Kunskapstratten

Jag letade nyligen efter ett beslut vi tog för tre år sedan.

Jag visste vad vi bestämde. Jag visste ungefär varför. Jag visste bara inte var.

PowerPoint från kickoffen — nej. Word-dokumentet med “utkast” i namnet — nej, fel utkast. Teams-ytan som sedan dess bytt namn två gånger — nej. En PDF exporterad från ett system som inte längre finns — nästan, men nej.

Tjugo minuter senare hittade jag det. I ett mejl. Som en bild av en whiteboardtavla.

Det här är inte en historia om dålig dokumentation. Vi dokumenterar bra. Det är en historia om vad som händer när samma kunskap tillåts leva i sju olika format samtidigt, och ingen av dem pratar med varandra.

Så jag byggde en tratt.

Vi har inte ett dokumentationsproblem. Vi har ett översättningsproblem.

Digitaliseringen skulle göra information lättare att hitta.

Det gjorde den också. Vi kan numera hitta information på betydligt fler ställen än tidigare.

Det är kanske inte exakt samma sak.

Under ett par decennier har vi blivit mästare på att bygga behållare. Dokumenthanteringssystem, intranät, Teams-ytor, SharePoint, filservrar, molndiskar — allt utmärkt konstruerat för att förvara en PDF som ingen öppnat sedan 2019, i väntan på den dag den behövs.

Den dagen kom, fast på ett sätt ingen räknade med. Generativ AI dök upp och kunde plötsligt läsa, sammanfatta, jämföra och resonera kring precis allt det där.

Bara ett problem: AI:n bryr sig inte om dina behållare. Den bryr sig om innehållet, och innehållet sitter fastklistrat vid formatet det råkade födas i.

Det är inte ett dokumentationsproblem. Det är ett översättningsproblem.

Och lösningen på ett översättningsproblem är sällan “bygg ett nytt, större system för att hantera de gamla systemen”. Den brukar vara mycket tråkigare än så.

Stoppa in eländet i tratten

Grundidén är nästan provocerande enkel:

text

PDF ─────────┐
Word ────────┤
PowerPoint ──┤
Excel ───────┤
Bilder ──────┤
HTML ────────┤
Ljud ────────┘
              ↓
       KUNSKAPSTRATTEN
              ↓
          Markdown
              ↓
        Kunskapsbank
              ↓
            Skills
              ↓
           Lokal AI

Filer läggs på en landningsbrygga. De konverteras till Markdown och kompletteras med metadata: titel, sammanfattning, taggar. Resultatet hamnar i en vanlig mappstruktur.

Originalen får gärna fortsätta vara PDF, Word eller PowerPoint. Det är inte deras fel att de föddes i fel format.

Men AI:n behöver inte bry sig. Den får Markdown.

Det som faktiskt händer i konverteringen är mindre spännande än ordet “AI-pipeline” antyder. En rubrik blir en rubrik. En tabell blir en tabell. En bild får en textbeskrivning istället för att vara ogenomtränglig binärdata. Ingenting “förstås” i någon djupare mening — strukturen bevaras bara i ett format som inte kräver en licens för att öppnas.

Det är inte magi. Det är packlista, inte översättning med tolkningsföreträde.

Separera kunskapen från formatet den råkade födas i.

En verksamhetsregel är inte egentligen en Word-fil. En arkitekturprincip är inte en PowerPoint. Ett beslut är inte en PDF, och absolut inte en bild av en whiteboard.

Det är kunskap som för tillfället råkar sitta fast.

Markdown är tråkigt. Det är en superkraft.

Jag har skrivit om Markdown tidigare och fortsätter envist återkomma till det, ungefär som folk som just börjat träna och inte kan sluta prata om det.

Inte för att Markdown är spännande. Tvärtom. Det är vanlig text med några #, * och - utspridda på strategiska platser.

Och just därför börjar det bli intressant i en AI-värld.

Det är läsbart för människor. Det är läsbart för maskiner. Det fungerar i Git. Det går att söka med vanliga verktyg. Det flyttas mellan plattformar utan konvertering. Ingen leverantör behöver ge dig tillstånd att öppna din egen fil.

