Häromdagen satt jag vid köksbordet med en kopp kaffe som blivit ljummen utan att jag märkt det. Jag hade tillbringat den senaste halvtimmen med att formulera en fråga till en AI-modell – inte en komplicerad fråga, egentligen, utan en ganska vardaglig förfrågan om att sammanfatta en text. Men jag hade skrivit om meningen fyra, fem, sex gånger. Bytt ordföljd. Lagt till ett "tänk steg för steg". Tagit bort det igen. Och någonstans i den processen slog det mig: jag programmerar. Inte med Python eller JavaScript, utan med svenska meningar. Med vanliga ord.
Det var en märklig insikt, och den har följt mig sedan dess. För vad är det egentligen vi gör när vi skriver en prompt – det vill säga en instruktion till en stor språkmodell? Är det kommunikation, i den mening vi normalt förstår ordet? Eller är det något annat, något som befinner sig i en obekväm gränszon mellan mänskligt samtal och maskinell styrning?
Låt oss ta ett steg tillbaka. I datorernas barndom var gränssnittet mot maskinen brutalt tydligt. Du skrev kommandon i ett terminalfönster, och om du stavade fel eller glömde ett semikolon fick du ett felmeddelande – eller värre, ingenting alls. Det fanns inget utrymme för tvetydighet. Maskinen krävde precision, och du levererade den eller misslyckades.
Sedan kom de grafiska gränssnitten: ikoner, menyer, drag-and-drop. Datorn blev tillgänglig för fler. Men under ytan var relationen densamma – du klickade på en knapp, och maskinen utförde en fördefinierad handling. Konversationen var ensidig och förutsägbar.
Med stora språkmodeller – vad som i dagligt tal ofta kallas "AI-chattar" – har något fundamentalt förändrats. Nu talar du till maskinen med naturligt språk. Du säger "beskriv fotosyntesen som om du förklarar för en tioåring" och får ett svar som, i bästa fall, faktiskt låter som en tålmodig lärare. Det är lätt att förföras av den bekanta formen. Det känns som ett samtal.
Men vänta. Är det verkligen ett samtal?
Här lurar en av vår tids mest fascinerande begreppsförvirringar. När en språkmodell svarar på din fråga med nyanserade, grammatiskt korrekta meningar, aktiveras något djupt i oss – en instinkt att tillskriva avsändaren förståelse, medvetande, kanske till och med empati. Det är samma instinkt som fick våra förfäder att se ansikten i molnen och höra röster i vinden. Vi är meningssökande varelser, och vi projicerar mening överallt.
Men som jag utforskade i en tidigare artikel om det kinesiska rummet – John Searles klassiska tankeexperiment – så är förmågan att producera rätt symboler inte detsamma som att förstå dem. Språkmodellen manipulerar statistiska mönster i text. Den har ingen inre upplevelse av vad den säger, åtminstone inte i någon mening vi idag kan bekräfta.
Och det är just detta som gör prompt engineering – konsten att formulera effektiva instruktioner till AI-modeller – till ett så intellektuellt knepigt fenomen. Du samtalar med något som inte förstår samtal. Du kommunicerar med en entitet som inte vet vad kommunikation är. Med andra ord: du navigerar i en illusion, men illusionen fungerar.
Låt oss försöka reda ut begreppen. En prompt, i sin enklaste form, är den text du skickar till en språkmodell för att få ett svar. Det kan vara en fråga ("Vad är kvantmekanik?"), en instruktion ("Skriv en dikt om hösten") eller ett mer komplext ramverk med roller, begränsningar och exempel.
Men ju mer sofistikerad din prompt blir, desto mer börjar den likna något annat: ett program. Tänk på det så här:
Det här är programmering. Inte i traditionell mening, inte med formella språk som har kompilatorer och syntaxregler, men det är en form av styrning av en maskins beteende genom strukturerade instruktioner. Skillnaden är att ditt "programmeringsspråk" nu är svenska. Eller engelska. Eller vilket naturligt språk du vill.
Sokrates hade förmodligen älskat det. Han som ägnade sitt liv åt att visa att hur du ställer frågan avgör vad du får veta – och att de flesta av oss ställer frågor utan att tänka efter. I dialogen med en AI-modell har den sokratiska metoden fått en ny, märklig arena.
Vad skiljer då en bra prompt från en dålig? Det enkla svaret är: precision. Men det mer intressanta svaret handlar om något djupare – om tyst kunskap, det som filosofen Michael Polanyi kallade "det vi vet mer av än vi kan berätta".
En erfaren prompt-skribent gör saker som är svåra att formalisera:
Det finns något paradoxalt här. För att effektivt kommunicera med en maskin som inte förstår – en maskin som bara bearbetar mönster – måste du förstå dig själv bättre. Du måste kunna artikulera vad du faktiskt vill, med en klarhet som vardagliga samtal sällan kräver. När du pratar med en människa kan du lita på delad erfarenhet, gemensamma kulturella referensramar, kroppsspråk och tonfall. Allt det faller bort. Kvar är orden, och bara orden.
Min uppfattning är att detta är en av de mest underskattade färdigheterna i vår tid – inte för att det är tekniskt svårt, utan för att det kräver en typ av språklig självmedvetenhet som vi sällan behöver öva.
