# Varför Claude gör fel: 3 promptar
> Claude skriver fel saker eftersom det kastar sig in i kodningen utan att förstå vad du vill. Jag förklarar varför och ger dig 3 färdiga promptar som får det att ställa frågor först.
Source: https://ailoot.ai/blog/sv/why-claude-does-the-wrong-thing/
Canonical: https://ailoot.ai/blog/sv/why-claude-does-the-wrong-thing/
Language: sv
Publisher: Ailoot (https://ailoot.ai/)
Translation: guide-201
Revision: sha256-4ff7ab11e13a26a761d20fd7fb068d5b36c944a7c468f471e7684fe6b321e92b
Det viktigaste
Claude skriver fel saker eftersom det kastar sig in i kodningen och fyller i vad det tror att du ville ha. Ofta blir det fel. Problemet ligger nästan aldrig i modellen – även den allra starkaste missar målet när uppgiften är otydlig. Jag löser det med ett enda grepp: jag låter Claude intervjua mig först, locka fram vad jag menar och först därefter skriva. Här nedan finns tre färdiga promptar som du kan kopiera och klistra in.
Läs [Ailoot-dokumentationen](https://ailoot.ai/docs/) för mer information om hur tjänsten används.
## Varför gör Claude fel?
Det viktigaste
Claude får en kort förfrågan, fyller genast i det som saknas och kastar sig in i kodskrivandet utifrån sin egen version av uppgiften. Dess version och din skiljer sig åt. Så får du en diff som ändrar 14 filer när du hade väntat dig en ändring på en rad. Orsaken är glappet mellan det du sa och det du hade i åtanke. Modellen har nästan ingenting med det att göra.
Du skriver: ”Lägg till filter på produktsidan.” I ditt huvud betyder det ett par kryssrutor och en uppdaterad lista. Claude hör samma sak och bestämmer sig för att bygga en komplett filtreringsmotor: egen tillståndshantering, separat logik för fördröjda inmatningar, synkronisering med URL:en och ett dussin hjälpfunktioner. Hundratals rader kod när några få URL-parametrar hade räckt.
I ett fall som detta är slutsatsen tydlig: agenten gjorde inget misstag, utan löste helt enkelt ett mycket större problem än nödvändigt. Felet låg i att inte beskriva det önskade resultatet kort och tydligt nog.
Nyckelordet är ”avsikt”. Du har den i huvudet; Claude har den inte. Den ser texten i din förfrågan och allt i sitt sammanhang fram till dess. Sedan fyller den i luckorna med gissningar. Ju kortare förfrågan, desto fler gissningar gör den – och desto längre bort hamnar resultatet från det du ville ha.
Anthropic uttrycker det tydligt i Claude Code-dokumentationen:
Om du låter Claude gå direkt till koden kanske det löser fel problem.
— Claude Code-dokumentation, https://code.claude.com/docs/en/best-practices
Jag råkade ut för det här i mitt eget projekt. Jag bad om en ändring på en enda behörighetsskärm och fick en diff som påverkade halva den intilliggande modulen. Claude var inte skyldig: jag gav den en rad och den fyllde själv i resten. Sedan dess börjar jag alla uppgifter som är större än en stavningsändring med frågor – sådana som Claude ställer till mig.
## Beror det verkligen på modellen – och varför missar även de starkaste?
Det viktigaste
Modellen spelar mindre roll än många tror. Även den starkaste missar målet när uppgiften är otydlig: den får samma ofullständiga instruktioner och fyller i luckorna med egna gissningar. Utvecklare som håller sin agent i schack får samma resultat oavsett om de använder en toppmodell eller en mellanklassmodell. Allt handlar om hur tydligt du beskriver vad du vill ha. Modellens kapacitet kommer i andra hand här.
Varje vecka kommer en modell som är ”smartare” än den förra, och varje gång känns det som om AI äntligen ska förstå oss utifrån några få ord. Det kommer den inte att göra. En starkare modell skriver kod snabbare och hanterar komplex logik bättre, men den kan fortfarande inte läsa dina tankar. Om uppgiften är dåligt formulerad får du något som är snyggt skrivet men ändå fel.