Det är svårt att göra en imponerande säljpresentation av detta.

“Vi har textfiler.”

Konsultbranschen har haft bättre dagar.

Men ur ett arkitekturperspektiv är enkelheten hela poängen. När kunskap ska överleva dagens AI-modell, dagens SaaS-tjänst och dagens strategiska partnerskap behöver den ett format med så låg teknisk gravitation som möjligt — något som inte kollapsar in i sig själv den dag leverantören byter prismodell.

Markdown är inte perfekt. Men det är förvånansvärt svårt att låsa in.

Kunskap är bara halva problemet

Att göra dokument till Markdown löser inte allt. En hög välstrukturerade Markdown-filer är fortfarande en hög med filer, bara i lättare förpackning.

AI:n kan läsa dem. Nästa fråga är: vad ska den göra med dem?

Svaret jag landade i heter Skills: en paketerad, återanvändbar färdighet, i sin enklaste form beskriven i en SKILL.md som talar om vad AI:n ska göra, hur och med vilket förväntat resultat.

Kunskap och färdighet blir därmed två separata saker, ungefär som ett recept och en kock. Receptet vet ingenting om att laga mat. Kocken vet ingenting om just din familjs kakelugnsugn. Tillsammans blir det middag — men du kan byta ut endera halvan utan att den andra går sönder.

Kunskap beskriver vad vi vet. Skills beskriver vad vi kan göra med det vi vet.

Separerade kan samma kunskap användas av många färdigheter, och samma färdighet mot olika kunskapsunderlag. En sammanfattnings-skill fungerar lika bra på dagens rapport som på morgondagens mötesunderlag. En granskningsskill bryr sig inte om vilket projekt som ligger framför den.

Det är en förflyttning från dokumenthantering till något som mer liknar förmågehantering.

Från dokumentarkiv till strukturkapital

Historiskt har vi mest lagrat artefakter: rapporter, presentationer, beslut, processbeskrivningar. Statiska saker som väntar på att en människa ska hitta, öppna och tolka dem.

AI gör det möjligt att lagra något annat: kunskap plus struktur plus metadata plus färdigheter, som tillsammans blir återanvändbart strukturkapital istället för ett arkiv man bläddrar i.

Kunskapen behöver inte längre bara vänta på att bli läst. Den kan bli exekverbar i en process — inte som programkod, men som underlag för en maskin som tolkar instruktioner, kombinerar information och producerar ett nytt resultat.

Vi går från “här ligger dokumentet om hur vi brukar göra” till “här finns kunskapen, och här finns färdigheten som använder den.”

Det senare ligger betydligt närmare en organisatorisk förmåga än ett bibliotek.

Allt kan köras på en vanlig dator, och det är den roliga delen

När man börjar prata om AI Knowledge Architecture fylls arkitekturdiagrammet snabbt med vector databases, embeddings, RAG-pipelines, API gateways, identity providers, agent runtimes och ett rimligt antal färgglada moln.

Det behöver inte vara fel. Det behöver bara inte vara startpunkten.

Kunskapstratten körs helt lokalt. Python driver lösningen. Dokumenten blir lokala Markdown-filer. En lokal modell — Ollama, LM Studio, vLLM, llama.cpp — pratar med resten via ett OpenAI-kompatibelt API. Ingen extern tjänst behöver någonsin se dina dokument.

En dator, Python, Markdown, en lokal språkmodell och några Skills. Det är nästan misstänkt lite enterprise architecture över det hela — jag överväger att lägga till tre integrationslager senare, bara för trovärdighetens skull.

Men poängen håller: lokal AI är inte bara en fråga om integritet eller suveränitet. Det är en arkitekturprincip om rådighet.

Kunskapen ligger som öppna filer på din egen dator. Färdigheterna är text. Modellen kan bytas ut över en helg. Tre saker som annars klistras samman till ett — kunskapen, förmågan och intelligensen — hålls isär. Byt ut vilken som helst utan att de andra två går sönder med den.

