Redaktionen

Automagiska.se:s redaktion testar och recenserar AI-verktyg för automatisering. Alla verktyg testas hands-on innan vi skriver om dem. Vi tar inte emot betalning för recensioner.

Vad är automatisering? Trigger, villkor, åtgärd och AI

av
En man med glasögon går igenom papper på en skrivplatta vid sin bärbara dator på ett kontor.

En faktura kommer in som PDF i den gemensamma inkorgen. Någon öppnar mejlet, sparar bilagan i rätt mapp, skriver in belopp och förfallodag i ett kalkylark och lägger en påminnelse i kalendern. Automatisering betyder att ett program tar över delar av det arbetet på egen hand: när ett mejl med ordet faktura i ämnesraden kommer in, sparas bilagan och en ny rad läggs till i arket. Ingen behöver sitta vid datorn när det händer.

Något händer, programmet prövar om det är rätt sorts händelse, och sedan utförs ett eller flera steg. De tre delarna kallas utlösare, villkor och åtgärd, och de återkommer i nästan varje automationsverktyg, även när verktygen ger dem andra namn.

De flesta automatiserade flöden bygger på utlösare, villkor och åtgärd

Utlösaren, på engelska trigger, är händelsen som startar flödet. Det kan vara ett nytt mejl, ett inskickat formulär, en ny rad i ett kalkylark eller en tidpunkt, till exempel varje måndag klockan 8.00.

Utlösare som hämtar från en annan tjänst fungerar på två sätt. Antingen frågar verktyget den andra tjänsten med jämna mellanrum om något nytt har hänt, eller så skickar tjänsten själv en signal i samma ögonblick som händelsen inträffar. Zapier kallar det senare för Instant-utlösare, och hur ofta de andra kontrolleras beror på abonnemanget och vilken tjänst utlösaren hämtar från. I Make är den snabba varianten en webhook, en adress som tjänsten skickar ny data till. Skillnaden märks som väntetid: med en utlösare som kontrollerar med jämna mellanrum kan en fakturapåminnelse få vänta på nästa kontroll, medan en utlösare som får en signal skickar bekräftelsemejlet direkt när kunden skickat in formuläret.

Villkoret avgör om flödet ska fortsätta. Utan villkor sparar fakturaflödet bilagan ur varje mejl, även nyhetsbrev och semesterhälsningar. Med villkoret släpps bara de mejl vidare vars ämnesrad innehåller ordet faktura. Ett villkor kan också dela flödet i flera vägar: fakturor över ett visst belopp skickas till chefen för attest, de andra bokförs direkt.

Åtgärden är det programmet gör. Ett flöde kan ha en enda åtgärd eller många i följd, där varje steg kan använda uppgifter från de tidigare. Beloppet som lästes ut i ett steg kan skrivas in i kalkylarket i nästa och stå i påminnelsens rubrik i ett tredje.

Zapier, Make och n8n ger samma tre delar olika namn

Zapier, Make och n8n bygger på samma modell men använder olika ord för den. Den som har lärt sig ett av dem känner igen delarna i de andra, och tabellen visar vad verktygen själva kallar dem.

Del i flödet Zapier Make n8n
Hela flödet Zap Scenario Workflow
Ett steg Steg (trigger eller action) Modul Node (nod)
Utlösare Trigger Trigger, en modul som bara kan ligga först Trigger node
Villkor Filter Filter, placerat mellan två moduler If-noden
Flera vägar Paths Router med flera rutter Switch-noden, som delar flödet i flera vägar
Åtgärd Action Action-modul Nod som hämtar, skickar eller bearbetar data

I Zapier använder Paths om-så-logik, så att olika händelser leder till olika åtgärder.

I Make är modulen byggstenen i ett scenario. Modulerna delas in efter vad de gör med data, bland annat i triggers, searches och actions. En trigger kan bara läggas in en gång, som första modul. Ett filter sitter på linjen mellan två moduler och släpper bara igenom data som uppfyller villkoren. En router delar scenariot i flera kedjor av moduler, och en reservväg kan ta hand om det som inte passar någon av de andra.

I n8n är ett workflow en samling noder som automatiserar en process, och trigger-noden startar det när en viss händelse inträffar. Varje arbetsflöde som körs i skarpt läge behöver minst en trigger. If-noden delar flödet i en sann och en falsk gren efter jämförelser och kan kräva att alla villkor eller något av dem är uppfyllda. Switch-noden fungerar på liknande sätt men kan dela flödet i flera vägar.

Verktygen skiljer sig också i hur de räknar och tar betalt. Zapier räknar varje lyckad åtgärd, Make varje modulkörning och n8n varje varv genom flödet. Ett räkneexempel finns i jämförelsen av hur Zapier, Make och n8n räknar samma flöde.

Uppgifter med fasta regler går att lämna ifrån sig

En kontorsuppgift går att automatisera om det går att säga när den börjar, vad som avgör om något ska göras och exakt vad som ska göras. Uppgifter av det slaget är formulärsvar som ska föras in i ett kalkylark, bilagor som ska sparas i en viss mapp, en påminnelse dagarna före en förfallodag och ett välkomstmejl till varje ny kund.

Svårare är uppgifter där villkoret är en bedömning. Ett mejl från en kund som är missnöjd men inte skriver det rakt ut, eller en offert som ska prioriteras utifrån hur viktig kunden är, passar dåligt i en regel. Där har ett vanligt flöde inget att jämföra med.

Börja gärna med det som händer ofta och ser likadant ut varje gång. En uppgift som tar fem minuter men görs tio gånger i veckan frigör mer tid än en som tar en timme en gång om året, och den första är dessutom lättare att beskriva som regel.

AI gör villkoret till en bedömning

AI ändrar framför allt villkoret och åtgärden. Ett klassiskt villkor jämför text eller tal: innehåller ämnesraden ordet faktura, är beloppet större än 10 000 kronor. En språkmodell kan i stället läsa hela mejlet och avgöra om det är en faktura, ett klagomål eller en fråga, även när ingen av de orden förekommer. Den kan också läsa ut belopp och förfallodag ur en PDF med okänd layout.

Verktygen har byggt in AI som egna steg i flödet. n8n beskriver AI-agenter som system som använder stora språkmodeller för att tolka det de får in och avgöra hur uppgiften bäst ska lösas. I Zapier finns AI bland de inbyggda verktygen. I Microsofts Power Automate kan Copilot bygga ett flöde utifrån en beskrivning i klartext, som genomgången av Microsoft Copilot visar.

Ett filter som letar efter ordet faktura gör samma sak varje gång och går att kontrollera i efterhand. En språkmodell som bedömer mejlet kan göra fel på ett sätt som är svårare att upptäcka. Flöden med AI behöver därför oftare ett steg där en människa godkänner resultatet innan något skickas eller betalas. Fler verktyg för både regelstyrda flöden och AI-agenter finns i översikten över AI-verktyg för automatisering.

Ett automatiserat flöde gör bara det någon har bestämt

Ett flöde som sparar varje bilaga från mejl med ordet faktura i ämnesraden sparar också bilagan i ett mejl med rubriken ”Fråga om er faktura”. Flödet säger inte till när något ser konstigt ut. Någon behöver därför äga det, titta i dess historik med jämna mellanrum och veta vad som händer om en av de kopplade tjänsterna ändras.

När flödet väl är uppsatt utför programmet uppgiften, och människans arbete blir att beskriva den och hålla uppsikt över flödet. Den som fått uppdraget att automatisera mer kan börja med att skriva ned de återkommande uppgifterna som utlösare, villkor och åtgärd och se vilka som går att formulera utan att någon behöver tänka efter. De går att lämna ifrån sig.

Zapier, Make och n8n räknar samma flöde på tre olika sätt

av
Handritat flödesschema med rutor och pilar på ett whiteboardark, bredvid utskrivna dokument på ett träbord

Foto: Kelly Sikkema via Unsplash.

Du bygger ditt första automatiserade flöde, det fungerar precis som tänkt, och några veckor senare är kvoten slut långt före månadsskiftet. Förklaringen ligger sällan i hur mycket du automatiserar. Den ligger i vad verktyget räknar. Zapier räknar uppgifter, Make räknar operationer och n8n räknar körningar, och de tre enheterna mäter inte samma sak. 10 formulärsvar genom ett och samma flöde kan bli 40 uppgifter, 41 operationer eller en enda körning, beroende på utlösare.

