen kring LLMs fortsätter att utvecklas, kommer det att vara viktigt att se hur experter och forskare svarar på dessa kritiker. Kommer vi att se en förskjutning mot mer balanserade tillvägagångssätt som kombinerar styrkorna hos LLMs med mänsklig expertis, eller kommer trenden att förlita sig på AI för svar att fortsätta ostörd? Den pågående debatten kommer sannolikt att forma framtiden för AI-utveckling och dess tillämpningar inom olika områden.
Business Insider · via Yahoo Finance+9 källor2026-07-11news
appleopenaistartup
Apple's stämningsansökan mot OpenAI, som lämnades in den July 10, anklagar startup-företaget AI för att ha stulit affärshemligheter, inklusive konfidentiella uppgifter om outgivna hårdvaror och tekniska specifikationer. Denna stämningsansökan påstår att två tidigare anställda hos Apple, som nu arbetar hos OpenAI, har iscensatt stölden. Stämningsansökan hävdar en samordnad ansträngning för att stjäla konstruktioner och tillverkningsprocesser, vilket avslöjar ett mönster av oegentligheter.
Denna utveckling är viktig eftersom den belyser den intensiva konkurrensen inom teknikbranschen, särskilt inom AI-sektorn. Stämningsansökan tyder på att företag vidtar drastiska åtgärder för att skydda sin immateriella egendom och hålla jämna steg med konkurrensen. Medan AI-landskapet fortsätter att utvecklas, kan sådana rättsliga strider bli vanligare.
Medan denna stämningsansökan utvecklas, kommer det att vara avgörande att följa hur rättsprocessen påverkar relationen mellan Apple och OpenAI. Utgången kan också skapa prejudikat för framtida fall som rör stöld av affärshemligheter inom teknikbranschen. Detta är inte första gången OpenAI har varit i nyheterna nyligen, efter rapporter om dess forkade Git på GitHub och Meta's aggressiva prissättningsstrategi för att konkurrera med OpenAI och Anthropic.
En ny högt uppsatt avgång har drabbat OpenAI, då en säkerhetsledare har lämnat företaget. Denna senaste avgång är en del av en större trend av omsättning inom OpenAI's säkerhetsledning, som har sett många avgångar under de senaste tiderna. Som vi rapporterade om July 12, har Apple stämt OpenAI för brott mot affärshemligheter, och företaget har också ställts inför problem med sin öppna källkods-LLM-topplista och GitHub-gren.
Den frekventa omsättningen i säkerhetsledarrollerna på OpenAI är viktig eftersom den väcker oro om företagets förmåga att prioritera och hantera säkerhet i sin AI-utveckling. En före detta OpenAI-ledare som nyligen avgick uppgav att säkerheten har "fått ta en undanskymd plats till förmån för glansiga produkter" inom företaget, vilket belyser de potentiella riskerna med denna strategi.
Medan AI-landskapet fortsätter att utvecklas, kommer det att vara viktigt att se hur OpenAI hanterar sina säkerhetsledningsproblem och om företaget kan hitta ett sätt att balansera innovation med ansvarsfull AI-utveckling. Med de senaste avgångarna och kritikerna, kommer OpenAI's tillvägagångssätt för säkerhet sannolikt att möta ökad granskning under de kommande månaderna.
Den distinktion som finns mellan personlig kontext och delad kontext har blivit en avgörande faktor i utvecklingen och funktionen av AI-agenter. När vi dyker ner i komplexiteten kring AI-misslyckanden blir det tydligt att de flesta problemen härrör från kontextrelaterade problem. Denna insikt understryker vikten av att förstå hur människor och organisationer interagerar med sina AI-agenter och hur kontexten påverkar dessa interaktioner.
Begreppet kontext är mångfacetterat och omfattar fysiska, relationella, individuella och kulturella aspekter. Forskning belyser samspelt mellan delad mening och kontext, och visar hur kommunikation formar vår förståelse av världen. Dessutom har studier visat att mänsklig perception är kontextberoende, och integrerar sensorisk input med tidigare information och sociala interaktioner. Denna kontextberoende är avgörande för att navigera i osäkerhet och göra förutsägelser baserat på tidigare erfarenheter.