Slutsatsen för dig är enkel. Att jaga den senaste modellen så att den ska kunna gissa bättre är en återvändsgränd. Det är billigare och mer tillförlitligt att lära sig ge den uppgifter så att den slipper gissa. Det är vad vi går igenom härnäst.
## Vad är grilling, och hur löser det bristande samförstånd med AI?
Det viktigaste
Grilling innebär att du låter AI intervjua dig innan den börjar arbeta: den ställer detaljerade frågor om uppgiften tills ni har en gemensam förståelse. Poängen är att överbrygga kommunikationsglappet innan den första kodraden skrivs.
Det låter bakvänt. Vi vänder oss till AI för att få saker gjorda snabbare, och nu får vi höra att vi ska sakta ner den och låta den ställa frågor först. Men fem minuters frågor innan kodningen kan spara en timmes rättningar efteråt.
Problemet är inte bara att du förklarade saker dåligt för Claude. Ofta har du inte själv tänkt igenom uppgiften – vilka fall som ska täckas, var gränserna går och vad som är viktigast. Grilling lockar fram det här genom frågor. När samtalet är slut har du inte bara en uppgift som AI förstår, utan också din egen uppgift, äntligen beskriven i detalj.
Det är så kontextutformning fungerar: huvudarbetet sker innan prompten, inte medan du skriver den. Du letar inte efter magiska promptformuleringar, utan lägger i förväg fram det Claude behöver veta tills den förstår utan extra förklaringar.
## Hur får du Claude att ställa frågor till dig först?
Det viktigaste
Ge Claude en kort beskrivning av uppgiften och be uttryckligen om en intervju innan arbetet börjar: låt den fråga om detaljer, specialfall och begränsningar och sedan sammanställa allt i en specifikationsfil. Det är Anthropics officiella rekommendation – Claude Code-dokumentationen innehåller en färdig promptmall. Kopiera den, ändra beskrivningen och klistra in den i början av en session.
Anthropic tillåter inte bara det här tillvägagångssättet, utan rekommenderar det. Dokumentationen har ett avsnitt som heter ”Låt Claude intervjua dig” med en färdig prompt. Här är en praktisk variant:
Prompt
Prompt för grilling – låt Claude intervjua dig
```
Jag vill bygga [kort beskrivning av uppgiften].
Intervjua mig grundligt innan du skriver någon kod. Ställ frågor om implementationen, gränssnittet, specialfall, risker och avvägningar. Ställ inte självklara frågor – gå på djupet med de knepiga delarna som jag kanske inte har tänkt igenom.
Ställ en fråga i taget och vänta på mitt svar. Föreslå omedelbart ditt rekommenderade svar för varje fråga.
Fortsätt tills vi har gått igenom allt. Sammanställ sedan en fullständig specifikation i en fil som heter SPEC.md.
```
Tre detaljer gör prompten användbar i stället för dekorativ. För det första: ”en fråga i taget”. Om AI öser tio frågor över dig på en gång blir du överväldigad och svarar ytligt. För det andra: ”föreslå ditt svar”. Du behöver inte komma på allt från grunden; du kan hålla med eller rätta den. För det tredje: ”sammanställ en specifikation i en fil”. Det som lockats fram ur dig blir ett dokument som inte försvinner.
Anthropic beskriver vinsten i termer av arbetsinsats:
Tiden du lägger på att få specifikationen rätt är mer värd än tiden du lägger på att övervaka implementationen.
— Claude Code-dokumentation, https://code.claude.com/docs/en/best-practices
När intervjun är klar öppnar du en ny session och ger den den färdiga specifikationen. Ren kontext plus tydligt formulerad avsikt – då träffar Claude rätt på första försöket.
## Metoden ”bevisa för mig att det här är den bästa planen”
Det viktigaste
Låt inte bara AI ställa frågor – få den också att försvara sitt beslut. Jag lägger till ett krav på uppgiften: bevisa att den föreslagna planen är den bästa, inte bara den första som dyker upp, och att den är genomtänkt flera steg framåt. Då lämnar Claude läget ”jag gör något liknande” och går över till kritikläge, där den granskar sitt eget arbete innan du lägger tid på implementationen.