Flödet vi utgår från

Håll ett konkret flöde i huvudet genom hela texten. Någon fyller i ett formulär på webbplatsen, svaret hamnar som en rad i ett kalkylark, ett dokument skapas, dokumentet mejlas tillbaka till personen och ett meddelande läggs i teamets chatt. En utlösare och 4 åtgärder. Alla tre verktygen klarar det, men de bygger det på tre olika sätt.

I Zapier ritar du ingenting. Du fyller i en steglista uppifrån och ned: utlösaren överst, åtgärderna under, och vill du ha en förgrening lägger du in ett filter eller en väg. Det går fort, och hela flödet syns som en punktlista.

I Make arbetar du i stället på en yta. Modulerna är cirklar som du kopplar ihop med linjer, och data färdas mellan dem i det Make kallar buntar. Förgreningar blir synliga rutter på duken, vilket gör ett flöde med många vägar betydligt lättare att överblicka än en lång lista.

I n8n är flödet en graf av noder, och en av noderna kan innehålla din egen kod. Verktyget går dessutom att installera på en egen server. Du får bestämma mer själv, och en del av arbetet liknar programmering även när du inte skriver en rad kod. Begreppen bakom det här sättet att bygga finns samlade i vår ordlista, och gränslandet där man beskriver i klartext i stället för att bygga steg för steg tog vi upp i guiden om vibe-kodning.

Uppgifter, operationer och körningar

Zapier räknar uppgifter, och en uppgift är varje lyckad åtgärd som körs. Utlösaren kostar ingenting, filter och vägar kostar ingenting, och steg som ger fel eller stannar räknas inte heller. Detsamma gäller flera av Zapiers egna hjälpsteg, bland dem Formatter, Delay, Looping, Digest, Storage och Zapier Manager, som alla står uppräknade bland det som inte debiteras. Vårt femstegsflöde landar därför på 4 uppgifter per körning, inte 5.

Make räknar operationer, och en operation är en modulkörning. Här räknas utlösaren, men bara en gång oavsett hur många buntar den hämtar hem. Modulerna efter utlösaren kör i stället en gång per bunt. Hämtar utlösaren 10 rader kör alltså varje efterföljande modul 10 gånger, och modulkörningarna multiplicerar sig genom resten av scenariot.

n8n räknar körningar, och en körning är ett varv genom arbetsflödet, oavsett hur många noder det innehåller. Bara produktionskörningar dras från kvoten, alltså de som startas av en utlösare, ett schema eller en pollning. Manuella körningar från redigeraren räknas inte, inte heller delflöden som anropas från ett annat flöde, flöden som körs som felhanterare eller pollningar som inte hittar något nytt.

Samma 10 formulärsvar, olika notor

Säg att 10 personer fyller i formuläret innan du hinner titta till det.

Zapier kör hela zapen en gång per svar. 10 körningar med 4 lyckade åtgärder i varje ger 40 uppgifter.

Make hämtar i stället alla 10 svaren när scenariot går igång. Utlösaren kostar 1 operation, och de 4 modulerna efter den kör 10 gånger var. Notan blir 41 operationer, alltså nästan samma tal som hos Zapier trots att enheten heter något annat. Make använder ett kortare scenario som eget räkneexempel: en utlösare som hittar 10 nya svar plus 3 efterföljande moduler blir 31 operationer.

Hos n8n beror svaret på vilken utlösare du valt. Tar flödet emot svaren via en webhook aktiveras det en gång per inkommande anrop, alltså 10 körningar. Läser det i stället in de 10 raderna på ett schema är hela jobbet en enda körning, oavsett att det består av 5 noder och behandlar 10 poster.

Samma arbete utförs i alla tre fallen. Mätaren sitter bara på olika ställen: på åtgärden, på modulkörningen och på hela varvet.

Så kapar du notan när flödet betar av listor

Multiplikatorn i Make går att bygga bort. I dokumentationens eget exempel skickar ett scenario 10 separata mejl till en säljchef, ett per ny kontakt, och landar på 11 operationer. Läggs en aggregator in som samlar alla kontakter i ett enda mejl sjunker samma körning till 3 operationer. Samma flöde, samma resultat för mottagaren, drygt en fjärdedel av notan.

Motsvarande grepp fungerar i Zapier, där hjälpsteget Digest samlar upp poster och skickar dem i klump utan att kosta en enda uppgift. I n8n påverkar det inte kvoten alls, eftersom körningen räknas som en oavsett hur många poster den behandlar. Däremot påverkar det hur länge flödet kör och hur hårt det belastar maskinen, vilket blir din sak om du kör n8n på egen server.

Vilket verktyg passar din flödesform?

Ett flöde med många steg som går sällan blir dyrt hos Zapier och billigt hos n8n, eftersom det ena räknar varje åtgärd och det andra hela varvet. Ett flöde som går ofta men gör lite kan bli tvärtom. Ett flöde som betar av långa listor mår bäst av att aggregeras oavsett verktyg, men effekten syns tydligast hos Make.

Formen på flödet väger alltså tyngre än verktygets rykte. Många enkla, linjära flöden mellan vanliga molntjänster talar för Zapier, vars katalog av färdiga kopplingar är den största av de tre och vägen från idé till fungerande flöde den kortaste. Förgreningar, felhantering och tung databearbetning är lättare att både bygga och felsöka i Makes visuella scenario. Behöver du köra verktyget på egen server, till exempel för att uppgifterna inte får lämna huset, är n8n det alternativ som är byggt för det och som har dokumenterad självhostning.

Ingen av dem vinner generellt, och priset per enhet står hos leverantörerna själva: Zapier, Make och n8n. Räkna om ditt eget flöde i rätt enhet innan du jämför de listorna, annars ställer du tal mot varandra som inte mäter samma sak. Vill du se hur samma resonemang ser ut inne i en programsvit i stället för mellan fristående tjänster, jämför med Microsoft Copilot och Power Automate.

n8n är källtillgängligt, inte öppen källkod

n8n beskrivs ofta som öppen källkod, och koden ligger mycket riktigt öppet på GitHub. Licensen är en annan sak. Repots LICENSE.md anger Sustainable Use License version 1.0, som ger rätt att använda, kopiera, distribuera och bygga vidare på programvaran, men bara ”for your own internal business purposes or for non-commercial or personal use”. Vidaredistribution får ske ”only if you do so free of charge for non-commercial purposes”. Källkodsfiler som har .ee. i filnamnet eller .ee i katalognamnet ligger utanför licensen helt och kräver en separat Enterprise-licens.

I praktiken får du installera n8n på din egen server och köra företagets flöden i det, men inte sälja vidare produkten som en tjänst. Programvaran är källtillgänglig, alltså inte öppen källkod i den betydelse Open Source Initiative ger begreppet, och inte heller stängd. Samma förväxling återkommer i AI-världen, där öppna vikter ofta beskrivs som öppen källkod, vilket vi gick igenom i genomgången av Inkling. Fler verktyg i samma landskap finns samlade på vår översikt över AI-verktyg för automatisering.

Vanliga frågor

Varför tar kvoten slut snabbare än antalet flöden antyder?

För att enheten sällan är ett flöde. Hos Zapier betalar du per lyckad åtgärd, så ett flöde med sex steg kostar fem gånger så mycket per körning som ett med två. Hos Make betalar du per modulkörning, och en utlösare som hämtar hem 50 poster får varje efterföljande modul att köra 50 gånger. Hos n8n räknas hela varvet som ett, men då räknas det i gengäld varje gång utlösaren fyrar av.

Kostar ett steg som blir fel något?

Inte hos Zapier. Åtgärder som ger fel eller stannar räknas inte, och inte heller steg som aldrig kör för att ett filter stoppat flödet eller för att zapen havererat tidigare. Hos n8n är det annorlunda: en schemautlösare räknar en körning varje gång den fyrar av, oavsett hur det går, medan en pollning bara räknas när den hittar något nytt.

Räknas testkörningar i n8n mot kvoten?

Nej. Körningar du startar manuellt i redigeraren medan du bygger eller felsöker ligger utanför kvoten, liksom delflöden som anropas från ett annat flöde och flöden som körs som felhanterare. Bara produktionskörningar räknas.

Vad är en bunt i Make?

En bunt är ett datapaket, till exempel ett mejl, en kontakt eller en fil. Modulerna behandlar en bunt i taget, så antalet buntar tidigt i scenariot bestämmer hur många gånger allting efteråt kör. Den som vill hålla nere notan bör titta på just det talet, inte på antalet moduler.

