USA:s AI-reglering formas just nu utan tydlig plan, rapporterar Wired. Kring Anthropics projekt Mythos och exportkontrollerna kring gränsmodeller ger Vita huset signaler som ibland pekar åt olika håll, och branschen vet inte riktigt var linjen går.

Anthropics eget agerande är inte oproblematiskt här. Stratechery analyserar hur bolaget försöker sätta säkerhet som konkurrensfördel medan senior personal pendlar mellan San Francisco och Washington D.C. Det skapar en situation där den aktör som lobbar hårdast för regler också gynnas mest av dem.

Veckan illustrerar hur regelverket kring de kraftfullaste AI-modellerna formas i farten, med hög insats och lite transparens mot omvärlden.

Eugenia Kuyda, grundare av Replika och Wabi, berättar för Platformer att hon inte längre anställer juniora ingenjörer. Skälet är direkt: AI-verktyg för kodning har förändrat vad en liten grupp seniora utvecklare kan åstadkomma på kort tid.

Det är ett tidigt datapunkt i en bredare debatt om vad AI-assisterad programmering gör med karriärvägar i tech. Kuyda är tydlig med att det inte handlar om att alla juniora roller försvinner överallt, utan om hennes specifika situation som grundare med begränsat kapital och höga krav på leveranshastighet.

Historien lyfts av Casey Newton som ett tecken på att hiringskalkylen börjar ändras på riktigt, inte bara i teorin.

Perplexity har släppt Brain, ett minnessystem som ska ge AI-agenter kontextuellt minne över tid. Systemet bygger en kontextgraf av agentens arbete och uppdateras automatiskt under natten, vilket innebär att agenten nästa dag vet mer om sin användare än den visste kvällen innan.

Konceptet är tydligt riktat mot användare som kör agenter regelbundet för återkommande arbetsuppgifter. I stället för att ge samma bakgrundsinformation om och om igen ska Brain hantera det kontinuerliga lärandet.

Det är ett steg mot det som många agentutvecklare efterfrågat: ett minne som är persistent, strukturerat och kan skalas utan att token-kostnaden exploderar.

En startup hävdar att den löst en grundläggande flaskhals som bromsat stora språkmodellers förmåga att skala, enligt MIT Technology Review. Tidskriften beskriver problemet som strukturellt, inte bara ett resursproblem, och bolaget säger sig ha hittat ett sätt att kringgå det.

MIT Technology Review är försiktig i sin formulering och påpekar att påståendet ännu inte genomgått oberoende granskning. Inga externa experter bekräftar resultaten i artikeln.

Det är ändå värt att notera: om påståendet håller kan det påverka hur nästa generations modeller tränas och skalas. Om det inte håller är det ett välbekant mönster av startupmarknadsföring som klär sig i teknisk vokabulär.

Forskare har visat att AI-kodningsagenter kan styra träningen av fysiska robotar autonomt, inklusive uppgifter som att installera GPU:er och klippa buntband. Ars Technica rapporterar att agenterna skriver och itererar sin egen träningskod utan mänsklig handpåläggning för varje steg.

Det intressanta här är kopplingen mellan mjukvaruagenter och fysisk robotik. Tidigare har dessa domäner haft separata träningsflöden. Att en kodningsagent kan sluta loopen från instruktion till robotrörelse utan mellanled är ett praktiskt steg framåt.

Resultaten visar på ett mönster som dyker upp i flera sammanhang den här veckan: agenter som tar på sig uppgifter som tidigare krävde specialiserad mänsklig expertis i varje led.

Efterfrågan på AI-kompetens ökar på den svenska arbetsmarknaden och följs av högre löner för dem som besitter den, enligt Voister. Mönstret liknar det som synts i USA och UK under de senaste åren men bekräftas nu i svenska lönedata.

Det är ett konkret tecken på att AI-kunskaper börjar prissättas tydligt även här. Samtidigt är bilden inte ensidig: kompetensbristen driver upp löner för de som redan kan, medan de som saknar kunskaperna riskerar att halka efter i nästa lönerunda.