Artificial Intelligence Continuity, AIC – när AI måste kunna fortsätta säkert, inte bara minnas

AI håller på att lämna den tillfälliga chatten.

Den första generationens generativa AI kan förenklat beskrivas som en ganska tydlig kedja:

Fråga → AI → svar → slut.

Även när samtalen blivit längre har grundprincipen varit ungefär densamma. En människa ger modellen information och instruktioner, modellen använder den kontext som finns tillgänglig och genererar nästa svar.

Men utvecklingen går mot något annat.

AI-agenter kan arbeta i flera steg, använda verktyg, hantera filer, fatta delbeslut, vänta på människor eller andra system och sedan fortsätta sitt arbete senare. Uppgiften kan sträcka sig över flera separata körningar och flera context windows. Den kan avbrytas och återupptas. I mer avancerade arkitekturer kan även den modell, server eller programmiljö som utför arbetet förändras under projektets gång.

Då uppstår ett problem som är större än frågan om hur mycket AI:n kan minnas.

Det avgörande blir också:

Vad från det som hände tidigare ska fortfarande vara giltigt när AI-systemet fortsätter?

Anthropic beskriver arbetet över flera context windows som ett fortfarande öppet problem för långvariga agenter. Företaget jämför situationen med ett projekt där en ny ingenjör börjar sitt arbetspass utan att automatiskt känna till vad den föregående gjort. En del av lösningen är därför strukturerade artefakter som lämnas vidare mellan sessionerna.

Google beskriver samtidigt durable execution som en central del av Agent Executor: långvariga agentflöden behöver kunna återupptas efter avbrott eller efter att de väntat på exempelvis ett mänskligt godkännande.

Det är två olika tekniska angreppssätt på delar av samma större fråga.

En ny körning behöver inte bara information om det gamla arbetet.

Den måste kunna fortsätta rätt arbete, från rätt tillstånd, med rätt mål och med rätt befogenheter.

Det konkreta chattbytet

Problemet går faktiskt att se redan i något så vardagligt som dagens AI-chattar.

Tänk dig att en människa arbetar med ett större projekt tillsammans med en AI. Arbetet pågår länge. Beslut fattas. Tidigare idéer förkastas. Dokument skapas. Vissa delar blir färdiga och ska inte öppnas igen. Andra delar väntar fortfarande på arbete.

Till slut blir den ursprungliga konversationen för stor eller opraktisk och projektet måste fortsätta i en ny chatt eller session.

Det naturliga är då att försöka lämna över historiken.

Men vad betyder egentligen historiken?

Den kan innehålla tio olika idéer till en titel, trots att bara en av dem senare valdes.

Den kan innehålla en gammal arbetsplan som ersatts av en ny.

Den kan innehålla ett problem som redan lösts.

Den kan innehålla en tidigare instruktion som bara gällde ett enskilt arbetsmoment.

Och den kan innehålla ett utkast som ser färdigt ut, trots att en senare version är den verkliga masterfilen.

Det betyder att en ny AI-session kan ha tillgång till stora mängder korrekt historisk information och ändå fortsätta projektet på fel sätt.

Den kan återöppna något som redan är avslutat.

Den kan välja en gammal version.

Den kan behandla ett tillfälligt beslut som en permanent regel.

Den kan missa vilket nästa steg som faktiskt gäller.

Den kan till och med återinföra något som en människa uttryckligen bestämt skulle tas bort.

I dagens AI-arbete finns ofta en människa mellan sessionerna som upptäcker sådana fel.

Människan säger i praktiken:

Det där är gammalt.

Den här versionen gäller.

Det här arbetet är avslutat.

Den regeln är permanent.

Fortsätt härifrån.

Människan fungerar alltså som en kontinuitetskontroll.

Men när AI-agenter blir mer självständiga och ska kunna fortsätta ett arbete utan att en människa granskar varje överlämning måste en större del av den funktionen byggas in i systemen själva.

Minne är inte samma sak som kontinuitet

Det här är den centrala skillnaden.

Minne svarar: Vad hände tidigare?

AIC frågar: Vad från det förflutna måste fortfarande vara giltigt och styrande för det AI-systemet gör härnäst?

Ett AI-system kan därför ha mycket bra minne och ändå ha dålig kontinuitet.

Att en gammal instruktion går att hitta betyder inte att den fortfarande gäller.

Att ett mål finns i historiken betyder inte att det fortfarande är aktivt.

Att en agent en gång hade en viss behörighet betyder inte att den fortfarande ska ha den.