Vibe-kodning: så bygger AI appar utan att du kan programmera

av
Person granskar no-code-mallar för att bygga en webbtjänst utan att skriva kod

Foto: Campaign Creators via Unsplash.

Kort sagt: Vibe-kodning innebär att man bygger appar genom att beskriva vad man vill ha i vanligt tal till en AI, i stället för att skriva programkod rad för rad. Metoden har gjort det möjligt för fler att skapa egna digitala verktyg, men den har också fyllt Apples App Store med en flodvåg av nya, ofta okvalitetssäkrade appar. Under första halvåret 2026 tillkom ungefär 560 000 nya appar i butiken, nästan lika många som under hela 2025, enligt siffror från Sensor Tower som återges av New York Times och sammanfattas av Omni.

Vad är vibe-kodning?

Begreppet myntades i februari 2025 av AI-forskaren Andrej Karpathy, som beskrev en arbetsmetod där utvecklaren nästan helt lämnar över tangentbordet till en AI och i stället styr genom att beskriva vad resultatet ska göra, se vad som händer och be om justeringar. IBM förklarar att fokus flyttas från att skriva kod rad för rad till att vägleda en AI-assistent genom hela byggprocessen, från första utkast till felsökning. Ordet blev så spritt att Collins Dictionary utsåg det till årets ord 2025.

I praktiken suddar vibe-kodning ut gränsen mellan traditionell programmering och no-code-verktyg som Automagiska.se normalt skriver om, till exempel Lovable, som bygger färdiga appar utifrån en beskrivning. Skillnaden är gradvis snarare än absolut: no-code-plattformar har länge låtit användare klicka ihop flöden och gränssnitt utan att skriva kod, medan vibe-kodning tar ytterligare ett steg och låter en AI skriva den faktiska koden bakom kulisserna utifrån ett samtal.

En ny generation byggare, utan programmeringsbakgrund

Just den tröskeln, att man tidigare behövde kunna programmera för att förvandla en idé till en fungerande app, är det som håller på att försvinna. En vibe-kodare vid namn Marco beskriver i New York Times hur appar ”har blivit hett igen när teknikbarriären försvunnit”. Samma utveckling märks i statistiken: när fler kan bygga utan att koda själva ökar också antalet nya appar kraftigt, från ungefär 600 000 under hela 2025 till 560 000 redan under årets första sex månader, enligt The Verge.

Det öppnar för en grupp som tidigare var beroende av att anlita eller anställa utvecklare: småföretagare som vill automatisera en specifik process, en butiksägare som vill ha en enkel bokningsapp, en frilansare som vill bygga ett internt verktyg för fakturor eller schema. I stället för ett dyrt utvecklingsprojekt kan idén testas som en fungerande prototyp på en eftermiddag.

Utmaningen: kvalitet när alla kan bygga

Samma tröskel som sänks skapar ett nytt problem. Fler appar betyder inte automatiskt fler bra appar. Enligt både Omni och The Verge riskerar Apples granskare, som ska godkänna varje app manuellt, att inte hinna med det höga trycket. Två risker lyfts fram: dels att butiken svämmas över med appar av dålig kvalitet, dels att skadligt eller olämpligt innehåll lättare smiter igenom kontrollen när volymen blir för stor.

För den som själv vibe-kodar ett verktyg finns motsvarande fällor i mindre skala. En AI kan producera kod som fungerar vid en snabb test men som saknar grundläggande säkerhet, till exempel dålig hantering av kunddata eller lösenord. Den som bygger utan att förstå vad koden faktiskt gör har heller ingen egen möjlighet att upptäcka det. Ju mer ett verktyg ska hantera, betalningar, personuppgifter, bokningar med riktiga kunder, desto viktigare blir det att någon med kunskap går igenom resultatet innan det används skarpt.

Så använder småföretagare vibe-kodning tryggt

Vibe-kodning passar bäst för det den redan är bra på: snabba interna verktyg, prototyper och engångslösningar där konsekvenserna av ett fel är små. En tidrapporteringsapp för det egna teamet eller en enkel kalkylator på hemsidan är rimliga projekt att bygga själv. Handlar behovet snarare om att koppla ihop tjänster som redan finns, till exempel ett formulär, ett kalkylark och en utskickad bekräftelse, är ett flödesverktyg en enklare väg, och Zapier, Make och n8n räknar den användningen i tre olika enheter. Ett verktyg som hanterar kortbetalningar eller känsliga kunduppgifter bör i stället granskas av någon med faktisk kompetens innan det går live, precis som man skulle anlita en revisor för bokföringen även om ett kalkylblad klarar det mesta på egen hand.

Att marknaden svämmar över med nya appar är samtidigt ett skäl att vara mer, inte mindre, kräsen som användare. En snabbt hopkodad app är inte per automatik sämre än en traditionellt utvecklad, men den har oftare inte testats lika grundligt. Innan ett vibe-kodat verktyg får hantera något värdefullt, data, pengar eller kunder, är det värt att fråga vem som faktiskt har granskat koden.

Öppna toppmodeller från Kimi och Qwen öppnar för egna AI-agenter

av
Ett datachip märkt AI monterat på ett tätt kretskort, symbol för AI-hårdvara

Under en och samma vecka i juli 2026 la två asiatiska AI-labb fram var sin toppmodell med öppna vikter, alltså modeller vars tränade parametrar går att ladda ner och köra själv i stället för att bara nås via ett betalt API. Moonshot AI presenterade Kimi K3 den 16 juli, och tre dagar senare svarade Alibaba med Qwen3.8. Lanseringarna är ett tydligt tecken på vart AI-branschen är på väg: de mest kapabla modellerna är inte längre ett monopol för ett fåtal stängda leverantörer.

Uppdaterat den 29 augusti 2026: båda modellernas vikter har nu släppts. Kimi K3 ligger uppe på Hugging Face, och Alibaba publicerade Qwen3.8-2.4T-A95B den 12 augusti. Texten nedan beskriver läget vid lanseringen i juli; avsnittet sist i artikeln redovisar vad som gäller i dag.

Vad öppna vikter faktiskt betyder

En öppen modell publicerar sina tränade parametrar (vikterna) fritt, oftast under en licens som Apache 2.0 eller en modifierad MIT-licens. Vem som helst kan då ladda ner modellen, köra den på egen eller hyrd hårdvara, finjustera den mot egen data och bygga vidare utan att betala per anrop till en extern leverantör. Det är skillnaden mot proprietära modeller som bara nås via ett API, där man aldrig får tillgång till själva modellfilen.

Nyheterna: Kimi K3 och Qwen3.8

Kimi K3 är Moonshot AI:s hittills största modell, byggd som en Mixture-of-Experts-arkitektur med 2,8 biljoner parametrar totalt och ett kontextfönster på en miljon token. Bolaget kallar den själva världens första öppna modell i tre-biljonersklassen. Modellen gick live den 16 juli via webb och API, men enligt Moonshots egen tidsplan släpps de fullständiga vikterna först den 27 juli, tio dagar efter lanseringen.

Qwen3.8, som Alibaba visade upp den 19 juli, är bolagets första modell med över en biljon parametrar som samtidigt är multimodal, det vill säga kan tolka bild, video och dokument utöver text. Den nås just nu bara som en förhandsversion via Alibabas betalda Token Plan samt utvecklarverktygen Qoder och QoderWork. Öppna vikter är utlovade, men Alibaba har ännu inte satt något datum för när de kommer.

Det som redan går att använda i dag

Det viktiga för den som faktiskt vill bygga något nu är att man inte behöver vänta in vare sig K3 eller Qwen3.8. Båda labben har redan öppna modellfamiljer i produktion. Alibabas Qwen3-serie släpptes under Apache 2.0-licens och spänner från en kompakt variant på 0,6 miljarder parametrar, körbar på en vanlig bärbar dator, upp till Mixture-of-Experts-modellen Qwen3-235B-A22B. Kontextfönstret varierar inom serien: de tre minsta modellerna klarar 32 000 token medan Qwen3-8B och uppåt klarar 128 000. Hela serien har inbyggt stöd för verktygsanrop via Model Context Protocol (MCP), vilket är precis det en AI-agent behöver för att kunna använda externa verktyg. Modellerna går att köra lokalt med etablerade verktyg som Ollama, LM Studio, llama.cpp och vLLM.