Var är RAG:en? Ingenstans, med flit.

Kunskapstratten har ingen RAG. Inga embeddings. Ingen vector database. Inget sökindex som måste matas, synkas och vårdas ömt varje torsdag som en tamagotchi ingen längre minns varför de skaffade.

Användaren väljer istället manuellt vilka dokument som ska ingå i kontexten. Det är medvetet.

RAG är fantastiskt när problemet faktiskt kräver det — miljontals dokument, oförutsägbara frågor, ingen möjlighet att välja ut relevant material för hand. Men vi har på vägen börjat behandla RAG ungefär som persilja på en restaurang under 1980-talet: det hamnar på allt, oavsett om rätten bad om det.

Ibland är svaret på “hur hittar AI:n rätt information” faktiskt bara: fråga användaren, som redan vet.

1. Jag väljer en färdighet.
2. Jag väljer dokumenten.
3. Jag ser exakt vad som ligger i kontexten.
4. AI:n gör jobbet, utan gissningar mellan steg tre och fyra.

Det är inte lika magiskt. Det är en fördel. I en värld där vi allt oftare måste kunna förklara varför AI:n kom fram till något, är en genomskinlig, manuellt vald kontext inte en begränsning. Det är ett revisionsspår du får på köpet.

Modellen är inte huvudpersonen

Vi pratar väldigt mycket om modeller. Vilken är bäst? Hur stort kontextfönster? Vem leder benchmarken den här veckan, i väntan på att nästa släpp gör hela listan irrelevant om tre månader?

Allt relevant. Inget av det bör vara grunden du bygger på.

Den mer intressanta frågan är inte vilken AI ska vi använda för vår kunskap, utan:

Hur strukturerar vi kunskapen så att den funkar oavsett vilken AI vi råkar använda om arton månader?

Det är en arkitekturfråga, inte en modellfråga. Och det ärliga svaret är att Markdown inte räcker hela vägen — semantik, proveniens, governance, behörigheter och kvalitetsmodeller behövs när skalan ökar. Men principen håller ändå:

Gör kunskapen portabel först. Koppla på intelligensen sedan.

Då blir AI-modellen en konsument av din kunskapsarkitektur, inte platsen där kunskapen råkar bo för tillfället. Det är en påtagligt annorlunda relation att ha till sina leverantörer.

Framtidens AI kanske börjar med en mapp

Vi föreställer oss ofta framtidens AI som något enormt — gigantiska modeller, agentplattformar, globala kunskapsgrafer, datacenter som behöver egna kärnkraftverk.

Det kommer säkert också. Men en annan del av framtiden kan vara betydligt mindre spektakulär.

En mapp.

text

kunskapsbank/
├── arkitektur/
├── projekt/
├── metoder/
├── beslut/
└── erfarenheter/

skills/
├── sammanfatta/SKILL.md
├── kvalitetsgranska/SKILL.md
└── skapa-rapport/SKILL.md

Vanliga filer. Vanlig text. Versionshanterbart, flyttbart, begripligt även den dag dagens AI-plattform har bytt namn tre gånger och blivit en del av något som heter “AI Fabric Enterprise Premium Plus”.

Det där beslutet jag letade efter i tre år gamla mejl finns förresten i kunskapsbanken nu. Whiteboardbilden konverterades, fick en rubrik och tre taggar, och ligger sökbar bredvid projektmodellen den hörde ihop med. Nästa gång jag behöver den frågar jag, istället för att gräva.

Det löste inte hela mitt arkivproblem. Men det löste det problemet.

Markdown beskriver vad vi vet. Skills beskriver vad vi kan göra. En lokal AI binder ihop dem.

Resten är egentligen bara en tratt. En ganska liten Python-tratt.

Ibland behöver man inte bygga en större hink. Man behöver bara få ordning på vad som kommer ut i andra änden.

---

Kunskapstratten är ett öppet experiment och finns på GitHub: https://github.com/yllemo/kunskapstratten

#SharingIsCaring