Och att ett visst state finns lagrat betyder inte att just det tillståndet är den auktoritativa version som arbetet ska fortsätta från.

Det färska preprintet Beyond Memory: A Transactional Continuity Kernel for Long-Lived AI Agents behandlar just den skillnaden. Författarna argumenterar för att lagring i sig inte räcker för att avgöra vilket state som får bli aktivt. Deras förslag bygger i stället på en kontrollerad kedja där förändringar måste valideras innan de får ersätta det tidigare auktoritativa tillståndet.

Det är ett forskningsförslag, inte en etablerad standard.

Men själva frågan är viktig:

Det räcker inte att information överlever. Systemet måste kunna avgöra vilken information som fortfarande får styra.

”Rapporten ska skickas på fredag”

Ett konkret exempel gör skillnaden ännu tydligare.

En AI-agent får uppdraget:

”Rapporten ska skickas på fredag.”

Agenten arbetar med rapporten under veckan. Den samlar material, skapar utkast och sparar information om uppdraget.

På torsdag byts den underliggande AI-modellen.

Eller servern startas om.

Eller arbetsflödet flyttas till en annan teknisk miljö.

Historiken och minnet finns kvar.

På fredag måste nästa körning avgöra vad som ska hända.

Men flera saker kan ha förändrats.

Rapporten kanske redan skickades strax före ett systemfel.

Mottagaren kanske ändrades på torsdagen.

En människa kanske stoppade uppdraget.

Agentens rätt att skicka e-post kanske återkallades.

Det kan också finnas två olika kopior av agentens state som båda tror att de representerar det aktuella läget.

Att båda kan läsa meningen ”rapporten ska skickas på fredag” löser ingenting av detta.

Minnet kan berätta att åtagandet en gång existerade.

Kontinuiteten måste hjälpa systemet att avgöra om åtagandet fortfarande gäller, om det redan fullföljts, vilken version som är aktuell och vem som fortfarande har rätt att agera på det.

Vad händer när modellen byts?

Här blir frågan ännu mer intressant.

Vi tenderar lätt att identifiera en AI-agent med modellen som för tillfället kör den. Men en långlivad agentarkitektur behöver inte nödvändigtvis vara byggd på det sättet.

Preprintet Runtime-Independent Persistent Agents: Preserving Identity, Memory, and Code Across Models, Harnesses, and Servers, publicerat den 1 september 2026, undersöker en arkitektur där det som bär agentens kontinuitet separeras från den modell, det harness och den server som för tillfället exekverar agenten.

Författarna beskriver ett kontinuitetsbärande lager med bland annat en arkitektonisk identitetsrepresentation, varaktigt privat minne och versionshanterad programvara/kod. Modellen, agentramverket och värdservern behandlas i stället som delar som i princip kan bytas ut.

I den föreslagna modellen kan ett kontrollerat byte då betraktas som en migration snarare än skapandet av en helt ny agent – men bara om överföringen sker genom ett auktoriserat protokoll som bevarar spårbar lineage och rätten att fortsätta.

Även detta är forskning, inte en färdig industristandard.

Men arbetet gör en viktig fråga konkret:

Om en agent använder modell X i dag och relevant state, minne, mål, kod och identitet i morgon kopplas till modell Y – vad krävs för att det ska vara en legitim fortsättning?

Är det samma logiska agent?

Eller är modell Y egentligen en ny agent som fått sin föregångares historia?

För den praktiska systemdesignen spelar frågan roll även om vi aldrig försöker lösa den filosofiskt.

Organisationen måste fortfarande veta vilket state som gäller, vem som utförde tidigare handlingar, vilka rättigheter som får följa med och vem som ansvarar för nästa steg.

Sju dimensioner i samma större problem

Det finns ingen etablerad AIC-taxonomi.

För att göra helheten begriplig föreslår NextNet därför sju pedagogiska dimensioner. De är ett arbetsramverk för diskussion, inte ett påstående om att forskning eller industri redan använder denna indelning.

1. Memory continuity – minneskontinuitet

Det mest uppenbara är minnet.

Relevant information måste kunna överleva mellan körningar: tidigare händelser, beslut, fakta, instruktioner, erfarenheter och andra uppgifter som framtida arbete behöver.

Men minne skapar bara tillgång till det förflutna.

Det avgör inte automatiskt hur det förflutna ska tolkas.

Ett perfekt arkiv kan innehålla både den gamla och den nya instruktionen. Kontinuitetsproblemet uppstår när systemet måste förstå vilken som fortfarande gäller.