Moonshots föregångare Kimi K2-Instruct är på samma sätt redan fritt nedladdningsbar, under en modifierad MIT-licens, med en biljon parametrar totalt varav 32 miljarder aktiveras per token, och med stöd för samma typ av inferensmotorer.

Vad det betyder för småföretagare och utvecklare

Tre saker skiljer öppna modeller från de stora proprietära API:erna i praktiken. Först kostnaden: oberoende prisjämförelser av API-värdar som hostar Kimis och Qwens modeller visar genomgående priser som ligger långt under vad de stora amerikanska leverantörerna tar för motsvarande kapacitet, även om exakta belopp ändras löpande och bör kontrolleras hos respektive värdtjänst innan man räknar på en budget. Sedan oberoendet: en modell man själv har vikterna till går inte att stänga av, prishöja eller ändra villkoren för över en natt, vilket är en risk med ett rent API-abonnemang. Slutligen anpassningen: öppna vikter går att finjustera mot egen branschdata, något som är omöjligt med en stängd modell.

Realismen bör dock justeras efter storlek. De allra största modellerna, som K3:s 2,8 biljoner eller Qwen3.8:s 2,4 biljoner parametrar, kräver serverhallar, inte en kontorsdator. Lokal AI för de flesta svenska småföretag betyder i praktiken någon av de mindre systermodellerna, till exempel Qwen3 i åtta eller trettiotvå miljarders klassen, som går att köra på en kraftfull arbetsstation, eller att hyra inferens av en molnleverantör som kör de större modellerna åt en, till en bråkdel av kostnaden för ett proprietärt abonnemang.

Så ser läget ut i slutet av augusti

Väntan blev kort. Kimi K3 finns nu att ladda ner från Hugging Face. Modellkortet bekräftar uppgifterna ovan och lägger till detaljer: arkitekturen är Mixture-of-Experts med 2,8 biljoner parametrar totalt varav 104 miljarder aktiveras, kontextfönstret är en miljon token, och modellen är multimodal från grunden och förstår text, bild och video i samma modell.

Alibaba följde efter. Qwen3.8-2.4T-A95B, alltså den stora modellen med 2,4 biljoner parametrar och 95 miljarder aktiverade, publicerades den 12 augusti. Två dagar senare kom den betydligt mer användbara Qwen3.8-27B, en tät modell på 27 miljarder parametrar som förstår både bild och video, och den 27 augusti kom dessutom Qwen3.8-Flash-Next, som Qwen beskriver som en förhandsvisning av arkitekturen bakom nästa generation.

En sak är värd att notera för den som ska välja: öppna vikter är inte samma sak som en öppen licens. Qwen3.8-27B ligger under Apache 2.0, alltså samma tillåtande licens som Qwen3-serien. Men Kimi K3 släpps under en egen Kimi K3-licens, Qwen3.8-2.4T-A95B under en egen qwen3.8-max-licens och Qwen3.8-Flash-Next under en Qwen Community-licens. Läs villkoren innan du bygger en produkt på någon av dem, särskilt om användningen är kommersiell.

Kvar står att bolagens egna prestandapåståenden om hur modellerna mäter sig mot de stora konkurrenterna fortfarande till stor del vilar på självrapporterade siffror. För ett svenskt småföretag är det dessutom sällan de största modellerna som är svaret. Qwen3.8-27B under Apache 2.0 ligger betydligt närmare vad en kraftfull arbetsstation faktiskt klarar.

Foto: Igor Omilaev via Unsplash.

Inkling: en öppen AI-modell byggd för agenter, verktyg och egna arbetsflöden

av
Fargkodad programkod pa en datorskarm

Den 15 juli 2026 släppte Thinking Machines Lab sin första egna AI-modell, Inkling, med öppna vikter. Det som gör den intressant för den som bygger automation är inte storleken, utan att modellen är gjord för att agera: skriva och köra kod, använda verktyg, styra en webbläsare och till och med finjustera sig själv för en uppgift. Just den kombinationen är kärnan i det som brukar kallas agentisk AI, och den är värd att förstå oavsett vilken modell du landar i till slut.

Vad Inkling faktiskt är

Inkling är en så kallad mixture of experts, en modell som har 975 miljarder parametrar totalt men bara aktiverar runt 41 miljarder åt gången för en given uppgift. Den hanterar ett kontextfönster på upp till en miljon tokens och läser text, bild och ljud, men svarar i text. Bakom bolaget står Mira Murati, tidigare teknikchef på OpenAI.

Thinking Machines är tydliga med att Inkling inte är den starkaste modellen som finns just nu, varken bland öppna eller stängda alternativ. Poängen är en annan. Bolagets tes är att en modell som organisationer kan anpassa själva i längden slår de storleksmodeller som de största labben säljer som en lösning för alla. På svenska rapporterades släppet av bland andra Computer Sweden.

Färgkodad programkod på en datorskärm
Foto: Chris Ried via Unsplash

Öppna vikter är inte samma sak som öppen källkod

Inkling släpps med öppna vikter, inte som öppen källkod. Skillnaden är viktig. Öppna vikter betyder att själva modellfilerna går att ladda ner, i det här fallet från Hugging Face, och köra eller anpassa på egen hårdvara. Det är inte detsamma som att hela byggprocessen och all träningsdata ligger öppet. För ett företag är ändå det praktiska värdet stort: du kan köra modellen där du vill, hålla känsliga data i din egen miljö och slippa vara inlåst i ett enda stängt API vars pris och villkor någon annan bestämmer.

Agentisk kodning och verktygsanvändning i praktiken

Det som skiljer en agentmodell från en vanlig chattassistent är att den inte bara svarar, den utför. Thinking Machines visar Inkling generera webbappar, arbeta i en webbläsare och skriva kod som förfinas i flera steg. I ett arbetsflöde innebär det att modellen kan ta ett mål, dela upp det, anropa verktyg, läsa resultatet och fortsätta, i stället för att lämna över varje delsteg till dig.

För den som jobbar no-code är det här den intressanta rörelsen. När en modell kan styra en webbläsare och köra egna skript flyttas gränsen för vad du kan automatisera utan att själv skriva all logik. En återkommande manuell process, hämta data, fylla i ett formulär, sammanställa ett svar, blir något du beskriver en gång och låter en agent utföra.

Modellen som finjusterar sig själv

En av de mer uppmärksammade demonstrationerna är att Inkling kan finjustera sig själv för en specifik uppgift via bolagets plattform Tinker. I exemplet tränas modellen att lösa en avgränsad språkuppgift bättre än den klarade från start. Principen är det intressanta: i stället för en modell som ska passa alla får du en som anpassas mot just ditt problem. För ett litet företag med ett smalt men återkommande behov kan en mindre, tränad modell vara både billigare och mer träffsäker än en stor generalist.

Den ärliga gränsen

Här är det värt att vara nykter. Att en modell har öppna vikter och kan tränas gör den inte till en färdig knapp. Att köra och finjustera Inkling kräver maskininlärningskompetens och egen infrastruktur, och ansvaret för säkerhet och beteende flyttas i praktiken över på den som anpassar modellen. För de flesta småföretag är det fortfarande enklare att nå den här sortens funktioner genom en tjänst som paketerar dem, inte genom att själv drifta en modell på 975 miljarder parametrar.

Det viktiga att ta med sig är riktningen, inte just den här modellen. Öppna modeller som är byggda för att agera, använda verktyg och anpassas gör automation mindre beroende av en enda leverantör och mer av vad du faktiskt vill få gjort. Inkling är en tidig och tydlig markör för det skiftet, och det är därför den är värd att hålla ögonen på även om du inte rör vikterna själv.

Lovable: svenska AI-verktyget som bygger appar från en beskrivning

av

Lovable låter dig bygga en fungerande webbapp genom att beskriva den i vanlig text. Du skriver vad appen ska göra, och verktyget sätter ihop gränssnitt, databas och inloggning utan att du öppnar en terminal. Bakom tjänsten står ett Stockholmsbolag som på kort tid blivit ett av Europas mest uppmärksammade AI-företag. Här är vad det faktiskt gör, hur det fungerar och var det passar in i ett arbetsflöde där du vill lägga mindre tid på handpåläggning.

Från GPT Engineer till svensk AI-raket

Lovable grundades av Anton Osika, fysiker med bakgrund vid CERN, tillsammans med Fabian Hedin. Utgångspunkten var GPT Engineer, ett verktyg som Osika släppte 2023 och som kunde generera hela kodbaser ur korta instruktioner. Den byggdes om till en visuell tjänst för dem som inte kodar och lanserades under namnet Lovable i slutet av 2024.