Grilling lockar fram vad du menar. Men AI har en annan vana: den väljer den första lösning som verkar rimlig. Anthropic kallar det här glappet ”lita men kontrollera”: Claude tar fram en rimlig implementation som inte håller i specialfall. Lösningen är att be om belägg innan koden skrivs.
Om du inte kan kontrollera resultatet ska du inte lämna in det.
— Anthropic, Claude Code-dokumentation, https://code.claude.com/docs/en/best-practices
Jag lägger nästan alltid till ett avsnitt med ”bevisa det” i prompten. Här är den exakta formuleringen:
Prompt
Prompt – få AI att försvara sin plan
```
Analysera uppgiften kritiskt innan du skriver kod.
Hitta 2-3 sätt att lösa den. Bevisa för varje alternativ att det faktiskt löser min uppgift, i stället för att lägga till onödig komplexitet. Skriv inte kod bara för kodens skull.
Välj sedan ett alternativ och bevisa att det är den bästa lösningen och att du har tänkt flera steg framåt. Vad går sönder när projektet växer? Vad missar vi just nu?
Föreslå en implementation först därefter.
```
Utan det här avsnittet ger Claude dig det första alternativet som fungerar. Med det utesluter Claude själv återvändsgränder, förklarar sitt val och låter dig se sitt resonemang innan någon fil rörs. Du läser en kort text som tar två minuter i stället för att lägga en timme på att ta reda på varför den färdiga koden inte fungerar som förväntat.
## Förhandsanalys: få AI att hitta 10 skäl till att projektet misslyckas innan du börjar
Det viktigaste
En förhandsanalys är en metod där du ber AI föreställa sig att projektet redan har misslyckats och ange orsakerna. Claude går från det optimistiska läget ”jag fixar det här” till att leta efter svagheter som annars skulle visa sig efter en veckas arbete. Du får en lista över risker innan du har investerat tid i projektet och kan hantera dem i förväg.
Det här är min favoritmetod, och den handlar om psykologi. När du ber AI ”göra ett bra jobb” är den inställd på framgång och hoppar över bristerna. Be den föreställa sig ett misslyckande så börjar den se sådant den tidigare ignorerade. Prompten är kort:
Prompt
Prompt för förhandsanalys – hitta luckorna innan du börjar
```
Föreställ dig att det är ett år framåt i tiden. Projektet vi planerar har misslyckats.
Skriv ner 10 skäl till att det hände. Vad missade vi att ta hänsyn till från början, vad underskattade vi, var tog vi genvägar och vilka antaganden visade sig vara felaktiga?
Berätta sedan för varje skäl vad vi kan åtgärda redan nu för att förebygga det.
```
Jag kör den här prompten innan jag godkänner planen. Hälften av skälen visar sig vara nonsens, men den andra hälften är verkliga fallgropar som jag annars skulle ha stött på en vecka senare. Det tar tio minuter att hantera dem i planeringsfasen. Om du stöter på dem i ett färdigt projekt kostar det flera dagar av utredningsarbete.
Kombinationen är enkel: grilling lockar fram vad du menar, ”bevisa det” försvarar beslutet och förhandsanalysen hittar luckorna. Tre korta texter som du klistrar in innan du börjar skriva kod. De förvandlar Claude från en stressad utförare till en samarbetspartner som tänker först.
## Varför blir Claude dummare när kontexten är överbelastad?
Det viktigaste
Claude har ett begränsat kontextfönster – mängden information det kan hålla i minnet samtidigt. När fönstret är mer än halvfullt börjar den tappa viktiga detaljer, blanda ihop tidigare överenskommelser och fylla i luckor i stället för att minnas. En lång session om allt möjligt är en vanlig orsak till att AI gör något helt annat i slutet av dagen än det ni kom överens om på morgonen.