2. State continuity – tillståndskontinuitet

State handlar om var arbetet faktiskt befinner sig just nu.

Vilket steg är aktivt?

Vad är färdigt?

Vilken filversion är den aktuella?

Vilken gren av ett arbetsflöde är den giltiga fortsättningen?

Det här skiljer sig från att bara ha en kronologisk historik.

Ett system kan känna till fem tidigare states men ändå behöva en mekanism för att avgöra vilket av dem som är det auktoritativa state som nästa handling ska bygga på.

3. Goal continuity – målkontinuitet

Långvarigt arbete kräver mål som kan överleva en enskild session.

Men mål måste också kunna förändras.

Ett mål kan uppnås.

Det kan ersättas.

En människa kan avbryta det.

Nya omständigheter kan göra det irrelevant.

Goal continuity betyder därför inte att ett mål ska leva för evigt. Det betyder att systemet måste kunna skilja mellan mål som fortfarande är aktiva och mål som bara finns kvar i historiken.

4. Commitment continuity – åtagandekontinuitet

Vissa beslut skapar framtida skyldigheter.

Rapporten ska skickas på fredag.

En kund ska kontaktas efter ett visst besked.

Ett inköp får först genomföras när en människa godkänt det.

Ett projekt är avslutat och ska inte automatiskt öppnas igen.

Sådana åtaganden ligger någonstans mellan minne, mål och ansvar.

De måste kunna följa med när de fortfarande gäller – men också kunna markeras som fullföljda, återkallade eller ersatta.

5. Identity continuity – identitetskontinuitet

När AI börjar utföra verkliga handlingar behöver systemen kunna svara på frågan:

Vilken agent gjorde detta?

Microsoft Entra Agent ID visar hur agentidentiteter kan få en egen teknisk identitet och egna tokenbaserade behörigheter inom Microsofts ekosystem.

Det här är inte en fråga om personlighet eller om att AI skulle vara en människa.

Det handlar om teknisk identifiering och spårbarhet.

Om en agent fortsätter efter en omstart eller migrering måste det gå att avgöra vilken logisk agent eller systemroll nästa handling hör till.

6. Authority continuity – auktoritetskontinuitet

Identitet svarar inte automatiskt på frågan om vad agenten får göra.

En agent kan vara korrekt identifierad och ändå sakna rätt att använda ett visst verktyg, läsa en viss datakälla eller genomföra en handling.

NIST:s NCCoE behandlar under 2026 frågor om identifiering, auktorisation, auditing och ansvar för mjukvaru- och AI-agenter. Arbetet är ett konceptarbete kring hur befintliga standarder och metoder kan tillämpas – inte en färdig AIC-standard.

För kontinuiteten är frågan särskilt viktig:

En behörighet som var giltig i går får inte automatiskt leva vidare i morgon om den har återkallats.

Det innebär att systemet inte bara måste kunna föra auktoritet vidare.

Det måste också kunna sluta föra den vidare.

7. Provenance continuity – provenienskontinuitet

Slutligen behöver systemet kunna förstå varifrån viktiga delar av state och historik kommer.

Vem skapade informationen?

Vilket verktyg ändrade den?

Vilket tidigare tillstånd byggde beslutet på?

Vad ändrades – och när?

W3C PROV är ett etablerat ramverk för provenance och beskriver hur relationer mellan entiteter, aktiviteter och aktörer kan dokumenteras.

PROV löser inte AI-kontinuitet i sig.

Men den typen av spårbarhet illustrerar en viktig byggsten: när ett långlivat system fortsätter måste det i efterhand gå att förstå var dess information och beslut kom ifrån.

Delarna utvecklas – men helheten är fortfarande öppen

Det kanske mest intressanta med utvecklingen är att flera av kontinuitetsproblemen redan behandlas praktiskt, men från olika håll.

Anthropic arbetar med strukturerade överlämningar och artefakter så att en ny agentsession kan förstå vad tidigare sessioner gjort.

Google arbetar med durable execution för långvariga arbetsflöden som måste kunna återupptas efter avbrott.

Microsoft arbetar med särskilda identiteter och behörigheter för AI-agenter.

NIST undersöker hur identitet, auktorisation, auditing och ansvar ska hanteras när agenter får tillgång till data, verktyg och applikationer.

W3C:s etablerade PROV-ramverk visar hur ursprung och förändringskedjor kan beskrivas.

Och forskare experimenterar med arkitekturer där kontinuitet behandlas som något mer än bara lagring av minne.

