Kamma dig! – Henrik Yllemo

— Från I-formad expert till AI-förstärkt kamformad kunskapsarbetare

Den största risken med AI är inte att den ersätter dig – det är att du tror kompetens fortfarande handlar om vad du kan, istället för vad du kan orkestrera.

I → T → π → ∏∏∏: Kompetensevolutionen i AI-eran. Kammen lyser inte av magi – den lyser av medveten augmentering.

“Kamma dig, Henrik.”

Det är vad jag säger till mig själv varje morgon. Inte för att min frisyr behöver fixas, utan för att min kompetens behöver vård. Precis som en tandborste håller tänderna friska, håller AI-augmentering min kunskapsprofil vass och relevant.

Vi står mitt i en transformation där spelreglerna för kompetens skrivs om. Det som en gång krävde decennier av expertis kan idag förstärkas, accelereras och demokratiseras. Resan från I-formad specialist till kamformad kunskapsarbetare är inte längre ett val – det är en överlevnadsstrategi.

I-formen: Den djupa gropen

Tänk dig en gruvarbetare som gräver djupare och djupare. Varje meter ner representerar år av specialisering. Det är I-formen – en smal men otroligt djup kompetens inom ett enda område.

    │
    │  ← Smal men djup
    │
    ▼

I-formade experter är ovärderliga. De är kirurgerna, kvantfysikerna, specialistjuristerna. Men i en värld som kräver tvärfunktionellt samarbete och snabb anpassning blir denna form också sårbar. Vad händer när gropen blir så djup att du inte längre ser horisonten?

T-formen: Horisonten vidgas

Någon gång i början av 2000-talet insåg organisationer att de behövde något mer. T-formen blev mantrat: behåll djupet, men skaffa bredd.

─────────────  ← Bredd över discipliner
      │
      │        ← Behållen djup
      ▼

En T-formad utvecklare kan inte bara koda – hen förstår användarbehov, kan kommunicera med verksamheten, kanske till och med greppa grunderna i design. “Good enough” över ett bredare fält.

Det fungerade. Det fungerar fortfarande. Men det räckte inte.

π-formen: När ett T inte räcker

När digitalisering accelererade och komplexa problem krävde multipla perspektiv, föddes π-formen (pi, dubbel-T). Här kombinerar du djup expertis inom flera områden med förmågan att bygga broar mellan dem.

─────   ─────  ← Multipla bredder
  │       │
  │       │    ← Dubbla djup
  ▼       ▼

Tänk: teknik + affärsutveckling. Design + data. Juridik + teknologi.

Det här blev guldstandarden. De mest efterfrågade människorna på arbetsmarknaden var de som kunde stå med en fot i varje läger och översätta mellan världar.

Men även det har nått sin gräns. För hur många domäner kan en människa verkligen bli expert på under ett yrkesliv?

Kamformen i praktiken: Varje tagg = Din mänskliga intelligens × AI-toolkit × Kvalitetskompass = Expertnivå

Kamformen: AI-demokratiseringen

Nu kommer skiftet.

Kamformen (comb-shaped) handlar inte om att bli expert i fler T-former. Den handlar om att använda AI som en förlängning av din förmåga. Varje “tagg” på kammen representerar ett område där du kan arbeta kompetent genom AI-augmentering.

Jag behöver inte längre spendera fem år på att bli datascientist. Med rätt AI-verktyg och min förståelse för affärsproblemet kan jag bygga, testa och iterera på lösningar som för tio år sedan krävt ett helt team.

Det är inte fusk. Det är evolution.

Men här kommer den kritiska insikten: För att augmentera din intelligens med AI måste du först veta hur “bra” ser ut.

Hur ser bra ut? – Grunden för AI-augmentering

Här är paradoxen som många missar:

AI kan göra dig kompetent i nya områden – men bara om du kan känna igen kvalitet när du ser den.

Tänk på det som en arkitekt som använder AI för att generera ritningar. Om arkitekten inte förstår grundläggande principer för lastbärande strukturer, ventilation eller rumslig harmoni, hur ska hen då veta om AI:ns förslag är lysande eller katastrofala?

Detta är inte ett argument mot AI-augmentering. Det är ett argument för medveten augmentering.

Varför “hur bra ser ut” är din superkraft

När du bygger en ny tagg på din kam behöver du inte år av utbildning – men du behöver förstå vad som skiljer bra från medelmåttigt.

