Hur djupt kan man trilla ner i ett kaninhål?

Jag skulle skriva om uppstarten av Brave Security och ett bolag byggt med stöd av AI. Det blev inte så mycket med det. För i stället trillade jag ner i ett kaninhål — med flera våningar.

Jag kan med säkerhet säga att jag inte utvecklat min egen kompetens så här mycket sedan datavetenskapsstudierna och de första programmeringsuppdragen därefter. Och det var precis lika roligt som det låter.

Våning 1 — styrning först

Min ambition har hela tiden varit att bygga ett bolag som drar nytta av AI på ett effektivt och säkert sätt.

Jag satte tidigt upp mål för hur styrningen skulle byggas och följas upp. Funktioner som marknad och utveckling fick varsitt ramverk. Det funkade bra — och det var första våningen i kaninhålet.

Ordning först, sedan byggande. Den ordningen har jag burit med mig genom allt som kom sedan.

Våning 2 — byggandet

Sedan började jag bygga egna funktioner, applikationer och agenter. Jag föll handlöst vidare.

Det som fick mig att utforska ännu mer var att jag köpte en egen AI-station. Plötsligt kunde jag bygga allt jag ville lokalt — utan koppling till molnbaserad AI. Inget behövde lämna min egen maskin.

Och där har jag varit sedan dess. I ett slags “inget är omöjligt”-land, galet kreativt, där mina idéer förverkligas i rasande takt.

Våning 3 — Einstein-modet

I detta kom jag in i ett läge som jag kallar Einstein-modet, efter ett citat som ofta tillskrivs Einstein: “The more I learn, the more I realize how much I don’t know.”

Nya lokala modeller varje vecka. Nya idéer från andra som inspirerar. Och en känsla av att det är omöjligt att hänga med.

Definitivt FOMO. Men fantastiskt roligt. Jag tror inte jag har spenderat så mycket tid på jobbet förut — utan att det känns tråkigt en enda gång.

Vändpunkten — från konsument till orkestratör

Ganska snabbt landade jag i att jag behövde bygga en riktig produktionsmiljö med agenter som kan jobba parallellt med det jag specificerar, medan jag gör annat.

Det blev en vändpunkt. Det är det som fått mig ut på andra sidan av kaninhålet — med ett annat perspektiv.

Nu kan jag lägga ut uppgifter och få bra resultat tillbaka. Jag kan utnyttja nätter och helger för att fortsätta utveckla mina funktioner och verktyg.

Vad jag hunnit med

Om du undrar vad jag faktiskt gjort under den här tiden kommer några exempel nedan:

• Skapat en omvärldsbevakning som föder mig med relevanta nyheter och sårbarheter, visar trender och identifierar benchmarks. Varje morgon får jag nu en rapport om det senaste inom AI — och en för det senaste inom säkerhet. Kan också följa statistik över tid.
• Byggt ett verktyg för mognadsanalys. Det här blev ett riktigt stort projekt, och jag återkommer till det i ett senare inlägg. En liten cliffhanger: det är redan i skarp användning.
• Byggt en egen minnesfunktion för min AI-användning. Allt sparas lokalt — de agenter jag pekar på får tillgång, i stället för att allt ligger i en cloud-AI.
• Byggt ett agentramverk som genom en spec genomför uppgiften från start till slut. Första gången jag använde en agentsvärm. Kalla mig nördig, men det var fantastiskt kul att realisera. Jag landade dock i att jag inte ska bygga detta själv — jag använder numera etablerade agentramverk i stället.
• Skapat lokala agenter för de viktigaste rollerna. En IT- och ops-agent håller systemen uppdaterade, upptäcker sårbarheter och fixar backup. Andra exempel är marknadsagenten och researchagenten. Här finns hur mycket som helst kvar att göra — jag har redan ett gäng nya agenter som håller på att tränas upp.
• AI-stationen blev till slut ett lokalt kluster på kontoret. Det gör att jag kan köra stora modeller lokalt, experimentera fritt och behålla data och kontext i min egen miljö — utan beroende av molntjänster.
• Testat otaliga modeller och agent- och kodningsramverk, mixtrat och pulat för att få saker att fungera. Med hjälp av AI, så klart.
• Byggt en struktur för utvecklingsagenter så att de kan plocka olika mål som jag godkänt och jobba med dem under natten — så att jag kan verifiera nya funktioner och UI dagen efter.

Lärdomar så långt

AI som grundpelare kräver att du kliver in helhjärtat. Det är fantastiskt roligt och effektivt, men det är ingen garanterad framgång. Du måste utmana dig själv. Om du inte har provat vad i ditt jobb som kan bli bättre med stöd av AI — testa idag. Annars är risken stor att du hamnar efter.

Glöm vilken modell som är senast. Det är inte det viktigaste. Det viktigaste är att du bygger ett ramverk, eller en kontext, runt dina agenter så att modellen är utbytbar. Det kommer nya varje vecka — och jag vill inte vara fast i ett enda företags kontext.

AI är en demokratifråga. Det är dags att sluta vara beroende av ett fåtal gigantiska företag. Det betyder inte att du aldrig ska använda dem — gör det om det är mest effektivt. Men i grunden handlar det om dina egna idéer, din data och din infrastruktur. Open source är vägen framåt.

Multitasking har fått en ny innebörd. Det där med att man inte kan multitaska har förändrats. Jag sitter oftast med två till tre arbeten igång samtidigt under en dag, eftersom mycket av utvecklingsarbetet görs av agenter som jag orkestrerar. Själv kan jag fokusera på konsultuppdrag inom säkerhet och AI — vilket är fantastiskt kul i dessa tider.

En sista tanke

Det här är inte en framgångslista. Det är en berättelse om vad som händer när du vågar kliva in i något helhjärtat — och bygger ordning först, så att kreativiteten får en grund att stå på.

För mig var vändpunkten att gå från att konsumera AI till att orkestrera den. Och där, på andra sidan kaninhålet, är perspektivet ett annat: modellen spelar mindre roll, kontexten allt större, och din egen infrastruktur är det enda som verkligen är ditt.

Hur långt ner i AI-kaninhålet har du själv kommit?