Tillväxten har varit ovanligt snabb. Bolaget tog in 330 miljoner dollar i en finansieringsrunda vid en värdering på 6,6 miljarder dollar, och enligt Dagens industri förs samtal om en ännu högre värdering. Den rundan leddes av riskkapitalfonderna CapitalG och Menlo Ventures, medan den tidigare Series A-rundan hade letts av Accel. Siffrorna är intressanta som marknadssignal, men det som avgör om verktyget är värt din tid är vad det gör i praktiken.

Så fungerar det

Lovable bygger på det som brukar kallas vibe-kodning, ett begrepp som AI-forskaren Andrej Karpathy myntade i början av 2025. Idén är att du beskriver vad du vill ha på naturligt språk och itererar fram resultatet genom en dialog, i stället för att skriva rad efter rad kod. Du säger till exempel att du vill ha en bokningssida med kalender och e-postbekräftelse, och verktyget föreslår en första version som du sedan justerar.

Under ytan producerar Lovable riktig kod. Frontend byggs i React och TypeScript, och för databas, inloggning och betalningar kopplas appen mot tjänster som Supabase och Stripe. Det innebär att du inte fastnar i en stängd låda: koden går att exportera och arbeta vidare med i en vanlig utvecklingsmiljö. Verktyget erbjuder flera arbetssätt, från ett läge där en agent jobbar mer självständigt med felsökning och webbsökning till ett chattläge för planering och visuella redigeringar där du klickar direkt i gränssnittet. I april 2026 kom också en mobilapp, så att du kan starta ett projekt från telefonen.

Vad du kan använda det till

Den tydligaste nyttan finns tidigt i ett projekt. Behöver du en prototyp för att testa en idé mot riktiga användare, ett internt verktyg för teamet eller en enkel landningssida med formulär, kan Lovable ta dig från tom skärm till klickbar app på en eftermiddag. För den som redan kodar blir det ett sätt att slippa startsträckan och i stället ägna tiden åt det som är svårt.

Verktyget hör hemma i samma familj som andra AI-tjänster vi gått igenom här. Vill du automatisera arbetsflöden utan kod finns paralleller i hur Google Gemini Agent arbetar i Googles ekosystem, och den som vill se hur en agent kan resonera sig fram och arbeta med filer kan jämföra med Claude Cowork. Skillnaden är att Lovable är specialiserat på att bygga och publicera appar, inte på att sköta löpande uppgifter i din befintliga programvara som Microsoft Copilot gör i Office.

Priser och var gränsen går

Lovable har en gratisnivå med ett begränsat antal krediter per dag, vilket räcker för att prova på. Betalplanerna börjar runt 25 dollar i månaden för en personlig nivå med fler krediter och egen domän, och en dyrare affärsnivå lägger till funktioner för team. Priser och kreditgränser ändras ofta, så kontrollera aktuella villkor på lovable.dev innan du planerar in verktyget i budgeten.

Det finns skäl att vara nykter kring vad tekniken klarar. Enkla appar blir förvånansvärt bra, men ju mer logik och specialfall ett projekt innehåller, desto mer krävs det att någon förstår koden som genereras. Verktyget kan skriva kod snabbt, men det tar inte bort behovet av att granska den, tänka på säkerhet och testa innan något går i skarp drift. Ser du Lovable som en snabb väg till en fungerande första version snarare än en ersättning för utvecklingskunskap landar förväntningarna rätt. Då blir det ett av de mer användbara verktygen för den som vill bygga och automatisera med mindre friktion.

Restaurera gamla familjefoton med AI: verktyg, steg och den ärliga gränsen

av
Gammalt sepiatonat fotografi och en hög med vintagefoton

I byrålådan ligger de blekta korten, de med repor, de som suddats av tiden. Med AI går det i dag att blåsa nytt liv i gamla familjefoton: skärpa suddiga ansikten, laga sprickor och till och med färglägga svartvita bilder. Den här guiden visar verktygen som fungerar, hur du förbereder korten rätt, och var den ärliga gränsen går för vad AI faktiskt kan veta om ditt förflutna.

Sammanfattning

  • Skanna först, restaurera sedan. En bra digitalisering avgör hur mycket AI har att arbeta med.
  • Enklast på mobilen: appar som Remini är bra på ansikten men kan överarbeta.
  • Mest kontroll: Adobe Photoshop med funktionen Photo Restoration.
  • Mest privat: öppen källkod som körs lokalt på din dator.
  • Var ärlig mot dig själv: AI gissar fram färg och detaljer. Resultatet är en tolkning, inte ett historiskt facit.

Steg 1: Digitalisera kortet ordentligt

Restaureringen kan aldrig bli bättre än den fil du matar in. Skanna därför originalet i hög upplösning, helst med en flatbäddsskanner:

  • 300 punkter per tum räcker om du bara ska dela bilden eller trycka den i samma storlek.
  • 600 punkter per tum är ett bra arkivval och ger AI mer detaljer att arbeta med, särskilt om du vill förstora.
  • 600 till 1200 punkter per tum för riktigt små kort eller kraftiga förstoringar.

Du kan alltid spara ned till lägre upplösning senare, men aldrig lägga till detaljer som inte fångats. Saknar du skanner går det att fotografera kortet med mobilen i jämnt ljus utan reflexer, men en skanner ger nästan alltid ett bättre underlag.

Steg 2: Välj restaureringsverktyg

Remini och liknande appar

Remini är en av de populäraste apparna för att restaurera ansikten i gamla porträtt. Den skärper och bygger upp suddiga ansiktsdrag och är enkel att använda på mobilen. Den har en gratisnivå med begränsningar och betalabonnemang, så kontrollera aktuella villkor i appen. Var medveten om svagheten: appen kan överarbeta ansikten så att de ser släta och artificiella ut och avviker från hur personen faktiskt såg ut. Jämför alltid med originalet. Bilden laddas upp till tjänstens servrar, som enligt Remini raderas efter en kort tid.

Adobe Photoshop: mest kontroll

I Photoshop finns funktionen Photo Restoration bland de så kallade neuronfiltren. Den tar bort repor och skador och förbättrar ansikten, med separata reglage så att du själv styr hur långt det går. Ett separat filter, Colorize, lägger AI-genererad färg på svartvita kort. Photoshop kräver Adobe-abonnemang men ger överlägset mest kontroll, eftersom du kan arbeta i lager och finjustera manuellt efteråt. Filtren beskrivs i Adobes hjälp om neuronfilter.

Öppen källkod: mest privat

Vill du att korten aldrig lämnar din dator finns kraftfulla verktyg med öppen källkod. GFPGAN och CodeFormer är två modeller som är specialiserade på att restaurera ansikten och kan köras lokalt. De kräver visst tekniskt handlag men är gratis och helt privata. CodeFormer har dessutom ett reglage för hur troget resultatet ska hålla sig till originalet, vilket är värdefullt när identiteten är poängen. Projekten finns på GitHub för GFPGAN och CodeFormer.

MyHeritage för släktfoton

MyHeritage har verktyg som är skräddarsydda för just släktforskning, med förbättring av ansikten, kolorering och reparation av skador i ett samlat flöde. Flera funktioner kan provas gratis med begränsningar, fullt utbud kräver abonnemang. Eftersom MyHeritage även är ett genealogi- och DNA-företag bör du läsa noga vad som händer med uppladdade bilder. Verktygen finns på MyHeritage.

Google Foton för suddiga kort

Är problemet främst oskärpa kan Google Foton hjälpa. Funktionen Photo Unblur skärper suddiga bilder, även gamla, och är numera gratis för alla användare. Den lagar dock inte repor och färglägger inte svartvitt, så se den som ett komplement.

Har du negativ eller diabilder?

Ibland finns inte ens ett papperskort, bara gamla negativ eller diabilder. Då behöver du först göra dem till positiva, vanliga bilder. Principen är att lysa igenom filmen med ett ljusbord och fotografera eller skanna den, och sedan vända färgerna i programvara. För svartvit film räcker en enkel invertering, men färgnegativ har en orange grundton som kräver mer än så för att färgerna ska bli rätt, antingen särskild programvara eller manuell justering. När negativet väl är en vanlig digital bild kan du restaurera det med samma verktyg som ovan.