Din kvalitetskompass låter dig:

Känna igen när AI:s output är användbar vs när den behöver justeras
Veta vilka frågor du ska ställa för att komma närmare kvalitet
Förstå kontexten tillräckligt för att fatta rätt beslut

Det är kombinationen som är magisk: Din domänkunskap + din kvalitetskompass + AI:s generativa kraft = Expertnivå på den taggen.

Ditt personliga AI-toolkit – från verktyg till orkester

Här är nästa dimension: Det räcker inte med ett AI-verktyg. Du behöver bygga ett personligt AI-toolkit – en samling agenter som din mänskliga intelligens orkestrerar.

Tänk på det som att bygga ett team. Men istället för att anställa människor, kurerar du AI-agenter med olika styrkor:

Komponenter i ett kraftfullt AI-toolkit:

┌─────────────────────────────────────────┐
│   DIN MÄNSKLIGA INTELLIGENS             │
│   (Dirigenten som orkestrerar)          │
└─────────────────────────────────────────┘
            │
    ┌───────┴───────┐
    │               │
┌───▼───┐       ┌───▼───┐
│ AI 1  │       │ AI 2  │
│Research│      │ Code  │
└───┬───┘       └───┬───┘
    │               │
┌───▼───┐       ┌───▼───┐
│ AI 3  │       │ AI 4  │
│ Write │       │Analyze│
└───────┘       └───────┘

1. Generativa motorer (Claude, ChatGPT, Gemini)

För brainstorming, strukturering, snabb prototyping
Varje har sin styrka – lär dig när du ska använda vilken

2. Specialiserade agenter

Kodassistenter (Cursor, GitHub Copilot)
Forskningsagenter (Perplexity, research-fokuserade GPT:er)
Dataanalysverktyg (Claude med analysis, specialiserade notebooks)

3. Workflow-automatiseringar

N8N för ai-agentiskt arbetsflöde som kopplar samman ditt ekosystem
Anpassade GPT:er för repetitiva processer
API-integrationer som låter AI-agenter samarbeta autonomt

4. Kunskapslagring

AI-drivna minnesbanker (Notion AI, Wikis, Obsidian + plugins)
Personliga RAG-system (Retrieval-Augmented Generation)
Versionskontroll för dina AI-prompter och arbetsflöden

5. Din digitala hjärna – MCP och kunskapsbanker

Model Context Protocol (MCP) för att koppla AI till dina wikis
Markdown-baserade kunskapsbanker som “paketerad” expertis
Direktaccess till dina lärdomar i varje AI-konversation

Detta är där det blir riktigt kraftfullt. Mer om det strax…

Från verktyg till samarbetspartners

Det kraftfulla är inte verktygen i sig – det är hur du orkestrerar dem.

Ta mitt arbete med AIWiki.se som exempel:

📊 PROJEKT: AIWiki.se artikel om "Prompt Engineering"
1. Research-agent (Perplexity)
   └→ Hittar 20+ relevanta källor
   
2. Structure-agent (Claude)  
   └→ Organiserar i pedagogisk ordning
   
3. Draft-agent (GPT-4)
   └→ Skriver första utkast
   
4. Code-agent (Cursor)
   └→ Bygger interaktiva exempel
   
5. Review-agent (Claude)
   └→ Kvalitetsgranskar innehåll
   
6. 🧠 MIN INTELLIGENS
   └→ Fattar beslut, känner igen "bra",
      väljer vad som ska publiceras

Varje agent är specialiserad. Tillsammans når vi expertnivå på varje tagg – inte för att jag är expert överallt, utan för att jag vet hur bra ser ut och kan leda orkestern.

Din digitala hjärna – MCP och kunskapspakettering

Men här är den verkliga superkraften: att paketera din kunskap så att AI kan augmentera dig med den direkt.

Genom att bygga markdown-baserade kunskapsbanker och wikis – och koppla dem till AI via Model Context Protocol (MCP) – skapar du en digital hjärna som:

Externaliserar din expertis på ett strukturerat sätt
Gör dina lärdomar tillgängliga för AI-augmentering i realtid
Förstärker varje tagg på din kam med din paketerade kunskap

Traditionellt:

Jag → Fråga → AI → Svar (baserat på träningsdata)

Med MCP + Kunskapsbank:

Jag → Fråga → AI + Min Paketerade Expertis → 
Svar (baserat på träningsdata + mina lärdomar + min kontext)

Det är skillnaden mellan att ha en assistent och att ha en assistent som känner till ALLA dina tidigare projekt, principer och lärdomar – och kan applicera dem direkt i nya situationer.

