Två AI:ar på samma fråga

Ibland får de arbeta parallellt, men ofta börjar jag med Claude Code eller i Cursor och skickar det sedan vidare för en second opinion. Det första svaret är ofta det mest övertygande, men många gånger inte komplett och kan ha hål i resonemanget.

När jag frågar en enskild AI om ett strategiskt val landar det nästan alltid i ett svar som låter självsäkert och välmotiverat, oavsett om det faktiskt är rätt för min situation. Det är lätt att acceptera det, för det låter ju väldigt bra. Men strategiska val är sällan så enkla att de har ett uppenbart rätt svar.

Nu skickar jag samma fråga till minst två AI:ar parallellt. Ofta ber jag om ett deep research-läge för att komma ner på djupet innan en analys. Sedan får de komma tillbaka med varsin rapport. Det är när jag jämför dem som jag kan känna mig ganska trygg med att jag inte missat något väsentligt.

Vad jag vill uppnå

AI gör det möjligt att fatta ett välgrundat val utan att vara expert på området. Att använda AI som sparringpartner, inte som ensam expert. Det har visat sig vara en bra strategi för att slippa fastna i det första AI-svarets falska tydlighet. Det ska tilläggas att det sällan handlar om fullständiga hallucinationer, snarare om att få perspektiv som bidrar till bättre beslutsunderlag.

Jag är marknadsförare. När jag står inför val som rör Meta-algoritmer, attributionsverktyg eller statistiska tröskelvärden för kampanjbeslut har jag domänkänsla men inte teknisk djupkunskap. Tidigare betydde det att jag behövde be en konsult om hjälp. Två oberoende AI-research-rapporter ger samma effekt, kostar inte tusentals kronor och återkommer samma eftermiddag.

Det är inte att slippa tänka. Det är att tvinga sig själv att tänka på ett annat sätt. När AI:erna är oense gäller det att agera som moderator eller projektledare. Det är sällan två modeller är direkt oense, utan uppskattar hjälpen de får från varandra och erkänner den andres instinkter.

Hur jag tänker

Idén bakom att fråga två är inte att slå dem mot varandra för att se vem som vinner. Det är att kategorisera svaren i tre fack:

Där båda säger samma. Hög konfidens. Implementera direkt, ingen diskussion behövs. Det här är kanske inte lika spännande, men det rensar bort tjugo beslut som inte behöver mitt tankearbete.

Där de är oeniga. Här ligger besluten som faktiskt kräver mitt val, eller åtminstone att jag går in och ifrågasätter. Två genomtänkta argument som drar åt olika håll betyder att frågan har en riktig trade-off, inte ett enkelt svar. Det är där jag som domänkunnig behöver vikta utifrån min specifika kontext.

Där en pekar på något den andra missat. Det här är ofta det mest värdefulla. Två oberoende perspektiv täcker mer än ett, oavsett vem som har "rätt" i sak. Saker jag själv missat dyker upp i marginalen på minst en av rapporterna.

Frågan måste vara identisk och tillräckligt specifik för att tvinga fram konkreta rekommendationer. En bra start, om jag inte själv har en väldigt specifik fråga, brukar vara att be dem researcha forum och se vad andra i branschen diskuterar och kommer fram till. Inte bara ta fram en rapport på dokumentation.

Vad jag gör

Jag börjar med en deep research-prompt med min kontext. Det kan vara vår aktuella spend, om produkten, hur senaste kampanjen presterat eller de specifika beslut jag funderar på. Min prompt kan vara ganska lång, och jag avslutar alltid med att fråga om AI:n har förstått uppdraget och om det finns frågetecken innan den drar igång.

Sedan startar jag ChatGPT och Gemini, och de får jobba i sina deep research-rutiner. ChatGPT scannar några hundra källor och tar ganska lång tid på sig. Gemini kör sin motsvarighet i kanske tio minuter.

När båda rapporterna kommer tillbaka sätter jag mig med en syntes i de tre facken.

Jag tar ett konkret exempel som gäller en kampanjuppsättning för Flocken-appen. Eftersom den skulle vara vägledande för framtida uppsättningar krävdes ett genomtänkt beslut. Därför fick både ChatGPT och Gemini komplettera analysen från Claude med varsin oberoende rapport.

I konsensus-facket fanns sju punkter som båda rapporterna var överens om: att exkludera vissa placements, optimera mot landningssidebesök istället för länkklick, använda UGC-format. Den listan blev en checklista att bara köra på.

I oenighet-facket fanns tre val som krävde mitt beslut. Kampanjstrukturen, en ad set per vinkel eller alla i samma. Budgetmodellen, på ad-set-nivå eller kampanj-nivå. Och vilket av tre attributionsverktyg som passade vår skala. På alla tre gav båda rapporterna sina argument. Jag läste dem mot min kontext och fattade tre beslut. Inte för att en AI vann, utan för att jag förstod varför de tyckte olika och vilket argument som vägde tyngre i mitt specifika fall.

I gap-facket fanns det mest värdefulla. Båda rapporterna pekade till exempel på att min tracking läckte: 97 procent av klicken ledde inte till ett registrerat landningssidebesök. Det är ingen optimering, det är en signalkris. Hade jag automatiserat på den brutna signalen hade jag skalat budget på fel sak.

Det var en sak jag inte själv hade sett. En enskild AI hade kanske heller inte sett det, eller åtminstone inte med samma tyngd. Att två oberoende rapporter ringade in samma problem gjorde det omöjligt att rationalisera bort.

Resultat och lärdomar

Det aktuella beslutet landade med skarpare grund. Tre konkreta val på de tre kontroversfrågorna, sju exekverbara konsensuspunkter och en akut tracking-fix som hade dolt sig under en falsk framgångssignal.

Den större lärdomen är att AI-svar inte alltid ger fakta, utan perspektiv. Två eller tre perspektiv ger djupare förståelse än ett, oavsett vem som har "rätt". När jag bara använder en AI accepterar jag ofta första svaret för att det låter självsäkert. När jag använder två blir jag tvingad att vikta argumenten mot min kontext, vilket är där det verkliga beslutsarbetet sitter.

Att vara förvirrad efter två motstridiga AI-svar är inte tecken på att informationen saknas. Det är tecken på att frågan är värd att tänka på.

Hur jag går vidare

Tidigare var det här en manuell process. Två chattfönster, samma prompt, kopiera, klistra, syntetisera själv. Det fungerar för stora research-frågor man tar en eftermiddag på, men det skalar inte till löpande beslut i ett arbetsflöde.

Nu har jag en MCP-koppling till Gemini direkt från Claude Code. Det innebär att jag kan be om en second opinion mitt i ett arbete utan att byta verktyg eller bryta flödet. Det öppnar för att använda metoden på mindre frågor också, inte bara på sex-timmars deep research-rutiner. När jag tvekar inför ett val, ett tekniskt argument eller en omformulering av något, kan jag stämma av med Gemini parallellt med att Claude redan arbetar aktivt.

På sikt blir det här en standardrutin och ligger redan i Claudes minnesfil. När jag står inför ett val som inte är trivialt ber jag automatiskt om ett andra perspektiv. Inte för att jag tvivlar på Claude eller någon annan modell. Tvärtom. För att jag vet hur övertygande det första svaret kan låta även när det är fel.

Verktyg i den här processen