Vet AI egentligen vem du är? Nytt verktyg mäter hur djupt du är inbakat i modellernas minne
Nytt verktyg avslöjar om AI-modeller känner till vem du är.
Den nya tidens digitala spegel
Kom ihåg när det kändes viktigt att hamna på första sidan i Google? Den tiden håller på att passera. När allt fler människor vänder sig till chattrobotar – i stället för traditionella sökmotorer – för att få svar på sina frågor, förskjuts hela logiken för vad det innebär att vara synlig på nätet.
Det är precis den insikten som ligger bakom In the Weights, en ny tjänst som enligt TechCrunch skapats av Thomas Dimson och Joey Flynn – båda tidigare anställda på OpenAI, dit de kom via uppköpet av deras designstartup Global Illumination. Namnet är ingen slump: det syftar direkt på de numeriska parametrar som styr hur en AI-modell tränas och genererar sina svar. Med andra ord – vad som faktiskt är inbakat i modellens själva kärna, inte vad den kan leta reda på i realtid.
Så fungerar det
Principen är elegant enkel. Tjänsten ställer frågor till ett tiotal ledande AI-modeller – däribland Grok, Gemini, flera versioner av GPT, Claude och Llama – och ber dem beskriva den sökta personen utan tillgång till externa verktyg som nätbaserad sökning. Varje modell uppmanas att ge upp till tio beskrivningar och ett tillförlitlighetsvärde. Svaren samlas sedan ihop och omvandlas till ett samlat styrkepoäng.
Resultaten är fascinerande. I toppen av rankinglistan troner skådespelaren Macaulay Culkin med hela 988 poäng, tätt följd av operasångaren Luciano Pavarotti. TechCrunch-skribenten som rapporterade om tjänsten landade på 641 poäng – bland de sex procent högst rankade namnen – men noterade snabbt att flera kollegor låg ännu högre. En påminnelse om att digital synlighet aldrig är ett nollsummespel.
Mer än fåfänga – ett strategiskt mätetal
Det vore lätt att avfärda det här som ett roligt leksak för nyfikna. Men jag ser något mycket mer strategiskt på gång här.
Tänk på hur företag och varumärken i dag investerar enorma resurser i sökmotoroptimering. Den industrin har byggts upp under 25 år kring en enda premiss: att vara synlig när någon söker. Men om den frågan i allt högre grad ställs till en chattrobot – som svarar utifrån vad som är inbakat i dess tränade parametrar – då spelar sökmotoroptimering en allt mindre roll. Det är istället vad modellen har lärt sig om dig som avgör.
Detta är inte en avlägsen framtid. Det händer nu. Och In the Weights är det första verktyg jag sett som faktiskt försöker mäta denna nya dimension av synlighet på ett strukturerat sätt.
Tjänsten lyfter dessutom fram misstänkta felaktigheter i modellernas svar – ett ovärderligt inslag. Att veta att en viss modell sprider felaktig information om dig eller ditt varumärke är i sig ett starkt argument för att den här typen av granskning behövs.
En ny marknad tar form
Det är ingen överdrift att säga att vi ser begynnelsen av en helt ny disciplin: AI-synlighetsoptimering. Precis som sökmotoroptimering en gång revolutionerade hur organisationer tänker kring sin digitala närvaro, kommer frågan om hur AI-modeller uppfattar och återger information om ett varumärke att bli en central strategisk fråga.
För journalister, forskare, företagsledare, politiker och offentliga personer är frågan redan högst relevant: Vad vet egentligen AI om mig – och stämmer det? För marknadsförings- och kommunikationsavdelningar runt om i världen är nästa logiska steg att börja mäta detta systematiskt.
Dimson och Flynn har identifierat rätt problem vid rätt tidpunkt. Det är den typen av tajming som brukar ge upphov till riktigt intressanta bolag.
Vår analys
In the Weights är ett litet verktyg med stora implikationer. Det synliggör en strukturell förändring i hur information når människor – och därmed hur synlighet skapas och mäts. När chattrobotar blir primär informationskälla slutar det att räcka att synas i sökmotorer; det avgörande blir vad som är inlärt i modellernas parametrar sedan träningen.
Detta öppnar för en helt ny marknad av tjänster kring det vi kan kalla AI-rykteshantering och parameterviktad synlighet. Inom några år är det troligt att vi ser specialiserade byråer, standardiserade mätmetoder och kanske till och med branschnormer kring hur organisationer bör arbeta för att vara korrekt representerade i AI-modellernas tränade kunskap.
Den stora utmaningen är att träningsdata inte uppdateras i realtid – vilket gör detta till ett trögare, men desto viktigare, spel på lång sikt. Den som förstår det nu har ett betydande försprång.