AI-ORDLISTAN
När texterna är på engelska men du tänker på svenska
AI-världen är full av engelska termer: LLM, hallucination, RAG, fine-tuning, embeddings. De dyker upp i artiklar, på möten och i verktygens egna hjälptexter — och förklaras sällan på ett begripligt sätt.
Den här ordlistan samlar de vanligaste begreppen med klara svenska förklaringar och, där det är relevant, en praktisk kommentar om vad det faktiskt innebär för dig som använder AI i jobbet.
Sök bland termerna
Hoppa till bokstav
A
Agent (AI-agent)
AI agent
Ett AI-baserat system som kan arbeta mot ett mål i flera steg, välja bland tillåtna åtgärder och använda verktyg, data eller andra system. Hur självständigt det får agera bestäms av konstruktionen, behörigheterna och de kontrollpunkter som människor har satt.
I praktiken: En agent kan söka i godkända källor, sammanställa ett underlag och föreslå nästa åtgärd. Källor, behörigheter, loggning, stoppregler och mänskligt godkännande behöver vara tydliga innan agenten får påverka andra system.
Agentisk AI
Agentic AI
AI-system med förmåga att driva ett arbetsflöde mot ett mål: planera delsteg, välja verktyg, följa upp resultat och anpassa nästa åtgärd inom givna ramar. Agentisk förmåga är en gradskillnad, inte en enhetlig produktkategori.
I praktiken: Begreppet används när AI får mer handlingsutrymme: boka, uppdatera, analysera flera källor eller köra verktyg. Ju mer agentisk lösningen är, desto viktigare blir behörigheter, loggar och mänskligt godkännande.
AI — Artificiell intelligens
Artificial intelligence
Samlingsbegrepp för maskinbaserade system som, utifrån indata och mål, härleder hur de ska skapa exempelvis förutsägelser, innehåll, rekommendationer eller beslut. AI omfattar både regelbaserade metoder och maskininlärning; systemen varierar i autonomi och anpassningsförmåga.
I praktiken: AI kan vara allt från bildigenkänning och spamfilter till språkmodeller och beslutsstöd. Begreppet säger därför inte i sig vad systemet kan, hur säkert det är eller vilket ansvar användningen medför.
AI-slop
AI slop
Informell och nedsättande benämning på stora mängder AI-genererat innehåll som uppfattas som generiskt, missvisande eller lågkvalitativt och som ofta publiceras utan tillräcklig mänsklig bearbetning.
I praktiken: Motsatsen till bra AI-användning. Skillnaden mellan slop och användbart innehåll är oftast mänsklig granskning, faktakontroll och anpassning till mottagaren — inte vilket verktyg som användes.
Alignment
AI alignment
Forskning och utvecklingsarbete som försöker få ett AI-systems mål och beteende att överensstämma med avsedda instruktioner, normer och mänskliga intressen. Vad systemet ska anpassas till och hur det mäts är i sig svåra frågor.
I praktiken: Anpassning kan omfatta träningsmetoder, säkerhetsregler, tester och mänsklig återkoppling. Den garanterar inte att modellen alltid är korrekt, säker eller förenlig med en organisations policy.
API
Application Programming Interface
Ett programmeringsgränssnitt som låter program kommunicera enligt bestämda regler. I AI-sammanhang kan ett API ge kod åtkomst till modeller, filer, verktyg eller administrativa funktioner utan att en människa använder leverantörens webbgränssnitt.
I praktiken: Företag som bygger egna AI-funktioner i sina produkter gör det via API. Om du bara använder ChatGPT.com behöver du inte tänka på API alls.
B
Bias — Snedvridning
Bias
Systematisk snedvridning i data, modell, mätmetod eller användning som kan ge skeva eller orättvisa resultat. Den kan uppstå under hela livscykeln, inte bara i träningsdata, och kan påverka grupper olika.