Detta är kamformens dolda vapen: Varje tagg förstärks inte bara av AI – utan av AI som augmenteras med din egen paketerade kunskap inom det området.

Utveckla din kvalitetskompass

För att augmentera effektivt måste du förstå kvalitet inom varje område du arbetar med. Det är skillnaden mellan att använda AI som genväg och att använda AI som professionell förstärkning.

Din kvalitetskompass består av:

Förmågan att känna igen “bra” vs “excellent”
Mentala checklistor för vad som fungerar i olika kontexter
Kalibrering genom att studera exempel och få feedback från experter

Detta är inte något som händer automatiskt – det kräver medvetet arbete och kontinuerlig utveckling. Men det är grunden för att varje tagg på din kam ska nå verklig expertnivå.

Men här kommer den kritiska insikten: För att augmentera din intelligens med AI måste du först veta hur “bra” ser ut.

AI fungerar som tandborsten för din hjärna. Du använder den dagligen för att hålla dig fräsch, relevant och bred. Varje dag kammar du dig – lägger till nya taggar, fördjupar andra, anpassar formen efter vad arbetet kräver.

Min egen resa: Från I till kam

Jag började som I. Djup i ett tekniskt spår, men ganska blind för allt annat.

Blev T när jag insåg att arkitektur kräver affärsförståelse, inte bara teknisk skicklighet.

Utvecklades till π när jag började kombinera teknisk arkitektur med strategi och ledarskap.

Och nu? Nu är jag kamformad.

Jag använder AI för att:

Utforska nya områden snabbt (från idé till prototyp på timmar)
Bygga kunskap där jag tidigare var tunn
Dela insikter mer demokratiskt (genom AIWiki, ALMBoK, bloggar, wikis, automatiserade verktyg, osv.)
Testa hypoteser utan att behöva ett helt team

Varje morgon när jag öppnar Claude, ChatGPT eller något annat verktyg tänker jag samma sak:

👉 “Henrik, kamma dig.”

Varför detta spelar roll – för organisationer

Det här är inte bara en individuell resa. Det är en metafor för vad som händer i hela arbetslivet just nu.

Företag som fastnar i I-formen riskerar att bli irrelevanta. De har experter som inte kan samarbeta, silos som inte pratar med varandra, kunskap som inte flödar.

De som når π-formen är starka – men begränsade. Du kan bara anställa så många dubbel-T-personer, och de kostar mycket.

Men de som anammar kamformen? De bygger organisationer där fler människor kan bidra på fler sätt. Där en junior utvecklare med rätt AI-verktyg kan utforska områden som tidigare var låsta bakom expertiser. Där mångfald i perspektiv blir kraftfullare än mångfald i titlar.

Det är AI-demokratiseringen i praktiken. Inte att ersätta människor – utan att förstärka fler människor att göra mer.

Så hur kammar du dig?

Börja med din kärna – Vad är din djupaste kompetens? Det är din första tagg.
Identifiera angränsande områden – Var skulle bredd göra störst skillnad?
Lär dig hur “bra ser ut” – Bygg din kvalitetskompass genom att studera exempel och förstå grundläggande principer.
Bygg ditt personliga AI-toolkit – Kurera agenter för olika behov och lär dig orkestrera dem effektivt.
Paketera din kunskap – Externalisera din expertis i strukturerade format som AI kan använda för augmentering.
Var nyfiken, inte perfekt – Kamformen handlar om att nå expertnivå genom medveten samverkan, inte om att vara expert överallt.
Dela med dig – Kunskap som inte delas är kunskap som inte växer.

Slutsatsen: Det är inte om, utan när

Nästa gång du känner dig överväldigad av all ny kunskap, alla nya verktyg, alla nya krav – kom ihåg:

Du behöver inte kunna allt själv. Men du behöver kamma dig.

AI är inte hotet. Sårbarheten är att stanna kvar som en ensam I, T eller TT i en värld som kräver kammar.

Så kamma dig. Varje dag. Med nyfikenhet, mod och AI som din följeslagare.

Henrik Yllemo