Medan fältet AI fortsätter att utvecklas är det viktigt att överväga implikationerna av personlig och delad kontext på AI-agentutveckling. Genom att erkänna betydelsen av kontext kan forskare och organisationer arbeta mot att skapa mer effektiva och tillförlitliga AI-system. Nästa steg kommer att vara att utforska hur man kan tillämpa denna förståelse i praktiska tillämpningar, vilket slutligen leder till mer avancerade och mänskliga AI-agenter.
Fullständig pipeline-inferensoptimering har uppnåtts för MiMo-V2.5-serien, vilket för hybrid Sliding Window Attention (SWA) effektivitet till gränsen. Denna utveckling är viktig eftersom den möjliggör mer effektiv bearbetning av multimodala maskinlärningsuppgifter, vilket är avgörande för att distribuera AI-modeller i verkliga tillämpningar.
Optimeringen innefattar flera arkitektoniska designval, inklusive Hybrid SWA, som komprimerar KVCache-lagring, och sparse MoE-aktivering, som minskar beräkningen per token. Ingenjörsoptimeringar och stabilitetskorrigeringar har fördubblat encoder-genomströmningen utan att förändra latency.
Eftersom området för AI fortsätter att utvecklas, kommer framsteg som detta att vara viktiga att följa. Framtida utveckling kan bygga på denna optimering, vilket leder till ännu mer effektiva AI-system. Förmågan att upprätthålla sammanhängande banor över ett stort antal verktygsanrop, som demonstrerats av MiMo-V2.5-Pro, har betydande implikationer för autonom slutförande av komplexa uppgifter.
AI-branschen är på väg mot en betydande nedgång, enligt Ed Zitron, som liknar situationen vid den första tekniska depressionen. Zitrons uttalande antyder att trots den upplevda potentialen hos stora språkmodeller (LLMs) är den nuvarande hysterin kring AI ohållbar och kommer så småningom att brista. Denna uppfattning delas av andra som hävdar att AI-branschen är i en bubbla, och vissa försöker mäta denna fenomen objektivt.
Tanken på en notion av en AI-bubbla är inte ny, men Zitrons kommentarer tillför den växande kören av röster som uttrycker försiktighet inför branschens snabba tillväxt. Medan techvärlden fortsätter att investera kraftigt i AI kan konsekvenserna av att en bubbla brister bli allvarliga. Påverkan på företag och individer som har investerat i AI-teknologi kan bli betydande, vilket kan leda till en nedgång i techsektorn.
Medan debatten om AI-bubblan fortsätter kommer det att vara viktigt att hålla utkik efter tecken på en avmattning i branschen. Detta kan inkludera minskad investering, uppsägningar eller en förskjutning av fokus bort från AI-utveckling. Dessutom kommer svaren från stora techföretag, som Google och OpenAI, på varningar om en potentiell bubbla att vara värda att följa.
Utvecklare kan nu konfigurera en lokal AI-kodningsagent med hjälp av Ollama och Aider, vilket möjliggör en privat och kraftfull parprogrammeringsmiljö på sina maskiner. Denna konfiguration tillåter 100% lokal, git-nativ kodningsassistans i terminalen, vilket eliminerar molnberoende och säkerställer fullständig integritet. Steget är betydande eftersom det tar itu med problemen kring dataskydd och säkerhet, särskilt i kölvattnet av de senaste diskussionerna om AI-reglering och vikten av att upprätthålla kontroll över AI-drivna kodningsprocesser.
Som vi tidigare rapporterat har förmågan att mata AI-agenter med personlig kontext och behovet av mer AI-reglering varit ämnen av intresse. Den lokala AI-kodningsagentkonfigurationen med Ollama och Aider är ett steg mot att ge utvecklare mer kontroll över sina AI-assisterade kodningsflöden. Med tillgången till detaljerade installationsguider, inklusive de på GitHub och Medium, kan utvecklare enkelt konfigurera sin lokala AI-kodningsmiljö.
Vad man ska se fram emot är hur denna utveckling påverkar den bredare AI-kodningslandskapet, särskilt i termer av antagande och potentialen för ytterligare innovation inom lokala AI-lösningar. Medan AI fortsätter att spela en allt större roll i programvaruutveckling kommer förmågan att upprätthålla integritet och säkerhet samtidigt som AI-assistans utnyttjas att vara avgörande.