I praktiken: Historiska data kan bära på gamla orättvisor, men även målvariabler, urval och hur resultatet används spelar roll. Individpåverkande användning kräver relevant testning, dokumentation och verklig mänsklig kontroll.
C
Chain of Thought — Tankekedja
Chain of Thought (CoT)
En följd av mellanliggande resonemang som en språkmodell använder eller genererar på väg mot ett svar. I forskning kan exempel med stegvisa resonemang förbättra vissa flerstegsuppgifter, men en visad förklaring behöver inte troget återge modellens interna beräkning.
I praktiken: Be hellre om relevanta antaganden, kontroller och en kort motivering som går att granska än om en lång "intern tankekedja". Reasoning-modeller kan arbeta med dolda resonemang och visar ofta bara en sammanfattning.
Kontextfönster
Context window
Den mängd token som en modell kan behandla i ett och samma anrop eller arbetsflöde. Beroende på tjänst kan gränsen omfatta instruktioner, samtalshistorik, dokument, verktygsresultat, modellens svar och interna resonemangstoken.
I praktiken: När materialet är för långt kan tjänsten avvisa anropet, korta historiken eller sammanfatta äldre innehåll. Ett stort kontextfönster garanterar inte att modellen använder varje detalj korrekt.
Copilot
Copilot
Ett namn som används för AI-assistenter som arbetar bredvid användaren i ett befintligt program, till exempel i dokument, mejl, kodverktyg eller sök. En copilot föreslår, sammanfattar och hjälper till, men bör inte vara den som ensam fattar beslut.
I praktiken: När en funktion kallas copilot betyder det oftast att den är inbyggd i arbetsytan du redan använder. Kontrollera ändå vad den får läsa, om svaren sparas och vem som ansvarar för slutresultatet.
D
Deepfake
Deepfake
AI-genererat eller manipulerat bild-, ljud- eller videoinnehåll som liknar verkliga personer, föremål, platser eller händelser och felaktigt kan uppfattas som äkta eller sanningsenligt.
I praktiken: Deepfakes kan användas för satir och film men också för bedrägeri och desinformation. Verifiera känsligt material via oberoende källor och kontrollera aktuella krav på märkning.
E
Embeddings — Inbäddningar
Embeddings
En matematisk representation av exempelvis text, bild eller ljud som en siffervektor. Beroende på modell och träning kan innehåll med liknande egenskaper eller betydelse hamna nära varandra, vilket möjliggör sökning utan exakt ordmatchning.
I praktiken: Tekniken bakom RAG (se nedan) och semantisk sökning. Gör det möjligt att söka på innebörd snarare än på exakta ord.
EU AI Act
EU Artificial Intelligence Act
EU:s AI-förordning, förordning (EU) 2024/1689. Den trädde i kraft den 1 augusti 2024 och tillämpas stegvis. Förordningen förbjuder vissa användningar och ställer roll- och riskberoende krav på bland andra leverantörer och organisationer som driftsätter AI-system.
I praktiken: Förbud och krav på AI-kunnighet började tillämpas den 2 februari 2025. Efter 2026 års AI Omnibus ska reglerna för fristående högrisksystem börja tillämpas den 2 december 2027 och för produktinbyggda högrisksystem den 2 augusti 2028. Klassningen beror på avsedd användning och förordningens villkor.
F
Few-shot prompting
Few-shot prompting
En promptteknik där modellen får ett litet antal exempel på önskat resultat, format eller klassificering i samma kontext som uppgiften. Modellen anpassar svaret efter exemplen utan att dess vikter tränas om.
I praktiken: "Skriv en produktbeskrivning som den här: [EXEMPEL]. Gör nu samma sak för: [PRODUKT]." Fungerar utmärkt för att styra ton, format och struktur.
Finjustering
Fine-tuning
Fortsatt träning av en befintlig modell på utvalda exempel för att påverka dess beteende eller prestanda i en viss uppgift. Resultatet beror på metod, data och utvärdering; finjustering garanterar inte bättre faktakunskap.