Om vi lyfter blicken från det praktiska och tittar på prompt engineering ur ett filosofiskt perspektiv, öppnar sig en fascinerande fråga: vad säger våra promptar om vår egen kunskapsstruktur?
Varje gång du formulerar en prompt gör du en rad implicita antaganden om vad modellen vet, hur den bearbetar information och vad "ett bra svar" innebär. Du bygger, utan att alltid vara medveten om det, en teori om den andras sinne – fast den "andra" saknar sinne. Det är theory of mind applicerat på en entitet som per definition inte har ett mind.
Det kan tänkas att detta avslöjar mer om oss än om maskinen. Vilka fördomar lägger vi in? Vilka självklarheter glömmer vi att specificera, för att vi tar dem för givna? Och kanske mest intressant: vad händer med vårt eget tänkande när vi tvingas göra det explicit?
Jag har märkt – och jag tror att många som arbetar mycket med AI-modeller delar den erfarenheten – att processen att skriva promptar ibland klargör mina egna tankar mer än modellens svar gör. Själva formuleringen blir en form av tänkande, inte bara en instruktion. Det påminner om det som författare ofta beskriver: att skrivandet inte bara uttrycker tankar, utan producerar dem.
Det finns dock en mörkare sida. Ju bättre språkmodellerna blir på att svara naturligt, desto lättare är det att glömma vad man pratar med. Och det har konsekvenser.
Övertillit är den mest uppenbara risken. Om modellen svarar med auktoritet och självförtroende – och det gör den nästan alltid, oavsett om svaret är korrekt eller inte – kan det vara frestande att sluta ifrågasätta. Särskilt för någon som inte har djup kunskap i ämnet. Den som mest behöver vara skeptisk är ofta den som har minst kapacitet att vara det.
Intellektuell lättja är en annan risk. Varför anstränga sig för att formulera en tanke tydligt när modellen verkar förstå ändå? Varför strukturera sitt eget tänkande när man kan outsourca det? Det finns tecken på att den lättvindiga användningen av AI-verktyg kan försvaga just den förmåga till disciplinerat tänkande som gör oss bra på att använda dem.
Och sedan finns den risk som kanske berör mig mest: att språket trivialiseras. Om naturligt språk reduceras till ett gränssnitt – ett verktyg för att styra maskiner – vad händer då med alla de andra dimensionerna av språket? Poesin. Tvetydigheten. Det osagda. Det som lever mellan raderna. Riskerar vi att börja behandla mänsklig kommunikation med samma instrumentella logik som vi behandlar promptar?
Jag menar inte att vi borde vara rädda för prompt engineering. Tvärtom – jag tror det kan bli en av de mest demokratiserande förändringarna i teknikens historia. Plötsligt kan en person utan en enda rad kodkunskap få en dator att göra komplexa saker, bara genom att formulera sig tydligt. Det är remarkabelt.
Men det kräver en ny sorts litteracitet – en förmåga som inte bara handlar om att skriva bra promptar, utan om att förstå vad man gör när man gör det. Att veta att modellen inte förstår. Att veta att den kan ha fel. Att veta att ens egen formulering formar svaret minst lika mycket som modellens "kunskap".
Det är, om man vill, en form av kritiskt tänkande för AI-åldern. Och det borde, om du frågar mig, vara lika självklart i skolundervisningen som källkritik.
Jag sitter vid samma köksbord nu, med ännu en ljummen kaffekopp. Utanför fönstret har det börjat skymma – de ångermanländska kvällarna tar sig tid på sig, som om de vill att man ska hinna tänka färdigt.
Jag vet inte om prompt engineering är en konst, en vetenskap eller en filosofisk disciplin. Förmodligen lite av varje. Men jag vet att det tvingar oss att ställa en fråga som är lika gammal som språket självt: Vad menar jag egentligen?
Och kanske är det den viktigaste frågan av alla. Inte för maskinens skull. Utan för vår egen.
Edvin Strömkvist är en fascinerande berättare som väver samman elektriska kretsar med filosofiska frågeställningar. Med en fot i det digitala och en i det existentiella utforskar han hur tekniken omformar vår självbild, våra relationer och vår förståelse av vad det innebär att vara människa.
Inga kommentarer ännu. Bli den första!
John Searles tankeexperiment "det kinesiska rummet" ställer frågan på sin spets: kan en maskin verkligen förstå, eller bara manipulera symboler? Edvin Strömkvist utforskar ett 45 år gammalt argument som blivit mer aktuellt än någonsin i AI:ns tidsålder.
I en värld där din uppmärksamhet blivit den mest eftertraktade valutan utforskar Edvin Strömkvist hur digitala system exploaterar vår koncentration – och varför förmågan att vara närvarande kan vara vår tids viktigaste motstånd.
Från Jeremy Benthams panoptikon till smarttelefonen i fickan – Edvin Strömkvist utforskar hur ständig digital övervakning inte bara registrerar vårt beteende, utan subtilt omformar vår identitet och inre frihet.
Ungefär 95 procent av all internationell datatrafik färdas genom kablar på havets botten. Här förklarar vi hur undervattenskablarna fungerar, vem som äger dem, och varför de är viktigare – och sårbarare – än de flesta tror.