Ett närliggande forskningsspår finns i preprintet The Continuity Layer: Why Intelligence Needs an Architecture for What It Carries Forward, publicerat i april 2026. Där behandlas kontinuitet som en systemegenskap skild från både minne och informationshämtning. Arbetet beskriver sju egenskaper som ett kontinuitetssystem enligt författaren behöver uppfylla, bland annat persistens mellan sessioner, hantering av förändringar, tidsordning, rekonstruktion och modelloberoende.

Den indelningen är inte samma sak som NextNets sju AIC-dimensioner. The Continuity Layer beskriver egenskaper hos ett kontinuitetssystem, medan NextNets ramverk försöker samla de typer av information, ansvar och befogenheter som behöver kunna fortsätta korrekt över tid. Arbetet är ändå ytterligare ett exempel på att kontinuitet håller på att behandlas som en egen teknisk fråga, skild från minne ensamt.

Det betyder inte att dessa aktörer arbetar efter NextNets AIC-begrepp.

Det gör de inte.

Det betyder heller inte att någon av lösningarna ensam löser hela problemet.

Ett bättre minne avgör inte automatiskt vilket state som gäller.

En identitet avgör inte automatiskt vilka gamla mål som fortfarande är aktiva.

En inloggning avgör inte om ett gammalt åtagande fullföljts.

En logg avgör inte automatiskt vilken version som är korrekt.

Och en mekanism för återupptagning avgör inte ensam vad agenten fortfarande har rätt att göra.

Det är först när dessa frågor börjar mötas i samma långlivade system som den större kontinuitetsfrågan blir tydlig.

Kontinuitet kan bli ett säkerhetsproblem

Det är lätt att tänka på kontinuitet som en bekvämlighetsfunktion.

Ingen vill att en AI ska glömma projektet varje morgon.

Men felaktig kontinuitet kan vara betydligt allvarligare än förlorad bekvämlighet.

Tänk dig att ett gammalt state återaktiveras efter att arbetet redan gått vidare.

Eller att en behörighet som återkallats fortfarande ligger kvar i den kopia som agenten fortsätter från.

Eller att två instanser efter ett fel båda tror att de är den auktoritativa fortsättningen och båda utför samma handling.

Eller att en angripare lyckas manipulera information som senare följer med som om den vore en legitim del av agentens historia.

Continuity Kernel-preprintet tar bland annat upp risker kring stale updates, oauktoriserade state-förändringar, auditability och privilegieeskalering. Förslaget bygger därför på att kandidatförändringar inte automatiskt får bli aktiva bara för att de skapats.

Det här blir viktigare ju mer handlingskraft AI-system får.

Om en chatbot minns fel kan resultatet bli ett felaktigt svar.

Om en agent med tillgång till e-post, databaser, ekonomi- eller produktionssystem fortsätter från fel state kan resultatet bli en felaktig handling.

Kontinuitet blir därför inte bara ett minnesproblem.

Det blir en del av säkerheten och styrningen.

Kontinuitet betyder också att släppa rätt saker

Här finns en viktig paradox.

Det kan låta som om maximal kontinuitet betyder att så mycket information som möjligt ska sparas för alltid.

Men ett sådant system skulle kunna bli farligt och svårt att styra.

Gamla mål måste kunna avslutas.

Behörigheter måste kunna återkallas.

Felaktig information måste kunna korrigeras.

Föråldrade instruktioner måste kunna ersättas.

Uppgifter som ska tas bort måste kunna upphöra att påverka framtida arbete.

En gammal roll kanske inte längre ska tillhöra agenten.

Ett fungerande kontinuitetssystem måste därför hantera både bevarande och upphörande.

Det måste kunna svara på tre frågor:

Vad måste överleva?

Vad måste få upphöra?

Vem eller vad får avgöra skillnaden?

Det är ytterligare en anledning till att AIC inte kan reduceras till ”mer minne”.

AIC handlar inte om medvetande

Ju bättre kontinuitet AI-system får, desto lättare blir det samtidigt för människor att uppleva systemet som samma individ över tid.

Det kan minnas tidigare arbete.

Det kan återkomma till gamla projekt.

Det kan känna till tidigare beslut.

Det kan fortsätta från där ”det” slutade i går.

Men teknisk eller operativ kontinuitet är inte bevis för medvetande, subjektiv upplevelse eller personskap.

Ett AI-system skulle kunna ha mycket stark kontinuitet – stabil teknisk identitet, långtidsminne, bevarade mål, versionshanterat state och kontrollerad migration mellan modeller – utan att detta i sig säger någonting om huruvida systemet upplever något.