I praktiken: Finjustering används ofta för återkommande format, ton eller specialiserade beteenden. För uppdaterad dokumentkunskap passar sökning eller RAG ofta bättre. Träningsdata behöver kvalitets-, rättighets- och dataskyddskontroller.
Grundmodell
Foundation model / Base model
En modell som tränats på bred data i stor skala och kan anpassas till många efterföljande uppgifter och system. Termen används tekniskt; AI-förordningens närliggande begrepp "AI-modell för allmänna ändamål" har en särskild juridisk definition.
I praktiken: Tänk på det som en välutbildad generalist som sedan kan specialiseras. De flesta organisationer bygger på grundmodeller snarare än att träna egna från grunden.
G
Generativ AI
Generative AI
AI-modeller och system som skapar nytt innehåll, exempelvis text, bild, ljud, video eller kod, utifrån mönster i träningsdata och den aktuella instruktionen. Resultatet är nygenererat men kan likna, kombinera eller återge delar av befintligt material.
I praktiken: Generativ AI används både för utkast och analys, men ett flytande svar är inte ett bevis på att innehållet är korrekt, originellt eller tillåtet att publicera.
GPT
Generative Pre-trained Transformer
Förkortning för Generative Pre-trained Transformer och namn på OpenAI:s modellfamilj. Modellerna bygger på transformerarkitektur och förtränas innan de anpassas för olika uppgifter. GPT är inte ett samlingsnamn för alla språkmodeller eller chattjänster.
I praktiken: ChatGPT är en tjänst som kan använda olika modeller och funktioner över tid; GPT är en modellfamilj. Claude och Gemini tillhör andra leverantörers modellfamiljer.
GDPR och AI
GDPR in AI context
Dataskyddsförordningen gäller när personuppgifter behandlas med AI. Den personuppgiftsansvarige behöver bland annat fastställa ändamål och rättslig grund, minimera uppgifterna, informera registrerade, skydda uppgifterna och bedöma risker. Parternas faktiska roller avgör om ett personuppgiftsbiträdesavtal krävs.
I praktiken: Ett företagskonto eller biträdesavtal gör inte behandlingen laglig av sig självt. Använd bara ett godkänt verktyg för det beslutade ändamålet och kontrollera dataskyddsroller, avtal, lagring, behörigheter, säkerhet och om en konsekvensbedömning behövs.
H
Hallucination — Fabricering
Hallucination
När en generativ modell producerar innehåll som låter rimligt men är felaktigt, fabricerat eller saknar stöd i källan. Det kan gälla fakta, citat, hänvisningar, beräkningar eller kopplingar mellan uppgifter.
I praktiken: Verifiera alltid faktapåståenden, lagrum, siffror och citat från AI mot primärkällor. AI är ett skrivstöd, inte ett faktaarkiv. Ju mer specifikt påståendet är, desto viktigare att kontrollera det.
I
Inferens
Inference
Den beräkning som sker när en tränad modell används på ny indata för att skapa en förutsägelse, klassificering eller genererad utdata. Inferens skiljer sig från träning, där modellens parametrar justeras.
I praktiken: Inferens sker när du skickar en prompt eller när ett system automatiskt anropar en modell. Kostnaden kan bero på token, beräkningstid, modell och vilka verktyg som används.
L
LLM — Stor språkmodell
Large Language Model
En språkmodell i stor skala som tränats för att förutsäga och generera token i text och ibland andra modaliteter. "Stor" kan syfta på parametrar, träningsdata och beräkningsresurser; exakta parameterantal är ofta okända och avgör inte ensamt modellens kvalitet.
I praktiken: En LLM genererar svar utifrån sina parametrar och den kontext den får. Om en leverantör senare använder konversationer för produktförbättring eller träning är en separat datafråga som styrs av tjänst, avtal och inställningar.
