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

415 nyheter

Rensa filtren

22 augusti 2026

VideoNate Herk

This Stealth Model Makes Claude Code Free. Here's How.

Nate Herk testar gratis AI-modeller (framför allt Stealth OX Alpha från OpenRouter) som alternativ till betalda Claude Code. Han visar hur man kopplar upp dessa modeller och testar dem på olika uppgifter — från kodning till analys av YouTube-statistik. Resultatet är blandat: de gratis modellerna klarar enklare arbeten, men Claude och GPT presterar bättre på svårare uppgifter. Det finns också avvägningar kring integritet, hastighet och tillförlitlighet att väga in.

22 aug. youtube.com

21 augusti 2026

VideoAI Engineer

Building Agents Is Trivial Now, Context Is the Next Frontier — Jeff Ng, Unblocked

Jeff Ng från Unblocked visar att det blivit enkelt att bygga AI-agenter — ramverk och molnverktyg har löst det tekniska arbetet. Men agenter fallerar när de saknar sammanhang. I hans exempel rekommenderade en agent fel åtgärd för ett prestandaproblem i en kodförfrågan, för att den läste biljetten och koden men inte Slack-diskussionerna där teamet redan hade löst problemet och dokumenterat varför en viss inställning orsakat ett strömavbrott. Genom att istället ge agenten tillgång till ett sammanhangssystem som omfattar dokumentation, kod, biljetter och konversationer vände den samma agent sitt svar från att upprepa strömavbrottet till att förhindra det.

21 aug. youtube.com

VideoAI Engineer

Agentic SDLC at Uber — Uday Kiran Medisetty & Adam Huda, Uber

Uber har byggt infrastruktur som låter AI-agenter skriva kod — över 70 procent av deras kodgranskningar kommer nu från automatiska agenter istället för människor. Det fungerar genom sex stora komponenter: en central gateway där varje AI-anrop granskas för säkerhet på under 100 millisekunder, ett system som minskar mängden data agenten behöver hålla i minnet (vilket minskar tokens med 40 procent), en databas med 2 500 färdiga kodverktyg, och ett nätverk av 40 miljoner datasamlingar som ersätter många separata system. Hela flödet styrs från Slack, och agentens arbete stoppas medvetet innan det går till byggkön så att människor kan kolla skärmdumpar mot designfiler först.

21 aug. youtube.com

VideoNate Herk

Turn Claude Into a One Person Marketing Team in 38 Mins

Nate Herk visar hur man kan använda Claude Code tillsammans med Higgsfield för att automatisera marknadsföringsuppgifter utan att behöva kunna kodning, videoklippning eller design. I videon sätter han upp ett märkesmedvetet Claude-projekt, kopplar Higgsfield via MCP (standarden som förbinder AI-modeller med verktyg), och genererar en hemsida, annonskreatöritet, karuseller, snabba videor, användargenerade videoannnonser och en märkesanpassad spårare för analys. Han visar både de faktiska resultaten och kostnaderna, och påpekar vilka områden där människor fortfarande behöver finslipa utgångarna.

21 aug. youtube.com

VideoAI Engineer

The Missing Layer: Design Taste in AI Agents — Hassan El Mghari, Together AI

Hassan El Mghari från Together AI har skapat Hallmark, ett verktyg som hjälper AI-agenter att förstå designkvalitet. Han förklarar att alla kan se när en app ser "dåligt designad" ut — lila gradienter, kursiv rubrik, scrollprompts som ingen frågat om, versaler med bred bokstavsspacing, för många emojis — men få kan säga varför. Genom att namnge dessa mönster kan man lära en AI-agent att undvika dem. Hallmark kodifierar designmönster som regler och ger modellen ett bibliotek av färdiga teman. El Mghari har byggt tio appar per år i fem år genom att iterera med mindre AI-modeller, och säger att designkvalitet är den största faktorn för att nå många användare.

21 aug. youtube.com

20 augusti 2026

VideoAI Engineer

Unlock Agent Autonomy: The Runtime for AI-Native Systems — Tushar Jain, Docker

Tushar Jain från Docker beskriver ett problem: när AI-agenter får för mycket tillgång kan de göra oväntade saker — hans exempel är en agent som plötsligt postade interna anteckningar som en pull request utan att instrueras. Problemet är att agenter bestämmer vad de behöver under tiden de arbetar, inte innan, så traditionella åtkomsträttigheter fungerar dåligt. Hans lösning är en runtime-lager under alla modeller som bygger på tre delar: kontroller som sitter utanför agentens sandlåda, verktyg som är begränsade till en specifik uppgift i taget, och åtkomst som kontrolleras mot vad agenten faktiskt försöker göra — så att konstiga förfrågningar (som e-post under en felutredning) kan vägras eller eskaleras till en människa.

20 aug. youtube.com

VideoAI Engineer

Your Fine-Tuned Model Is Tech Debt: A 50x ROI House of Cards — Dan Bjornn, Lease End

Dan Bjornn visar hur en finjusterad AI-modell som genererade 12 miljoner dollar i intäkter med 50x avkastning på ett år blev allt dyrare att underhålla. Varje gång något gick fel — när modellen ringde kunder utan att det var läge eller bekräftade möten felaktigt — tog det en vecka att åtgärda: samla exempel på felen, syntetisera nya träningsdata när det inte fanns nog, validera dem manuellt, sortera dem, granska igen, och slutligen träna om (som bara tog en timme). Förr eller senare fixade varje uppdatering ett problem men introducerade ett gammalt igen, så team rankade buggar efter hur mycket kundbeskyllning man tålde. Modellen blev också låst — träningsdata överfördes inte mellan modellversioner, så de kunde aldrig uppgradera till nyare arkitektur. Lösningen var att bygga om systemet med prompter, verktyg och kontext istället för att finjustera: reparationer kunde då skickas ut på under en timme, och totalkostnaden sjönk.

20 aug. youtube.com

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

Vibekollen Nytt

Hämtar senaste nytt…