Preprintet om runtime-oberoende persistenta agenter gör samma avgränsning: den kontinuitet som behandlas är arkitektonisk och funktionell.

Det är viktigt att hålla de frågorna isär.

Behövs verkligen ännu en AI-förkortning?

Det är en rimlig invändning.

AI-världen är redan full av förkortningar.

AI, LLM, RAG, AGI, ASI, MCP och en växande mängd andra tekniska termer konkurrerar redan om uppmärksamheten.

Förkortningen AIC används redan i andra fackområden, bland annat för Akaike Information Criterion inom statistik och modellurval. I den här artikeln används AIC specifikt som förkortning för Artificial Intelligence Continuity.

Det finns inget egenvärde i att skapa ytterligare en.

Det är heller inte poängen med AIC.

Det intressanta är att AI-utvecklingen går så snabbt att nya egenskaper och problem börjar uppstå innan språket runt dem har stabiliserats.

AIC är tänkt som ett sätt att kunna tala om helheten.

En LLM beskriver en typ av modell.

RAG beskriver ett sätt att hämta relevant extern information.

Agentisk AI beskriver system som kan arbeta mot mål och använda verktyg.

Minne beskriver information som kan bevaras och återkallas.

Identitet beskriver vem eller vad som agerar.

Auktorisation beskriver vad systemet får göra.

AIC försöker i stället fånga frågan om hur dessa relevanta delar kan fortsätta tillsammans på ett korrekt, kontrollerat och verifierbart sätt över tid.

Varför frågan behöver diskuteras nu

Så länge generativ AI huvudsakligen användes för att svara på frågor eller skapa en text var kontinuitetsproblemet relativt begränsat.

Agentutvecklingen förändrar det.

System kan få egna tekniska identiteter.

De kan få tillgång till externa verktyg och data.

De kan arbeta mot långvariga mål.

De kan pausa i väntan på en människa.

De kan fortsätta i en ny session.

Och forskningen undersöker redan hur delar av en agent skulle kunna föras vidare även när modell, harness eller server byts.

Då börjar flera frågor som tidigare kunde hanteras separat mötas i samma system:

Vilket state är auktoritativt?

Vilka mål lever fortfarande?

Vilka åtaganden är redan uppfyllda?

Vilken agent fortsätter?

Vilken behörighet får följa med?

Hur vet vi var informationen kommer ifrån?

Hur återkallar vi något som inte längre ska gälla?

Hur granskar vi ett beslut långt efter att den modell som tog det har bytts ut?

Och vad måste vara sant för att vi ska kunna säga att nästa körning verkligen är en korrekt fortsättning på den föregående?

Det finns ännu inget gemensamt slutgiltigt svar på hela den frågan i den verifierade källbasen.

Men det är just därför diskussionen är relevant nu.

Det är betydligt lättare att diskutera kontinuitet, kontroll och ansvar medan arkitekturerna byggs än efter att långlivade agenters beteenden blivit osynlig infrastruktur i vardagen.

Varför NextNet föreslår Artificial Intelligence Continuity

NextNet gör inte anspråk på att ha upptäckt kontinuitetsproblemet.

Det vore fel.

Forskarna, teknikföretagen och standardiseringsaktörerna arbetar redan aktivt med olika delar av det.

I researchen inför den här artikeln har NextNet inte identifierat Artificial Intelligence Continuity, AIC, som ett etablerat standardbegrepp med den samlade betydelse som används här. Däremot finns närliggande forskning som uttryckligen behandlar AI-kontinuitet och continuity layers ur andra perspektiv.

Det bevisar inte att orden aldrig har använts någonstans.

Det betyder att NextNet använder AIC som ett eget pedagogiskt samlingsbegrepp för att kunna beskriva flera närliggande frågor som delar av samma större problem.

Kanske blir AIC aldrig det etablerade namnet.

Det är inte det viktiga.

Det viktiga är att frågorna som begreppet försöker samla redan finns – och att de blir svårare att behandla var för sig ju mer självständiga och långlivade AI-systemen blir.

Om Artificial Intelligence Continuity kan hjälpa oss att se dessa frågor som delar av samma större problem har begreppet redan fyllt en funktion.

Resten avgörs av forskningen, teknikutvecklingen och de människor som bygger systemen.

💬 Vad tycker du?

När AI-agenter börjar arbeta under längre tid – vilken del av deras kontinuitet tycker du är viktigast att kunna kontrollera?

Dela gärna dina tankar i kommentarerna.

📚 Relaterade artiklar