M
Maskininlärning
Machine learning (ML)
Metoder där modeller utvecklas genom att mönster och samband skattas från data, i stället för att varje beteende anges med handskrivna regler. Efter träning används modellen för att generalisera till ny indata.
I praktiken: Orsaken till att AI kan hantera komplexa uppgifter som det vore omöjligt att skriva regler för — som att förstå nyanser i text eller känna igen ansikten.
MCP — Model Context Protocol
Model Context Protocol
Ett öppet klient–server-protokoll för att koppla AI-applikationer till resurser, promptmallar och verktyg. En MCP-värd hanterar klientanslutningar till lokala eller fjärranslutna servrar; modellen ansluter alltså inte själv direkt till alla system.
I praktiken: MCP kan ge en gemensam integrationsyta, men varje server, behörighet och verktygsanrop behöver fortfarande granskas. Protokollet gör inte en anslutning säker eller lämplig och ersätter inte autentisering, samtycke, loggning eller minsta privilegium.
Multiagentsystem
Multi-agent system
Ett system där flera AI-agenter arbetar tillsammans — ofta med olika specialiserade roller — för att lösa en komplex uppgift. En orkestreringsagent kan bryta ned en uppgift och delegera deluppgifter till specialiserade underagenter.
I praktiken: En agent kan söka information, en annan analysera och en tredje sammanställa. Fler agenter betyder inte automatiskt bättre resultat; arkitekturen kräver noggrann design, spårbarhet och skydd mot kaskadfel.
Multimodal
Multimodal
En modell eller tjänst som kan behandla mer än en datatyp, exempelvis text, bild, ljud eller video. Vilka modaliteter som kan tas emot respektive genereras varierar mellan modeller och produkter.
I praktiken: Du kan ta en bild på ett dokument, ett recept eller en graf och be AI förklara, sammanfatta eller analysera den — utan att skriva av innehållet manuellt.
N
Neuralt nätverk
Neural network
En beräkningsarkitektur löst inspirerad av hjärnan, bestående av lager med noder (neuroner) som transformerar input till output. Moderna LLM:er är djupa neurala nätverk med miljarder parametrar.
I praktiken: Du behöver inte förstå all matematik för att använda AI, men kunskap om träningsdata, osäkerhet och utvärdering hjälper dig att bedöma systemets begränsningar.
O
Öppen AI och öppna vikter
Open source / Open weights model
Öppna vikter betyder att en tränad modells parametrar görs tillgängliga enligt vissa villkor. Det är inte automatiskt samma sak som öppen källkod för AI, som enligt Open Source Initiative även kräver friheter och tillräckligt material för att använda, studera, ändra och dela systemet.
I praktiken: Öppna vikter kan köras lokalt om licens, hårdvara och teknik tillåter det, men data stannar bara lokalt om hela driftsmiljön faktiskt är lokal och rätt konfigurerad. Kontrollera licens, modellkort, ursprung, säkerhet och total driftkostnad.
Orkestrering
Orchestration
Processen att styra ordning, dataflöde, verktygsanrop, felhantering och kontrollpunkter i ett AI-arbetsflöde. Orkestrering kan omfatta en eller flera modeller eller agenter, men behöver inte innebära att AI själv bestämmer hela planen.
I praktiken: Relevant när du vill bygga AI-system som utför komplexa flerstegprocesser automatiskt — inte bara svara på en fråga, utan utföra en serie handlingar för att nå ett mål.
P
Parameter
Parameter
De justerbara numeriska värdena i ett neuralt nätverk som bestämmer hur det transformerar input till output. En modell med 70 miljarder parametrar har 70 miljarder sådana värden som justerats under träning. Fler parametrar ≈ mer kapacitet, men inte alltid bättre prestanda.
I praktiken: Används som en grov storleksindikator: "7B-modell" (7 miljarder parametrar) vs "70B-modell". Större modeller kräver mer beräkningskraft att köra.
