Siden jeg begynte i Rocksoft, har jeg brukt AI-verktøy hver eneste dag.
Å lære seg å bruke AI på jobb skikkelig tok meg en stund, og det ene jeg lærte raskere enn noe annet er dette: kvaliteten på det du får ut av AI har nesten ingenting å gjøre med modellen du bruker.
Det har alt å gjøre med hva du forteller den før du begynner.
Hva Google nettopp gjorde
Forrige uke publiserte Google noe som heter Open Knowledge Format, eller OKF.
Det er en standard for å organisere kunnskap som en mappe med enkle tekstfiler som enhver AI-agent kan lese.
Problemet de løser er reelt. I de fleste selskaper er informasjonen AI trenger for å gjøre nyttig arbeid spredt overalt. I wikier, i regneark, i kodekommentarer, i noens hode. Når en AI-agent trenger å svare på et spørsmål om virksomheten din, må den sette sammen svaret fra dusinvis av steder som aldri ble designet for å fungere sammen.
OKF er Googles svar: et enkelt, åpent format som ethvert team kan bruke til å skrive ned det de vet på en måte som enhver AI kan lese. Ingen proprietært system, ingen SDK – bare markdown-filer med litt struktur.
For de fleste gründere er dette mer relevant for datateam i større selskaper enn for det daglige arbeidet. Men tankegangen bak det er den samme tankegangen jeg bruker hver gang jeg setter opp et nytt Claude-prosjekt.
DefinisjonOpen Knowledge Format (OKF)
En åpen standard utviklet av Google for å organisere og lagre kunnskap som strukturerte tekstfiler som AI-agenter kan lese og bruke. Det lar team dokumentere det de vet om systemene, dataene og prosessene sine i et format som fungerer på tvers av forskjellige AI-verktøy og plattformer.
Hva Anthropic bygde
MCP, eller Model Context Protocol, er noe annerledes. Det handler ikke om å lagre kunnskap. Det handler om å koble Claude til verktøyene og systemene du allerede bruker.
MCP er det som lar Claude lese ClickUp-oppgavene mine, bla gjennom en nettside eller samhandle med Webflow. Det er laget som gjør Claude til en aktiv deltaker i arbeidsflyten din i stedet for bare et chatvindu du kopierer og limer inn fra.
Hvis CLAUDE.md og prosjektinstruksjoner er orienteringen du gir noen før et møte, er MCP å gi dem tilgang til CRM, kalenderen og e-postinnboksen.
Orienteringen forteller dem hva de skal vite. Verktøyene lar dem faktisk gjøre arbeidet.
Hva AGENTS.md er
AGENTS.md er en konvensjon som har vokst frem på tvers av team som jobber med AI-agenter. Det er en fil du legger i et prosjekt som forteller enhver AI-agent som jobber i den kodebasen hva den trenger å vite: hvordan prosjektet er strukturert, hvilke regler som gjelder, hva som skal unngås.
Det er den samme ideen som CLAUDE.md, bare mer generell. Ikke spesifikk for Claude, men lesbar av enhver agent.
Hos Rocksoft bruker vi denne typen fil når vi setter opp AI-assisterte arbeidsflyter for prosjekter. Det er forskjellen mellom en agent som jobber i miljøet ditt og en som må finne ut alt fra bunnen av hver gang.
Hvordan disse henger sammen
Ved første øyekast ser det ut som Google, Anthropic og OpenAI løser det samme problemet. Det gjør de ikke.
De løser tre forskjellige problemer.
CLAUDE.md og AGENTS.md gir en AI-agent prosjektkontekst før den begynner å jobbe. MCP gir den verktøy å jobbe med i sanntid. OKF gir organisasjoner et standardformat for å lagre institusjonell kunnskap som enhver agent kan konsumere senere.
En orientering. Et verktøysett. En kunnskapsbase. Tre lag, tre forskjellige problemer – alle jobber sammen.
Hva dette ser ut som i praksis hos Rocksoft
Her er ett eksempel på hva dette ser ut som i praksis. Edwin fra markedsføringsbyrået vårt Diligently bygde landingssider for en av kundene våre på én ettermiddag. Han eksporterte den eksisterende siden fra Webflow, la den på GitHub, skrev en brief med prosjektkonteksten og innholdet for fire bysider, og lot Claude Code bygge derfra.
Claude fulgte ikke bare briefen. Den la til ting som ikke ble bedt om – en sammenligningstabell, en oversikt etter bedriftsstørrelse – fordi konteksten var rik nok til at den forstod hva sidene faktisk prøvde å gjøre.
Det er hva god kontekst gjør. Den svarer ikke bare på spørsmålet du stilte. Den svarer på spørsmålet du burde ha stilt.
Jeg bygde også mitt eget verktøy ved hjelp av dette samme prinsippet. Content Radar er en ferdighet i Claude som overvåker teamsamtaler, oppdager øyeblikk som kan være verdt å dele, og sender meg et forslag i ClickUp. Hele teamet jobber normalt. Hvis noe innholdsmessig skjer, finner det veien til meg.
Det tok én ettermiddag å sette opp. Det fungerer fordi jeg ga Claude nok kontekst til å vite hva den skal se etter og hva den skal gjøre med det.
Hva jeg mener med kontekst
Når jeg oppretter et nytt prosjekt i Claude for en kunde, åpner jeg ikke bare en chat og begynner å stille spørsmål. Jeg skriver en prosjektinstruksjon først. Hvem er kunden, hva gjør de, hvem snakker de til, hvilken tone bruker vi, hvilke ord unngår vi, hva er allerede gjort.
Hvordan kan jeg være sikker på at jeg gjør det riktig?
Det er fordi vi hver gang vi starter et prosjekt, starter med et Discovery Workshop. Det gir oss et solid fundament og er en god måte å bygge en kunnskapsbase for denne spesifikke kunden og dette spesifikke prosjektet.
Når det er på plass, starter hver samtale jeg har i det prosjektet med at Claude allerede vet alt det. Jeg trenger ikke å forklare det hver gang. Jeg jobber bare.
Forskjellen er enorm. Den samme forespørselen i et prosjekt med god kontekst og en blank chat gir deg helt forskjellige resultater. Ikke fordi Claude er annerledes. Fordi konteksten er annerledes.
Dette er noe hele AI-bransjen holder på å finne ut av akkurat nå. Og tre store aktører – Google, Anthropic og OpenAI – løser hver sin del av det. På forskjellige måter. Av forskjellige grunner.
Det de fleste fortsatt mangler
De fleste bruker AI som en søkemotor. Du stiller et spørsmål, du får et svar, du lukker fanen.
Teamene som får mest ut av AI akkurat nå, er de som behandler kontekst som infrastruktur. Noe du bygger én gang, vedlikeholder over tid, og som gjør alle interaksjonene som følger raskere og mer nyttige.
Google som formaliserer OKF, Anthropic som bygger MCP, team overalt som skriver AGENTS.md-filer – dette er alle den samme erkjennelsen som ankommer fra forskjellige retninger. Modellen er ikke flaskehalsen lenger. Konteksten er det.
Hvis du bruker AI-verktøy og føler at resultatene er inkonsekvente eller grunne, er dette vanligvis grunnen. Ikke fordi AI-en er dårlig. Fordi den ikke vet nok om din spesifikke situasjon til å gjøre noe genuint nyttig.
Den gode nyheten er at å fikse det ikke krever teknisk bakgrunn. Det krever det samme som gjør ethvert godt samarbeid fungere: å ta seg tid til å forklare hva du faktisk trenger.
Hvis du vil bruke AI i virksomheten din på riktig måte - se hvordan vi jobber.
