AI-literacy för arbete
För medarbetare och ledare som behöver använda AI säkert, bedöma resultat och förstå när mänsklig kontroll krävs.
AI-kompetens är mer än prompting. Rätt utbildning ska hjälpa dig att förstå systemet, lösa verkliga uppgifter, granska resultat, hantera risk och visa vad du kan med dokumenterade arbetsprov.
8
kurser i katalogen
4
representerade plattformar
3
nivåer i nuvarande data
Kompetensmodell
Det här är Framtiden AI:s praktiska syntes för kursval. Alla roller behöver inte nå samma djup, men en utbildning bör vara tydlig med vilka lager den faktiskt tränar.
Förklara vad modellen gör, vilken data som går in och varför svaret kan vara fel trots ett övertygande språk.
Välj rätt verktyg, formulera uppgiften, hantera kontext och skapa ett reproducerbart arbetsflöde.
Verifiera fakta, jämför alternativ, mäta kvalitet och upptäck när modellen saknar tillräckligt underlag.
Hantera personuppgifter, konfidentiell information, upphovsrätt, behörigheter och mänskliga godkännanden.
Koppla modeller till data och verktyg med testbara gränser, loggning, återställning och kostnadskontroll.
Dokumentera ansvar, följ upp incidenter, testa förändringar och uppdatera kompetensen när systemet ändras.
Lärvägar
Länkarna är grupperade efter avsikt: först en relevant kurs, sedan närliggande kunskapsytor där du kan jämföra modeller, system och bevis.
För medarbetare och ledare som behöver använda AI säkert, bedöma resultat och förstå när mänsklig kontroll krävs.
För produktägare, automationsspecialister och utvecklare som ska koppla modeller till data, verktyg och kontrollerade processer.
För den som behöver förstå arkitektur, träning, evals och forskningsbevis snarare än endast använda en färdig produkt.
Kvalitetskontroll
Popularitet, kurslängd och ett välkänt varumärke säger lite om överförbar kompetens. Granska i stället vad utbildningen tränar och hur utfallet bevisas.
Kursen ska beskriva vad deltagaren kan göra efteråt, inte bara vilka ämnen som visas.
Övningar bör likna verkligt arbete och innehålla ofullständig information, fel och avvägningar.
Det ska gå att jämföra resultat före och efter kursen med en rubric, testmängd eller tydlig kvalitetsstandard.
Bra utbildning behandlar felkällor, integritet, säkerhet och när AI inte bör användas.
Gränssnitt åldras snabbt. Kursen bör skilja stabil metodik från funktioner i en viss produktversion.
Deltagaren bör lämna kursen med ett projekt, en eval, en processbeskrivning eller annat granskningsbart arbetsprov.
Låt deltagaren lösa en tidigare osedd arbetsuppgift, dokumentera metod och källor, redovisa fel och osäkerhet samt jämföra resultatet med en fördefinierad kvalitetsnivå. Det testar både användning, granskning och förmågan att överföra kunskapen till en ny kontext.
EU AI Act artikel 4 har gällt sedan den 2 februari 2025. Den kräver inte en viss certifiering eller samma utbildning för alla, utan åtgärder som ger tillräcklig AI-kunnighet utifrån personernas kunskap, erfarenhet, användningskontext och vilka som påverkas av systemen. Reglerna för nationell tillsyn och verkställighet börjar tillämpas i augusti 2026.
En rimlig intern modell är därför rollbaserad: grundnivå för alla användare, fördjupad utbildning för produktägare och kontrollfunktioner samt teknisk träning för personer som bygger, integrerar eller övervakar systemen. Dokumentera målgrupp, innehåll, genomförande, praktiska tester och när materialet senast uppdaterades. Detta är generell information, inte juridisk rådgivning.
Bevis
En kurs blir värdefull när kunskapen kan demonstreras, granskas och återanvändas i nästa projekt.
Spara ett försök på en representativ uppgift innan utbildningen börjar.
Leverera en verklig output, ett system eller en eval med tydliga kriterier.
Beskriv vad som gick fel, varför och vilken kontroll som hade fångat problemet.
Lös en ny uppgift utan steg-för-steg-stöd och jämför med baslinjen.
Katalog
Korten visar lagrad kursdata och är inte en universell kvalitetsrankning. Öppna en kurs för kursinnehåll, nivå, verifierade personkopplingar, artiklar och andra relationer som faktiskt finns i kunskapsgrafen.
Lär dig skriva effektiva prompts till språkmodeller som ChatGPT och Claude. Praktiska tekniker för tydliga instruktioner, kontext och iterativ förbättring.
En praktisk kurs i att bygga autonoma agenter med verktygsanvändning, minne och planering. Från enkla flöden till agenter som löser flerstegsuppgifter.
Använd ChatGPT i vardagen för att skriva snabbare, sammanfatta möten, planera och automatisera återkommande uppgifter — utan teknisk bakgrund.
av Andrej Karpathy
En strategisk introduktion för beslutsfattare: var AI skapar värde, hur du väljer verktyg och hur du inför AI ansvarsfullt i organisationen.
Skapa proffsiga bilder med Midjourney, FLUX och Stable Diffusion. Lär dig prompting, stilar, komposition och redigering för bästa resultat.
Bygg system som hämtar kunskap ur dina egna dokument med retrieval-augmented generation, embeddings och vektordatabaser.
av Yoshua Bengio
Primärkällor
Källorna används som orientering för kompetens, risk och organisationsansvar. Framtiden AI:s sex lager och kurskriterier är en egen praktisk syntes.
Artikel 4, kontextanpassning och tidslinje för tillsyn.
EU:s ramverk med AI-kompetens integrerad i samtliga 21 digitala kompetenser.
Människocentrering, etik, teknik och systemdesign på tre progressionsnivåer.
Riskhantering genom hela AI-systemets livscykel.
Frågor
Snabba svar för kursval, certifikat, aktualitet och AI-literacy.
Börja med en kurs som kombinerar grundläggande modellförståelse, praktiska arbetsuppgifter, källkritik, dataskydd och kontroll av resultat. En ren promptkurs är för smal som enda introduktion.
Ett certifikat visar normalt att en kurs har genomförts, inte att kunskapen kan överföras till verkliga arbetsuppgifter. Starkare bevis är dokumenterade projekt, före- och eftertester, felanalys och resultat på representativa uppgifter.
Artikel 4 kräver att leverantörer och användarorganisationer vidtar åtgärder för en tillräcklig nivå av AI-kunnighet hos personer som använder eller arbetar med AI-system för deras räkning. Nivån ska anpassas efter kunskap, erfarenhet, användningskontext och berörda personer.
Kontrollera när kursens centrala moduler senast verifierades, vilka modell- och produktversioner som används, om materialet skiljer stabila principer från tillfälliga gränssnitt och om ändringslogg eller källor finns.
Nej. De flesta behöver förstå möjligheter, begränsningar, risker och hur resultat granskas. Teknisk modellträning, RAG och agentutveckling är separata specialistspår för personer som ska bygga eller förvalta system.
Navigera vidare