Prompt
Prompt
Indata som ger en generativ modell en uppgift eller kontext. En prompt kan innehålla text, bilder, filer, ljud, exempel eller verktygsresultat. Svarets kvalitet beror också på modell, data, systeminstruktioner, verktyg och efterföljande kontroll.
I praktiken: "Förklara kvantfysik" är en prompt. "Förklara de grundläggande principerna i kvantfysik för en gymnasieelev, utan matematik, i tre korta stycken" är en bättre prompt.
Promptinjicering
Prompt injection
Instruktioner som försöker få en generativ AI-komponent att frångå avsedda regler eller utföra oönskade handlingar. De kan anges direkt av en användare eller indirekt döljas i exempelvis en webbsida, fil eller ett mejl som systemet läser.
I praktiken: Behandla externt innehåll som opålitlig data, begränsa verktyg och behörigheter, validera åtgärder och kräv godkännande för känsliga steg. En systemprompt ensam är inte ett fullständigt skydd.
R
Reasoning-modell — Resonemangsmodell
Reasoning model
En informell produktkategori för modeller som använder extra inferensberäkning eller särskild träning för flerstegsproblem. Tjänsten kan använda interna resonemangstoken utan att visa den råa tankekedjan. Prestanda, svarstid och kostnad varierar mellan modeller och inställningar.
I praktiken: Reasoning-modeller kan passa för svår analys, kod och planering, men behöver fortfarande faktakontroll och relevanta tester. Jämför kvalitet, tidsåtgång och kostnad på den verkliga uppgiften i stället för att anta att kategorin alltid är bättre.
RAG — Retrieval-Augmented Generation
Retrieval-Augmented Generation
En arkitektur där relevant information hämtas från en extern källa och läggs i modellens kontext före genereringen. Hämtningen kan bygga på nyckelord, vektorsökning eller andra metoder och behöver inte ske mot internet eller i realtid.
I praktiken: RAG kan ge svar utifrån organisationens dokument utan att grundmodellen tränas om. Kvaliteten beror på källor, åtkomstkontroll, sökning och instruktioner; tekniken eliminerar inte fabriceringar.
RLHF
Reinforcement Learning from Human Feedback
Reinforcement Learning from Human Feedback: en efterträningsmetod där mänskliga preferensbedömningar används för att lära en belöningssignal eller på annat sätt styra modellens beteende. Det är en av flera metoder för att anpassa modeller efter önskade svar.
I praktiken: RLHF kan göra svar mer användbara och följsamma, men mänskliga preferenser är inte samma sak som sanning. Metoden kan också förstärka bedömarnas bias eller uppmuntra svar som låter övertygande.
S
SLM — Liten språkmodell
Small Language Model
Small Language Model: en relativ benämning på en språkmodell med mindre beräknings- och minnesbehov än större modeller i samma sammanhang. Det finns ingen universell parametergräns, och en SLM kan vara generell eller specialiserad.
I praktiken: Mindre modeller kan ge lägre svarstid och kostnad och ibland köras på egen utrustning. Bedöm ändå uppgiftskvalitet, licens, säkerhet, hårdvarukrav och hur data faktiskt behandlas.
Systemprompt
System prompt
En instruktion med högre prioritet än den vanliga användarprompten i många modellgränssnitt. Den kan ange roll, ton, regler, verktyg och kontext. Exakt namn, prioritet och synlighet varierar; vissa API:er använder även begreppet utvecklarinstruktion.
I praktiken: En systemprompt kan göra beteendet mer konsekvent men är inte en säkerhetsgräns. Känsliga regler behöver också upprätthållas med behörigheter, kod, validering, loggning och godkännandesteg.
T
Temperatur
Temperature
En samplingsparameter som påverkar hur modellens sannolikhetsfördelning används när nästa token väljs. Högre värde ger normalt större variation; skala, stöd och effekt varierar mellan modeller. Låg temperatur garanterar varken identiska eller korrekta svar.