Även en perfekt formulerad uppgift faller samman om du arbetar i en rörig kontext. Så här fungerar det: varje ny förfrågan du skickar för in hela chatthistoriken i Claudes arbetskontext. Ju längre sessionen är, desto snabbare fylls fönstret. Håll det högst halvfullt; efter det börjar AI agera dumt och tappa viktiga saker ni pratade om i början.
Här är regeln som sparar mig mest frustration: en uppgift, en chatt. Klar med en funktion? Stäng chatten och öppna en ny för nästa uppgift. Ja, ibland är det bekvämare att göra allt i ett fönster, men då får du betala med förlorad kontext och svar som hamnar vid sidan av ämnet.
Anthropic kallar det här felläget för en ”skräplådesession”. Lösningen är enkel: använd `/clear` mellan orelaterade uppgifter för att tömma fönstret och slippa ta med röran från den förra uppgiften in i den nya.
Om du arbetar i långa sessioner och inte förstår vart pengarna och AI:ns uppmärksamhet tar vägen tar jag upp det separat i guiden om [vart Claude Code-tokenen tar vägen](https://ailoot.ai/blog/sv/where-claude-code-tokens-go/). Jag har också samlat grunderna i beständig kontext, som Claude läser vid varje start, i guiden om [att konfigurera CLAUDE.md](https://ailoot.ai/blog/sv/claude-md-template/).
## Grilling eller Plan Mode – vad är skillnaden och hur passar de ihop?
Det viktigaste
Grilling och Plan Mode löser olika halvor av samma problem. Grilling lockar fram vad du menar genom frågor innan det finns någon plan. Plan Mode tar en uppgift som redan har förståtts och visar dig en plan för ändringarna utan att röra något innan du godkänner den. De fungerar bäst tillsammans: först klargör grilling vad vi ska bygga, sedan visar Plan Mode exakt hur.
Folk blandar ofta ihop de här två metoderna eller tror att bara den ena behövs. I praktiken hör de till olika steg i processen.
| Funktion | Grilling | Plan Mode |
|----|----|----|
| När det sker | Före planen – klargör avsikten | Efteråt – tar fram en ändringsplan |
| Vem som frågar vem | AI intervjuar dig | Du läser och godkänner planen |
| Vad du får | En uppgiftsspecifikation | En ändringsplan fil för fil |
| Huvudnytta | Förebygger ”det var inte det här jag ville” | Förebygger ”rör inget annat” |
Anthropic beskriver ett vedertaget arbetsflöde i fyra faser: först Explore (Claude undersöker och ställer frågor), sedan Plan (tar fram en plan utan att göra ändringar), därefter Implement (skriver kod enligt planen) och till sist Commit (sparar resultatet). Grilling sker i den första fasen och Plan Mode i den andra. Läs guiden om [Plan Mode i Claude Code](https://ailoot.ai/blog/sv/claude-code-plan-mode/) för en fullständig genomgång av den andra fasen.
Anthropic gör själv ett viktigt förbehåll: belasta inte små uppgifter med det här.
Om du kan beskriva en ändring med en mening kan du hoppa över planen.
— Officiell Claude Code-dokumentation, https://code.claude.com/docs/en/best-practices
Skriv bara in önskemålet direkt för en stavningsändring, ett namnbyte eller en ändring på en rad – utan intervju eller plan. Grilling lönar sig för uppgifter med oklarheter och kostsamma misstag. För triviala uppgifter gör det bara arbetet långsammare.
## 5 misstag i uppgiftsformuleringen som får AI att göra fel
Det viktigaste
Nästan alla missar AI gör beror på fem misstag i uppgiftsformuleringen: en vag enradare, inga begränsningar, ”skriv kod” utan ett föregående steg där AI får förstå uppgiften, ingen definition av ”klart” och en enda oändlig session för allt. Varje misstag får Claude att fylla i uppgiften med gissningar. Här nedan ser du hur de ser ut och vad du kan ersätta dem med.
