Ai modeller: slik bruker du flere sammen (fire metoder som fungerer)

Hvorfor én modell ikke er nok

Det vanlige argumentet for å bruke flere AI-modeller er at hver av dem er best på noe, så du bør velge den beste per oppgave. Sant, men det er den minst interessante grunnen.

Den bedre grunnen er at en modell ikke kan se sine egne blindsoner. Be en modell sjekke sitt eget arbeid, og den vil stort sett bekrefte det, fordi de samme vektene som produserte feilen, også produserte selvtilliten. Be en annen modell, trent annerledes på andre data med andre svakheter, og den vil oppdage ting den første ikke kunne. Dette er ikke et triks, det er samme grunn til at du ber en kollega lese e-posten din før du sender den til kunden.

Den andre grunnen er praktisk: hvem som leder pakken endrer seg hele tiden. Den som er best på koding dette kvartalet, er kanskje ikke det neste. En arbeidsflyt bygget på én leverandør må bygges om hver gang rangeringen endrer seg. En arbeidsflyt bygget på tanken om at du bytter modeller, har ikke det problemet.

Det som følger er fire metoder, i rekkefølge etter hvor mye verdi de gir sett opp mot innsatsen. Ingen av dem er en agent i streng forstand, der modellen velger sitt eget neste steg. Hva er en AI-agent trekker den grensen. Du trenger ikke alle fire. De fleste får nesten alt ut av de to første.

Metode 1: lag utkast, kritiser deretter med en annen modell

Metoden med høyest verdi, og den nesten ingen bruker. Skriv med én modell, gjennomgå med en annen.

Den fungerer fordi det å generere og evaluere er to forskjellige jobber. En modell som produserer tekst optimerer for en sammenhengende fortsettelse. En modell som vurderer tekst den ikke selv har skrevet, har ingen interesse i argumentet, så den vil si at tredje avsnitt ikke henger sammen i stedet for å pynte på det.

Prompten betyr enormt mye her. Å spørre "hva synes du om dette" gir deg komplimenter. Be om dette i stedet:

Du har ikke skrevet teksten under, og du har ingen egeninteresse i den. Vurder den som en skeptisk redaktør. List opp, i rekkefølge: 1) enhver faktapåstand som er feil, ubegrunnet eller for sterk, 2) ethvert punkt der argumentet faktisk ikke henger sammen, 3) det aller svakeste avsnittet og nøyaktig hvorfor. Ikke skriv om noe. Ikke fortell meg hva som er bra.

De tre instruksjonene på slutten gjør det virkelige arbeidet. "Ikke skriv om" hindrer at den lager en versjon i sin egen stemme, som ikke er det du ba om. "Ikke fortell meg hva som er bra" fjerner den reflekssnakket som fyller ut det meste av AI-tilbakemelding. "Du har ikke skrevet dette" er en overraskende effektiv innramming, fordi den hindrer modellen i å forsvare valg den tror er sine egne.

Ta deretter kritikken tilbake til den første modellen, sammen med det du er enig i. Du er redaktøren som avgjør hvilke notater som godtas, som er akkurat riktig arbeidsdeling.

Der dette er verdt de ekstra to minuttene: alt som skal til en kunde, alt som er offentlig, alt der det er dyrt å ta feil. Der det ikke er det: en slack-melding, en førsteutkast-disposisjon, en handleliste.

Metode 2: uenighetssjekken

Dette er det nærmeste du kommer en pålitelig hallusinasjonsdetektor uten å manuelt verifisere alt.

Still samme faktaspørsmål til to forskjellige modeller, uavhengig av hverandre, med samme prompt. Sammenlign så. Der de er enige, er du sannsynligvis trygg. Der de er uenige, har du funnet nøyaktig stedet som må sjekkes.

Det er hele teknikken, og den er kraftfull fordi hallusinasjoner som regel ikke er delte. Når en modell finner opp en statistikk, et rettssaksnavn, en funksjonssignatur eller en dato, finner en annen modell trent annerledes sjelden opp den samme. Enighet er svakt bevis for korrekthet. Uenighet er sterkt bevis på at noe er galt, og den peker rett på det.

For alt med flere påstander, la sammenligningen gjøre jobben for deg:

Under er to svar på samme spørsmål, merket A og B. Se bort fra stil og lengde. List opp hvert substansielle punkt der de er uenige, inkludert forskjeller i tall, datoer, navn og hvor sterkt noe hevdes. For hver uenighet, si hvilket som mest sannsynlig er riktig, og hvilken enkelt kilde som ville avgjort det.

Du ender opp med en kort liste over ting å sjekke i stedet for et langt dokument å faktasjekke, og listen har som regel rett om hvor problemene ligger.

To advarsler. For det første kan modeller dele samme feil hvis den er vanlig på internett, så dette fanger oppdiktning heller enn utbredt feilinformasjon. For det andre, ikke hopp over verifisering fordi to modeller var enige. Dette snevrer inn hva du sjekker, det fjerner ikke behovet for å sjekke.

Bruk det på: statistikk, juridiske og medisinske påstander, historiske fakta, API-detaljer, alt du blir sitert på. Hopp over det på: meninger, kreativt arbeid og alt der omtrent riktig er godt nok.

Metode 3: rut etter oppgave

Den opplagte metoden, verdt å gjøre skikkelig. Send hver type arbeid til modellen som er best på det, i stedet for å sende alt til den du tilfeldigvis har åpen.