Hybridmetoden: AI plus handpåläggning

Det bästa resultatet uppstår ofta inte av ett enda klick, utan av att kombinera. AI är snabb och stark på ansikten, men trubbig på stora fysiska skador som sprickor och revor. Ett bra arbetssätt är därför att låta AI sköta ansikten och allmän uppskärpning, och sedan laga de fysiska skadorna för hand med ett retuscheringsverktyg, till exempel klonstämpeln i ett bildprogram. Då behåller du kontrollen över just de partier där AI annars gärna hittar på fel, samtidigt som du slipper det tidsödande arbetet med att bygga upp ansikten manuellt.

Den ärliga gränsen: AI gissar

Det här är det viktigaste avsnittet, och det som de flesta verktygsguider hoppar över.

  • Kolorering återskapar inte färg, den uppfinner den. Färginformationen finns helt enkelt inte i ett svartvitt foto. AI gör en kvalificerad gissning utifrån mönster i sin träningsdata. En tröja som var röd kan bli blå, och färgpaletten kan bli modern på ett kort från en svunnen tid.
  • Ansiktsrekonstruktion gissar också. När verktyg bygger upp ett suddigt ansikte fyller de i drag som kan avvika från hur personen verkligen såg ut. På släktfoton, där just identiteten är hela poängen, är det en reell risk.
  • Behandla resultatet som en tolkning. En restaurerad bild är en vacker illustration av minnet, inte ett dokumentärt bevis. Spara därför alltid den orörda originalskanningen vid sidan av.

Integritet: tänk efter före uppladdning

Många restaureringstjänster är molnbaserade, vilket betyder att fotot laddas upp till en server. Leverantörer uppger ofta korta raderingstider, men du litar på deras villkor. Tre saker värda att tänka på:

  • Familjefoton visar ofta både levande släktingar och avlidna anhöriga som inte kan lämna samtycke.
  • Ansiktsdata är känslig information. Läs vad tjänsten gör med den.
  • Vill du vara helt säker väljer du ett verktyg som körs lokalt, som GFPGAN eller CodeFormer, eller Photoshop-filter som arbetar på din egen dator.

Vanliga frågor

Kan AI laga ett foto som är trasigt och har stora hål?

Delvis. Verktygen kan fylla i mindre skador och repor trovärdigt, men stora saknade ytor fylls med påhittat innehåll. Ju större skadan är, desto mer gissar AI.

Blir ett svartvitt foto historiskt korrekt när jag färglägger det?

Nej. Färgerna är AI:ns gissning, inte den verkliga färgen. Det enda sättet att veta säkert är historiskt belägg, som en beskrivning eller ett bevarat föremål.

Vilket verktyg ska jag börja med?

Vill du ha det enkelt på mobilen, prova en app som Remini. Vill du ha kontroll och redan har Adobe, använd Photoshop. Vill du hålla bilderna privata, välj öppen källkod som körs lokalt.

När ska jag göra det själv och när bör jag anlita en proffsrestauratör?

För vanliga minnesbilder och måttliga skador kommer du långt själv med verktygen ovan. Men har kortet stort historiskt eller känslomässigt värde, eller är så skadat att stora delar saknas, kan en yrkesrestauratör vara värd pengarna. Då får du ett resultat byggt på hantverk och historisk kunskap snarare än enbart AI:ns gissningar.

Slutsats

AI har gjort det möjligt för vem som helst att väcka liv i gamla familjekort. Börja med en bra skanning, välj verktyg efter hur mycket kontroll och integritet du vill ha, och håll alltid originalet kvar. Det finaste resultatet uppstår när du minns att AI tolkar minnet åt dig, men att sanningen om hur det faktiskt såg ut bor i originalet. Vill du dessutom göra korten större inför utskrift, läs vår guide om att förstora gamla foton med AI.

Vad heter det när man förstorar en bild? Interpolation och superupplösning förklarat

av
Person som granskar filmnegativ med lupp på ett ljusbord

När man gör en bild större finns det ett knippe facktermer som ofta blandas ihop: förstoring, uppskalning, interpolation, superupplösning. Den här artikeln reder ut vad orden betyder, vilken teknik som ligger bakom var och en, och varför skillnaden spelar roll för hur resultatet blir. Efter detta vet du inte bara vad det heter, utan också varför en uppförstorad bild ibland blir suddig och ibland förbluffande skarp.

Det korta svaret

Att göra en digital bild större kallas på svenska oftast att förstora eller skala upp bilden. På engelska heter det upscaling eller upsampling. Själva tekniken som räknar fram de nya bildpunkterna kallas interpolation. När det görs med AI som fyller i nya detaljer talar man om superupplösning, på engelska super resolution.

Förstoring och uppskalning

En digital bild är ett rutnät av bildpunkter, alltså pixlar. Att förstora bilden betyder att öka antalet pixlar så att den kan visas eller tryckas större. Eftersom de nya pixlarna inte fanns i originalet måste de skapas på något sätt. Hur de skapas är just det som skiljer en suddig förstoring från en skarp.

Interpolation: den matematiska grundmetoden

Interpolation är den klassiska metoden och finns i alla bildprogram. Den räknar fram varje ny pixel utifrån värdena på de omgivande pixlarna. Det finns några vanliga varianter:

  • Närmaste granne kopierar närmaste pixel rakt av. Snabbast, men ger kantiga trappstegseffekter.
  • Bilinjär väger ihop de fyra närmaste pixlarna och ger en mjukare övergång.
  • Bikubisk väger ihop ännu fler pixlar och ger oftast det jämnaste resultatet av de klassiska metoderna.

Gemensamt för alla tre är att de bara räknar på den information som redan finns. De skapar inga nya detaljer, utan fyller mellanrummen med beräknade mellanvärden. Därför blir en kraftigt interpolerad bild ofrånkomligen mjukare och suddigare ju mer den förstoras.

Superupplösning: när AI gissar fram detaljer

Superupplösning är ett nyare angreppssätt där en AI-modell tränats på enormt många bildpar, alltså skarpa original tillsammans med nedskalade versioner av samma bild. Modellen lär sig mönstret för hur lågupplösta strukturer brukar se ut i hög upplösning. När den sedan möter en ny liten bild fyller den inte bara i medelvärden, utan föreslår sannolika detaljer som kanter, texturer och strukturer.

Det är därför en AI-förstoring kan se mycket skarpare ut än en interpolerad. Men det finns en hake: modellen gissar. Den återskapar inte den verkliga, förlorade informationen, utan hittar på det som statistiskt sett brukar finnas där. Oftast träffar den rätt, ibland fel.

Generativ AI: ett steg till

De allra nyaste verktygen använder generativa modeller, samma slags teknik som skapar bilder ur text. De syntetiserar helt nya detaljer, ända ner till hårstrån och tygmönster. Resultatet kan vara slående realistiskt, men det är i hög grad en konstnärlig tolkning. Skillnaden mot superupplösning är gradvis: ju mer generativ modellen är, desto mer hittar den på.

En tabell över begreppen

Begrepp Vad det betyder Skapar nya detaljer?
Förstoring / uppskalning Att göra bilden större, oavsett metod Beror på metoden
Interpolation Matematisk utfyllnad mellan pixlar Nej, bara beräknade mellanvärden
Superupplösning AI som föreslår sannolika detaljer Ja, statistiskt sannolika
Generativ AI Modell som syntetiserar nytt innehåll Ja, ofta fritt påhittade

Från pixlar på skärmen till centimeter på papper

Att förstå förstoring blir konkret först när bilden ska tryckas. För ett skarpt fotokort räknar man med ungefär 300 bildpunkter per tum. Det betyder att antalet pixlar avgör hur stort kortet kan bli innan det ser oskarpt ut. Ett vanligt mobilfoto har gott om pixlar för storlekar upp till A4. Men en riktigt stor affisch ställer höga krav: en skarp utskrift i formatet 50 x 70 cm vid 300 punkter per tum motsvarar nästan femtio megapixel, långt mer än de flesta foton har.

Här finns dock en räddning. Stora bilder betraktas på avstånd, och då räcker en lägre täthet, ofta 150 till 200 punkter per tum. Vid 150 punkter sjunker kravet för en 50 x 70-affisch till drygt tolv megapixel. Det är just i det här glappet, mellan de pixlar bilden har och de pixlar trycket kräver, som AI-förstoring kommer in. Men kom ihåg att de extra pixlarna är AI:ns gissning, inte återvunnen verklighet.