I praktiken: Lägre temperatur kan passa när konsekvent format är viktigt och högre när variation efterfrågas. Faktakvalitet ska säkras med källor och kontroll, inte med temperaturinställningen.
Token
Token
En enhet som en språkmodell delar upp in- och utdata i. En token kan vara ett helt ord, en del av ett ord, skiljetecken eller annan symbol. Antalet beror på modellens tokeniserare och språk och kan inte översättas med en fast ordkvot.
I praktiken: Token påverkar kontextgränser, svarslängd och ofta API-pris. Använd leverantörens räknare eller tokeniserare för en verklig text i stället för en generell ordformel.
Transformer
Transformer
En neural nätverksarkitektur byggd kring attention-mekanismer, introducerad 2017 i forskningsartikeln "Attention Is All You Need". Den möjliggör effektiv parallell träning och ligger till grund för många moderna språk- och multimodala modeller.
I praktiken: GPT står för "Generative Pre-trained Transformer". Många, men inte alla, moderna AI-modeller bygger helt eller delvis på transformerarkitektur.
V
Vektordatabas
Vector database
En databas eller sökmotor optimerad för att lagra vektorer och hitta närliggande representationer. Den används ofta för semantisk sökning och RAG, men är bara en av flera möjliga metoder för informationshämtning.
I praktiken: Om du bygger ett system där AI kan söka i er dokumentation eller era kontrakt används ofta en vektordatabas i bakgrunden. Pinecone, Weaviate och pgvector är vanliga alternativ.
Vi
Vibe coding
Vibe coding
Ett informellt arbetssätt där en person beskriver önskat programbeteende i naturligt språk och låter AI generera och ändra stora delar av koden, ibland utan att granska varje rad. Begreppet populariserades av Andrej Karpathy 2025.
I praktiken: Arbetssättet sänker tröskeln för prototyper men flyttar inte bort ansvaret. Produktion kräver bland annat kodgranskning, tester, versionshantering, säkerhetskontroll, licenskontroll och någon som kan underhålla lösningen.
Z
Zero-shot prompting
Zero-shot prompting
När en modell får utföra en uppgift utan demonstrationsexempel i den aktuella prompten. Den förlitar sig på sin tidigare träning och instruktionerna; resultatet kan vara tillräckligt eller behöva kompletteras med exempel, källor eller verktyg.
I praktiken: De flesta promptar du skriver är zero-shot. "Sammanfatta den här texten" är zero-shot. Om du inte är nöjd med resultatet är det ofta värt att prova few-shot istället.
Ordlistan uppdateras löpande
AI-terminologin förändras snabbt. Har du stött på ett begrepp som saknas eller en förklaring som kan förbättras? Hör av dig via kontaktsidan.
Källor och ansvar
Ordlistan är redaktionellt framtagen av Christopher Leijon för AI på svenska för att förklara AI-begrepp på begriplig svenska. Den är ett pedagogiskt stöd och ersätter inte teknisk, juridisk eller verksamhetsspecifik rådgivning.
Begrepp inom AI förändras snabbt. Kontrollera alltid hur termen används i det aktuella verktyget, regelverket eller avtalet innan du bygger beslut på en definition.
- EU-kommissionen: AI Act och aktuell tillämpningstidslinje (öppnas i ny flik)
- IMY: GDPR vid användning av generativ AI (öppnas i ny flik) (pdf)
- Model Context Protocol: officiell arkitekturbeskrivning (öppnas i ny flik)
- Open Source Initiative: Open Source AI Definition 1.0 (öppnas i ny flik)
- NIST: Prompt injection (öppnas i ny flik)
- Wei med flera: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (öppnas i ny flik)
- Vaswani med flera: Attention Is All You Need (öppnas i ny flik)
Fortsätt från begrepp till bättre promptar
När termerna sitter är nästa naturliga steg att omsätta dem i tydliga instruktioner, exempel och kontrollfrågor.