Självsäkert men fel Confident but wrong
Fråga en AI när Sveriges nya effektavgiftsmodell ska vara klar, och den svarar direkt, specifikt och rätt: den 12 april 2027, transparent, icke-diskriminerande, proportionerlig mot kundstorlek. Fråga samma AI en vecka senare om de gamla effektavgiftsreglerna faktiskt är upphävda, och den kan svara lika självsäkert och ha fel: ett paragrafnummer hittas på, en ändring missas, eller ett datum anges som flyttades åtta månader tidigare. Tonen skiljer sig inte mellan de två svaren, bara träffsäkerheten och sannfärdigheten.
Det gapet är det egentliga argumentet för att lägga kraft på att förstå svaren snarare än att finslipa frågorna. En AI-språkmodell kollar inte upp saker; den förutsäger den mest sannolika fortsättningen på en text utifrån allt den tränats på, vilket betyder att ett felaktigt svar och ett korrekt kan vara lika välformulerade. I ett område som står still är risken hanterbar, för det mesta som stämmer idag stämde också för ett år sedan. Flexibilitetsreglering på elnätssidan står inte still. Ei reviderar hela tiden sina metoder och ställningstaganden om intäktsramar och tariffer, EU:s regelverk för efterfrågeflexibilitet (NC DR) har varit “nästan klart” längre än de flesta karriärer varar. Förkortningsfloran (FCR-D och FCR-N, LFM-h och LFM-p och LFM-e för att nämna några) och begreppsförvirringen är omfattande nog att ett AI-svar diskret kan byta ut det ena mot det andra utan att skillnaden är uppenbar.
Ibland är det ärliga svaret att ingen vet än. En tid såg det ut som att Sverige körde två separata lagar som båda skriver om samma kapitel i ellagen, från samma datum, där den tidigare propositionen inte säger något om den senare lagen: prop. 2025/26:26 ändrar den gamla ellagen på plats, medan elmarknadslagen, som antogs några månader senare, upphäver och ersätter hela lagen. Att läsa den första propositionen noga löser inte frågan; svaret finns i den andra, som för in de tidigare ändringarna i den nya lagen och upphäver dem. Tills någon har läst så långt är det korrekta att flagga frågan som öppen, inte att gissa självsäkert åt något håll, för en gissning skulle läsas precis lika övertygande som det rätta svaret hade gjort.
Slutsatsen är mindre “lita inte på verktyget” och mer “anpassa granskningen efter insatsen”. Ett första utkast till en FAQ-sida eller en snabb översättning mellan svenska och engelska tål ett enstaka självsäkert fel; ett datum som hamnar i en kundanpassad checklista för regelefterlevnad gör det inte. Den användbara vanan är att fråga sig, innan man litar på en specifik uppgift, om det är något modellen rimligen skulle kunna utantill, generell marknadsstruktur till exempel, eller om det beror på ett dokument som ändrades förra månaden. God källkritik och uppmärksam läsning är viktigare än någonsin.
Min erfarenhet är att det som faktiskt går snabbare i det här området är det bökiga grovarbetet: att läsa en fjortonsidig dansk “metodeanmeldelse” och plocka ut den faktiska metodiken, att notera att två danska nätbolagsgrupper kör olika flexibilitetsmodeller värda att jämföra, att ta fram ett första utkast till en förklarande text som någon sedan stramar upp. Det som inte går snabbare är omdömet: att avgöra vilken av två motstridiga källor som väger tyngst, att upptäcka hänvisningen som låter precis rätt men inte är det, och att veta skillnaden mellan ett fastslaget faktum och ett som bara låter fastslaget. Den sista biten måste fortfarande göras av någon som redan kan området tillräckligt väl för att märka när något skaver, vilket är en mindre säljande slutsats än “skriv bättre prompter”, men det är den som håller.
Ask an AI when Sweden’s new “effektavgift” model is due, and it answers instantly, specifically, and correctly: 12 April 2027, transparent, non-discriminatory, proportional to customer size. Ask the same AI a week later whether the old capacity-tariff rules it replaces have actually been repealed, and it may answer just as confidently and be wrong: a paragraph number gets invented, an amendment gets missed, or a deadline gets stated that shifted eight months earlier. Nothing in the tone changes between the two answers. Only the accuracy and the truthfulness do.
That gap is the real argument for spending effort on understanding output rather than perfecting prompts. An AI doesn’t check anything; it predicts the next plausible sequence of words given everything it was trained on, which means a wrong answer and a right one can be equally well-written. In a domain that holds still, that risk is manageable, because most of what’s true today was also true a year ago. Grid flexibility regulation does not hold still. Ei keeps revising its methods and positions on revenue caps and tariffs, and the EU’s Network Code on Demand Response has been “nearly final” for longer than most careers. The acronym soup (FCR-D and FCR-N, LFM-h and LFM-p and LFM-e, to name a few) and the conceptual confusion around it are extensive enough that an AI answer can swap one for the other without the difference being obvious.
Sometimes the honest answer really is that nobody knows yet. For a while, Sweden looked to be running two separate laws that both restructure the same chapter of the electricity act, from the same date, with the earlier proposition saying nothing about the later law: Prop. 2025/26:26 amends the old ellagen in place, while the Elmarknadslag, adopted a few months later, repeals and replaces the whole thing. Reading the first proposition closely doesn’t resolve it; the answer sits in the second one, which carries the earlier amendments into the new law and repeals them. Until someone has read that far, the responsible move is to flag it as open, not to guess confidently in either direction, because a guess would read just as convincingly as the correct answer would have.
What that suggests is less “distrust the tool” and more “match the scrutiny to the stakes.” A first draft of an FAQ page or a rough translation between Swedish and English can absorb the odd confident error; a deadline that ends up in a customer-facing compliance checklist cannot. The useful habit is asking, before trusting a specific fact, whether it’s something the model would plausibly know cold, general market structure, say, versus something that depends on a document amended last month. Good source criticism and attentive reading matter more than ever.
My experience is that what genuinely accelerates in this domain is the fiddly bulk work: reading a fourteen-page Danish “metodeanmeldelse” and pulling out the actual methodology, noticing that two Danish DSO groups are running different flexibility models worth comparing, drafting a first pass at an explainer that a person then tightens. What doesn’t move faster is judgment: deciding which of two conflicting sources is authoritative, spotting the citation that sounds exactly right and isn’t, and knowing the difference between a settled fact and one that only sounds settled. That last part still has to be done by someone who already understands the domain well enough to notice when something’s off, which is a less catchy conclusion than “write better prompts,” but it’s the one that holds up.