Varför skillnaden spelar roll

Förstår du skillnaden förstår du också varför resultatet varierar. Behöver du bara en bild lite större för skärm räcker interpolation. Vill du skriva ut ett gammalt litet foto stort behöver du superupplösning för att det ska bli skarpt. Hur det går till i praktiken visar vi i guiden om att förstora gamla foton med AI utan kvalitetsförlust.

Men där generativ AI gissar fram detaljer finns också en risk värd att ta på allvar. När modellen syntetiserar innehåll kan den förvränga just det som måste stämma: en text kan bli oläslig eller felaktig, siffrorna på en registreringsskylt kan ändras, och ett ansikte kan få drag som personen aldrig hade. För ett stämningsfullt minne spelar det sällan roll, men ska bilden användas som dokumentation, underlag eller bevis ska du alltid jämföra med originalet och vara medveten om att de tillagda detaljerna är påhittade.

Vanliga frågor

Vad kallas det när man förstorar en bild?

Att förstora eller skala upp bilden. Den underliggande tekniken heter interpolation, och när AI fyller i nya detaljer kallas det superupplösning.

Är uppskalning och interpolation samma sak?

Inte riktigt. Uppskalning är målet, att göra bilden större. Interpolation är en av metoderna för att nå dit. AI-superupplösning är en annan metod.

Kan man förstora en bild utan att den blir suddig?

Med klassisk interpolation blir kraftiga förstoringar alltid mjukare. Med AI-superupplösning kan resultatet förbli skarpt, men då fyller modellen i gissade detaljer.

Slutsats

Orden beskriver samma mål, en större bild, men olika vägar dit. Interpolation räknar, superupplösning gissar kvalificerat och generativ AI hittar på. När du vet vilken teknik ett verktyg använder vet du också vad du kan förvänta dig av resultatet, och hur mycket du kan lita på det.

Förstora gamla foton med AI utan kvalitetsförlust: verktygen som fungerar

av
Utspridda gamla svartvita familjefoton på ett bord

Du har ett gammalt foto som är för litet eller för suddigt för att skrivas ut stort. Med AI går det att förstora bilden flera gånger och ändå få ett skarpt resultat. Men det finns en viktig sanning bakom löftet om förstoring utan kvalitetsförlust, och den förklarar vi tydligt här. Vi går också igenom de verktyg som faktiskt fungerar, från helt gratis program du kör på din egen dator till molntjänster och proffsappar.

Sammanfattning

  • Bäst gratis och privat: Upscayl, som är öppen källkod och kör allt lokalt på din dator.
  • Enkla webbtjänster: Bigjpg, waifu2x, Let’s Enhance och liknande, som arbetar i molnet.
  • Proffsverktyg: Topaz Gigapixel och Adobe Photoshop, som kostar men ger mest kontroll.
  • Viktigt att veta: ingen AI återskapar förlorad information. Den gissar fram trovärdiga detaljer, vilket nästan alltid räcker för minnesbilder men inte för bevis eller identifiering.

Vad betyder förstoring utan kvalitetsförlust?

Det låter som magi, men det vilar på tre olika tekniker som är bra att hålla isär:

  • Interpolation är den klassiska metoden i alla bildprogram. Den räknar fram nya bildpunkter som ett genomsnitt av grannarna. Bilden blir större men typiskt mjukare och suddigare. Här är kvalitetsförlusten tydlig.
  • AI-baserad superupplösning använder en modell som tränats på miljontals bilder och lärt sig hur lågupplösta mönster brukar se ut i hög upplösning. Den fyller den nya ytan med sannolika detaljer och ser ofta betydligt skarpare ut.
  • Generativ AI går ännu längre och hittar på helt nya detaljer, som hårstrån, tygmönster och ibland ansiktsdrag. Resultatet kan vara imponerande men är en kvalificerad gissning.

Kärnan är enkel: ingen AI kan läsa tillbaka information som inte finns i originalet. Den uppfinner detaljer som passar bilden. För ett familjeminne är det oftast precis vad du vill ha. Men för text, smycken, mönster eller ansikten kan de uppdiktade detaljerna bli felaktiga, så lita aldrig blint på en uppförstorad bild i sammanhang där sanningen är avgörande. Vi förklarar begreppen mer i artikeln om vad det egentligen heter när man förstorar en bild.

Finns bilden bara på papper? Digitalisera först

Ligger originalet som ett fysiskt kort behöver du först göra en digital kopia, och kvaliteten på den kopian avgör hur mycket AI har att arbeta med. Bäst resultat ger en vanlig skanner, gärna inställd på minst 600 punkter per tum om du vill förstora efteråt. Saknar du skanner går det att fotografera kortet med mobilen, men då vill du undvika reflexer och skuggor. Googles gratisapp PhotoScan är gjord just för detta och tar bort glansiga reflexer genom att kombinera flera bilder. Först när du har en bra digital fil är det dags för AI-förstoring. Mer om skanning och restaurering av skadade kort finns i vår guide om att restaurera gamla familjefoton med AI.

Verktygen, testade och jämförda

Upscayl: gratis, öppen källkod och helt lokalt

Upscayl är förstahandsvalet för de flesta. Det är ett kostnadsfritt skrivbordsprogram för Windows, Mac och Linux som bygger på tekniken Real-ESRGAN och kör all bearbetning på din egen dator. Inga bilder lämnar maskinen, vilket gör det till det mest integritetsvänliga valet. Du kan förstora flera gånger om och välja mellan flera modeller för olika typer av bilder. Det enda kravet är ett grafikkort som stöder standarden Vulkan, vilket de flesta moderna datorer har. Ladda ned från upscayl.org.

Bigjpg och waifu2x: snabba webbtjänster

Vill du slippa installera något finns webbtjänster som gör jobbet i webbläsaren. Bigjpg och waifu2x bygger båda på neuronnät och är särskilt bra på illustrationer och tecknat, men hanterar även foton. Båda har en gratisnivå med begränsningar och betalalternativ för fler eller större bilder. Nackdelen är integriteten: bilden laddas upp till tjänstens server. Var också källkritisk, eftersom flera kopior och spegelsajter använder samma namn. De officiella adresserna är bigjpg.com och waifu2x.net.

Let’s Enhance: generativ molntjänst

Let’s Enhance är en molntjänst som använder generativ AI och kan förstora kraftigt. Den har en gratisnivå med ett antal krediter och vattenstämpel, samt betalplaner för mer. Eftersom modellen uttalat syntetiserar detaljer blir resultatet ofta snyggt men innehåller AI:ns gissningar. Bilden laddas upp till deras moln. Tjänsten finns på letsenhance.io.

Topaz Gigapixel: proffsverktyget för foto

Topaz Gigapixel är ett av de starkaste verktygen för fotoförstoring och restaurering. Det är ett skrivbordsprogram för Windows och Mac med egna modeller, däribland varianter som är särskilt avsedda för gamla lågupplösta foton. Sedan hösten 2025 säljs det som abonnemang i stället för engångslicens, så kontrollera aktuellt pris och villkor på topazlabs.com innan du köper. De nyaste generativa modellerna kräver kraftig hårdvara eller molnbearbetning.

Adobe Photoshop Super Resolution

Har du redan Adobe finns funktionen Super Resolution inbyggd i Camera Raw, som du når via Photoshop och Lightroom. Den fördubblar bildens upplösning i både höjd och bredd och fyller ut med AI-genererad detalj. Den ingår i Adobe-abonnemanget och bearbetar bilden lokalt. Funktionen beskrivs i Adobes hjälp om Enhance.

Google Foton för skärpa, inte förstoring

Google Foton har verktyg som gör suddiga bilder skarpare, framför allt Photo Unblur, som numera är gratis för alla användare. Det är dock skärpning och inte renodlad uppförstoring, så se det som ett komplement när problemet är oskärpa snarare än för få bildpunkter.

Så väljer du rätt verktyg

Behov Lämpligt val
Gratis och vill hålla bilderna privata Upscayl
Snabbt i webbläsaren, enstaka bild Bigjpg eller waifu2x
Kraftig förstoring, accepterar moln Let’s Enhance
Bästa resultat på gamla foton, betalar gärna Topaz Gigapixel
Har redan Adobe Photoshop Super Resolution
Bilden är skarp men liten suddig Google Foton Photo Unblur

Tänk på det här för bästa resultat

  • Utgå från bästa möjliga original. Förstora innan du komprimerar, inte en redan hårt sparad fil.
  • Spara i ett format som bevarar detaljer, som PNG eller TIFF, om bilden ska tryckas.
  • Granska resultatet noga. Zooma in på ansikten och text och kontrollera att AI:n inte skapat konstigheter.
  • Behåll originalet. Den uppförstorade bilden är en tolkning, inte en ersättning.