Jag har sammanfattat vanliga fallgropar i en tabell. Till vänster står det folk brukar göra och göra fel; till höger står vad de bör göra i stället.
| Misstag | Så låter det | Gör så här i stället |
|----|----|----|
| Vag enradare | ”Gör instrumentpanelen bättre” | Beskriv uppgiften och börja en grillningssession – låt AI locka fram detaljerna med frågor |
| Inga begränsningar | ”Lägg till behörighetskontroll” | Säg vad som inte får gå sönder, vilka bibliotek som inte ska införas och vad som ligger utanför omfattningen |
| ”Skriv kod” direkt | Prompt – och börja koda | Börja med att ”förstå och fråga” och skriv sedan kod |
| Ingen definition av ”klart” | Du förväntar dig att AI ska gissa resultatet | Ge ett exempel, en referensskärmbild eller ett test som visar vad ”fungerar” betyder |
| En session för allt | Tillbringa hela dagen i en chatt | En uppgift, en ny chatt – då blir kontexten inte rörig |
Gå igenom den senaste prompten där AI gav dig fel svar. Nästan säkert låg ett av de här fem misstagen bakom. Oftast är det det första: du gav den en kort fras och förväntade dig att Claude skulle fylla i resten rätt. Den fyllde i resten – bara inte på det sätt du hade tänkt dig.
## Vad händer nu: bygg ett system så att AI förstår dig utifrån några få ord
Det viktigaste
Enskilda promptar löser enskilda uppgifter. Om du vill att AI ska förstå dig utan långa förklaringar varje gång behöver du ett system: grilling lockar fram vad du menar med varje uppgift, en Second Brain lagrar projektkunskap och kontextutformning binder ihop allt Claude läser före prompten. Då försvinner orsaken till att den gör fel: den har alltid tillräcklig kontext för att slippa gissa.
De tre promptarna i den här guiden – grilling, ”bevisa det” och förhandsanalysen – hanterar den specifika uppgiften. Det är redan mycket: du slipper få en diff på 14 filer när du bara ville ändra en rad.
Men grilling har sina begränsningar. Det tar lång tid att locka fram vad du menar från grunden varje gång. Den verkliga förändringen kommer när en del av kontexten alltid finns där: i en mapp med kunskap om projektet, i en CLAUDE.md-fil som Claude läser vid varje start och i din metodik, kodad i skills. Då kommer AI till uppgiften med kunskap om ditt företag, dina mål och din stil – och förstår dig utifrån några få ord eftersom du har lagt fram halva kontexten i förväg.
Anthropics senaste analys visar hur mycket arbete det här innebär: utvecklare använder AI i ungefär 60% av arbetet, men kan lita fullt ut på den för bara 0-20% av uppgifterna. Resten kräver din förståelse, övervakning och förmåga att förklara vad som ska byggas. Det är den färdighet som är värd att utveckla, inte jakten på den smartaste modellen.
### Källor
- [Claude Code-dokumentation - Best Practices (Låt Claude intervjua dig, plan mode)](https://code.claude.com/docs/en/best-practices)
- [Anthropic - 2026 Agentic Coding Trends Report](https://resources.anthropic.com/2026-agentic-coding-trends-report)
Lär känna [Ailoot](https://ailoot.ai/).
## Frågor om den här guiden: Varför Claude gör fel: 3 promptar
### När använder jag intervjuprompten i stället för att gå direkt till kod?
När resultat, gränsfall eller begränsningar är oklara och misstag skulle kosta mycket. Be om en fråga i taget och spara överenskommet resultat i SPEC.md; ett skrivfel eller tydlig enradsändring kan begäras direkt.
### Vad kontrollerar jag före godkännande av planen?
Begär två eller tre angreppssätt och jämför hur de uppfyller specifikation och begränsningar. Kör sedan pre-mortem-prompten, granska felorsakerna och hantera relevanta risker före implementering.
## Ailoot · Företaget och dess projektportfölj
Ailoot bygger på etablerad driftserfarenhet, en stor kundbas, stabil service och löpande KPI-kontroll.
Företaget och dess projektportfölj: miljontals kunder; månatlig försäljning för miljarder.
Ailoot använder denna driftserfarenhet för API-åtkomst till AI-funktioner i kundernas produkter, agenter, applikationer och automatiseringar.