Oppgave	Velg	Fordi
Førsteutkast av alt skriftlig	Den sterkeste skrivemodellen	Du kjøper ned redigeringstid
Gjennomgang av det utkastet	En annen modell	Nye øyne, andre svakheter
Noe som handler om denne uken	En modell med live søk	Treningsdataene er alltid bak
Et svært langt dokument eller kodebase	En modell med stort kontekstvindu	Det må få plass før det kan forstås
Vanskelig logikk, matematikk eller en vrien feil	En resonneringsmodell med utvidet tenking	Tregere og mye mer nøyaktig på oppgaver med mange steg
Repetitivt arbeid med høyt volum	En billig, rask modell	Toppkvalitet er bortkastet på klassifisering og tagging
Alt sensitivt	Hva enn som følger dine dataregler	Kapasitet overstyrer ikke dine forpliktelser

Den ene vanen som er verdt å bygge: slutt å bruke standardvalget. De fleste bruker modellen abonnementet ga dem til alt, inkludert oppgaver den er dårlig på, og konkluderer med at AI er dårlig på slikt. Ti sekunders tanke om hvilken modell som passer, endrer resultatet mer enn en time med prompt-finpuss.

For den fullstendige versjonen av denne avgjørelsen, se hvordan velge en AI-modell, og hva er et kontekstvindu for hvorfor raden for lange dokumenter finnes. Gapet den raden dekker er stort: Claude Sonnet 5 og Gemini 3.1 Pro tar 1M-token kontekster mens DeepSeek V3.2 stopper på 164K, ifølge Whizis modellkostnadsindeks med priser og kontekststørrelser hentet 2026-08-20.

Metode 4: stafett med skriftlig overlevering

For arbeid som strekker seg over flere trinn, er feilpunktet gapet mellom trinnene. Du forklarer prosjektet til én modell, kommer et stykke, og bytter så til en annen modell og enten limer inn en vegg av historikk eller forklarer alt på nytt, dårlig.

Fiks det ved å be om en overlevering eksplisitt før du bytter:

Skriv et overleveringsnotat for en annen assistent som ikke har sett denne samtalen. Inkluder: hva vi prøver å produsere, allerede tatte beslutninger og hvorfor, begrensninger og ting å unngå, hva som er prøvd og forkastet, og nøyaktig hva jeg trenger neste. Vær spesifikk nok til at den kan fortsette uten å stille meg noen spørsmål.

Dette er nyttig selv når du ikke bytter modeller. Det er den reneste måten å slippe unna en lang samtale som har blitt treg og vag, fordi du beholder substansen og kvitter deg med den opphopede støyen. Lim notatet inn i en ny samtale, og kvaliteten hopper som regel opp umiddelbart.

En realistisk stafett ser slik ut. Gi en 200 siders rapport til en modell med stort kontekstvindu, og be om et strukturert sammendrag med de ti passasjene som betyr noe, sitert. Ta de inn i en sterk skrivemodell og produser kundenotatet. Kjør kritikkrunden fra metode én med en tredje modell. Total tid, rundt femten minutter, og hvert trinn brukte et verktøy tilpasset det.

Når du ikke bør bry deg

Arbeidsflyter med flere modeller har overhead, og å late som noe annet er slik folk ender opp med en omstendelig prosess for å skrive en to linjers e-post.

Bruk én modell når: oppgaven er liten, kostnaden ved å ta feil er lav, du utforsker heller enn å produsere, du itererer raskt og friksjonen ville ødelagt flyten din, eller arbeidet er genuint kreativt og en andre mening bare gjør stemmen din uklar.

Bruk to eller flere når: resultatet skal til noen andre, faktanøyaktighet betyr noe, oppgaven har tydelige trinn som krever ulike styrker, du sitter fast og trenger en genuint annen vinkling, eller du er i ferd med å ta en avgjørelse basert på det modellen fortalte deg.

En fornuftig tommelfingerregel: hvis du ville bedt en kollega se på det, spør en andre modell. Hvis ikke, ikke gjør det.

Å gjøre det praktisk

Alt dette er greit i prinsippet og irriterende i praksis hvis hver modell ligger bak et eget abonnement. Friksjonen er reell: separate faner, separate historikker, kopiering av kontekst mellom dem, tapt formatering, og den lille motstanden som gjør at du dropper kritikkrunden den dagen du trenger den mest.

Den friksjonen er nøyaktig grunnen til at metodene over brukes for lite. Hver tar rundt to minutter, det er fanejongleringen rundt dem som knekker vanen på en travel dag.

Det er dette et arbeidsområde med flere modeller er til for. I Whizi ligger modellene i én samtale, så en kritikkrunde er å bytte modell og spørre, ikke å åpne et annet produkt og lime inn utkastet ditt. Én historikk, ett søk på tvers av alt du noensinne har spurt om, én regning. Se å bytte modell midt i en samtale og å sammenligne modeller side om side for hvordan de to trinnene faktisk fungerer.

Hvis du heller vil sette det sammen selv fra separate abonnementer, fungerer disse metodene fortsatt, og du bør fortsatt bruke dem. Det eneste som endrer seg, er hvor ofte du orker. Regn kostnaden ærlig, likevel: ChatGPT Plus og Claude Pro lister begge til $20 i måneden fra august 2026, så et oppsett med to modeller koster $40 før du legger til en tredje leverandør. Hvis du allerede betaler for to eller tre planer for å få dette til, kjør spareberegneren først, for det er som regel den dyrere måten å få samme resultat.

Start med metode én. Ta det neste du skriver som noen andre skal lese, kjør kritikkprompten gjennom en annen modell, og se hva den finner. Den enkelte vanen er verdt mer enn resten av denne artikkelen.