Vanliga frågor

Kan man verkligen förstora en bild utan att förlora kvalitet?

Inte i bokstavlig mening. AI återskapar inte förlorad information, den gissar fram trovärdiga detaljer. Resultatet ser ofta skarpt ut, men de tillagda detaljerna är beräknade, inte verkliga.

Vilket verktyg är bäst om jag inte vill betala?

Upscayl, eftersom det är gratis, öppen källkod och kör allt på din egen dator utan att ladda upp bilderna.

Är det säkert att ladda upp privata foton till en webbtjänst?

Det innebär alltid att bilden lämnar din dator. Vill du vara säker väljer du ett lokalt program som Upscayl i stället för en molntjänst.

Slutsats

AI har gjort det fullt möjligt att förstora gamla och små foton till skarpa bilder som tål att skrivas ut. Börja med gratisverktyget Upscayl, gå vidare till en proffsapp som Topaz om du ställer höga krav, och kom ihåg att det skarpa resultatet alltid bär ett mått av kvalificerad gissning. Vill du dessutom laga skadade eller blekta kort har vi en guide om att restaurera gamla familjefoton med AI.

Perplexity Computer: nitton AI-modeller i en agent

av
Arbetsgrupp vid datorer i analysarbete
Snabbfakta: Perplexity Computer

Utvecklare Perplexity AI
Lansering Februari 2026
Plattformar Webb, macOS, Windows, Linux, iOS, Android
AI-modeller Nitton modeller (Claude, GPT, Gemini, Grok m.fl.)
Pris Kräver Max-plan, cirka 2 100 kr/månad (~200 USD)
Specialitet Forskningsautomation med källhänvisningar

Vad är Perplexity Computer?

Perplexity Computer är ett AI-agentsystem som använder nitton olika AI-modeller från flera leverantörer för att lösa komplexa uppgifter. Istället för att du väljer vilken modell som ska svara på din fråga orkestrerar Computer automatiskt rätt modell för varje deluppgift.

Produkten finns i tre varianter: Computer (molnbaserat), Personal Computer (lokal mjukvara på en dedikerad enhet) och Computer for Enterprise (företagsversion med SSO och compliance-kontroller).

Det som skiljer Perplexity från andra AI-agenter är fokuset på verifierbar research med källhänvisningar. Varje svar innehåller numrerade fotnoter som länkar direkt till originalkällor.

Så fungerar det

Steg för steg

  1. Beskriv ditt mål. Ge Computer ett överordnat uppdrag - exempelvis ”analysera marknadstrender inom AI-verktyg” eller ”skapa en jämförande rapport om molntjänster”.
  2. Computer bryter ned uppgiften. Systemet skapar en plan med delsteg och tilldelar varje steg till en specialiserad underagent.
  3. Rätt modell för rätt uppgift. Claude Opus kan hantera resonemang, GPT-5 webbsökning, Gemini visuella frågor och Grok snabba uppslag - allt automatiskt.
  4. Granska resultatet. Computer levererar ett färdigt resultat med källhänvisningar och transparens kring vilka modeller som använts.

Model Council

En unik funktion är Model Council, lanserad i februari 2026. Komplexa frågor skickas till flera modeller samtidigt, och Perplexity syntetiserar ett samlat svar. Där modellerna är överens presenteras ett samstämmigt svar. Där de skiljer sig åt markeras meningsskillnaderna tydligt.

Vad kan man automatisera?

  • Djupresearch: Samla och syntetisera information från ett stort antal webbkällor med automatiska källhänvisningar.
  • Rapportgenerering: Skapa strukturerade rapporter baserade på research - med fotnoter och verifierbara påståenden.
  • Marknadsanalys: Analysera trender, jämföra konkurrenter och sammanställa insikter från flera datakällor.
  • Kodgenerering: Bygga prototyper och applikationer med hjälp av flera AI-modeller som kompletterar varandra.
  • Bildgenerering: Skapa visuellt material via integrerade bildmodeller.
  • Långvariga projekt: Computer kan arbeta i timmar på komplexa uppgifter med många delsteg.

Fördelar och nackdelar

Fördelar

  • Nitton AI-modeller - rätt verktyg för varje uppgift
  • Inbyggda källhänvisningar med numrerade fotnoter
  • Model Council visar var modellerna enas och skiljer sig åt
  • Finns på alla plattformar (webb, desktop, mobil)
  • Enterprise-version med SSO och compliance
  • Kan hantera långa, komplexa projekt
Nackdelar

  • Kräver Max-plan till cirka 2 100 kr per månad
  • Ingen insyn i vad som händer medan uppgifter körs
  • Kodgenereringsfunktionen saknar förhandsgranskning
  • Integrationer rapporteras som instabila
  • Kostnaden per uppgift är svår att förutsäga
  • Orkestratorn fattar ibland kontraintuitiva beslut

Pris och tillgänglighet

Plan Pris per månad Computer-åtkomst
Gratis 0 kr Nej - grundläggande sökning
Pro Cirka 210 kr (~20 USD) Nej - Pro-sökningar och flerstegsresonemang
Max Cirka 2 100 kr (~200 USD) Ja - alla nitton modeller och Computer
Enterprise Cirka 420-3 400 kr/användare (~40-325 USD) Ja - med SSO, compliance och Slack-integration

Priserna i USD omräknade med ungefärlig kurs i mars 2026.

Perplexity Computer kräver Max-planen. Den vanliga Pro-planen ger tillgång till avancerad sökning men inte till Computer-funktionaliteten.

Vem passar det för?

  • Analytiker och forskare som behöver samla och syntetisera information från många källor med verifierbara hänvisningar.
  • Journalister och skribenter som vill faktakontrollera och korsreferera uppgifter automatiskt.
  • Konsulter som skapar rapporter baserade på bred research.
  • Teknikteam som vill testa olika AI-modeller utan att hantera API-nycklar och integrationer.

Perplexity Computer passar inte för den som behöver arbeta med lokala filer (använd Claude Cowork), den som söker en billig AI-assistent (använd Gemini AI Plus), eller den som vill ha realtidsinsyn i vad agenten gör.

Vanliga frågor

Vad skiljer Perplexity Computer från vanlig Perplexity?

Vanliga Perplexity är en AI-sökmotor som svarar på frågor med källhänvisningar. Computer är ett agentsystem som kan utföra komplexa, flerstegsuppgifter autonomt - bryta ned projekt i delsteg, delegera till specialiserade underagenter och leverera färdiga resultat.

Varför nitton modeller?

Olika AI-modeller har olika styrkor. Claude är stark på resonemang, GPT på webbsökning, Gemini på visuella uppgifter och Grok på snabba uppslag. Genom att kombinera flera modeller kan Computer välja det bästa verktyget för varje deluppgift.

Kan jag lita på källhänvisningarna?

Perplexity är bättre än de flesta AI-verktyg på källhänvisningar, men som med alla AI-system bör du verifiera kritiska påståenden. Fotnoterna gör det enkelt att klicka igenom och kontrollera originalkällorna.

Är Perplexity Computer värt priset?

Det beror på hur mycket du spenderar på research. Max-planen till cirka 2 100 kr per månad är ett högt pris för enskilda användare. Men för den som dagligen gör tidskrävande research - och värderar verifierbara källhänvisningar - kan tidsbesparingen motivera kostnaden. Testa med den vanliga Pro-planen (cirka 210 kr per månad) först.

Slutsats

Perplexity Computer tar ett annorlunda grepp än konkurrenterna genom att satsa på modellmångfald istället för lojalitet till en enda AI-leverantör. Tanken att rätt modell ska användas för rätt uppgift är övertygande, och de inbyggda källhänvisningarna skapar en nivå av transparens som saknas hos de flesta konkurrenter.

Svagheterna är priset, den begränsade insynen under körning och att integrationer rapporteras som instabila. Det är en produkt för den som redan vet att AI-research är en central del av arbetet - inte för den som vill experimentera.

Börja med Perplexity Pro (cirka 210 kr per månad) för att utvärdera sökfunktionerna innan du investerar i Max-planen.

Senast uppdaterad: mars 2026.