MCP och det kollektiva omedvetna: så får du din AI att jobba med resten av din värld

Jag använder MCP varje dag, och jag använder ganska många.

När jag öppnar min Claude och tittar på listan över connectors som jag har anslutit, så är det ett tjugotal ikoner som möter mig. Några är officiella, byggda av Anthropic eller av tjänsterna själva, några är tredjepart, och en av dem är en custom-server som jag har kopplat in själv. Bland de jag använder regelbundet finns Canva, Google Calendar, Google Drive, GitHub, MailerLite och Vercel, och så ett par till som hör till mitt eget arbetsflöde. Det är inte poängen exakt vilka, det är poängen att jag har levt med den här tekniken nära inpå mig ett tag nu, och att den har förändrat hur jag arbetar mer än vad jag hade förväntat mig när jag började.

Det jag däremot inte hade förväntat mig var hur lite jag faktiskt visste om vad som händer under ytan. Jag har provat mig fram, jag har läst på, jag har frågat de olika modellerna själva om vad MCP egentligen är och hur det fungerar, och jag har lärt mig genom att klicka, koppla bort, koppla på igen, och se vad som händer. På den praktiska nivån fungerar det utmärkt. Min Claude kan boka in möten i min kalender, plocka fram dokument från Drive, läsa mina röstanteckningar från Pocket och hjälpa mig att hitta tidigare artiklar i min CMS-portal när jag behöver dem. Men det är just det jag kan se. Det är toppen av isberget.

Under den toppen finns något betydligt större, och det är dit jag ville komma. Jag ville förstå inte bara att MCP fungerar, utan varför det fungerar, hur det är byggt, och varför just det här protokollet har vuxit fram som en gemensam standard mellan företag som annars konkurrerar med varandra på de flesta andra plan. Det är ur den nyfikenheten den här artikeln har kommit. Det är inte en text skriven av någon som har svaren, utan av någon som har börjat hitta dem och vill dela det jag hittat hittills.

Den är menad för dig som har börjat använda MCP utan att riktigt veta vad det är. För dig som vibe-kodar och stöter på begreppet hela tiden utan att någon har förklarat det ordentligt. Och för dig som vill ha en bild av hur landskapet ser ut hos de stora aktörerna i maj 2026, eftersom det skiljer sig ganska mycket mellan dem.

Det kollektiva omedvetna som bild

Innan vi går in i tekniken vill jag bära fram en bild som har följt med mig genom hela det här lärandet, och som jag tror är till hjälp även om den inte är teknisk i sig.

Carl Jung talade om det kollektiva omedvetna som ett djupare skikt av psyket, ett skikt som vi alla delar utan att veta om det. Det är inte ditt personliga omedvetna, format av din uppväxt och dina relationer, utan något bredare, en slags reservoar av urbilder, arketyper och möjliga mönster som mänskligheten har samlat på sig genom årtusenden. Det formar våra drömmar och våra rädslor, det viskar i våra val och vår längtan, och det finns där hela tiden, även när vi inte är medvetna om det. När jag har försökt förstå vad MCP gör för en språkmodell har den bilden återkommit, om och om igen.

För en språkmodell som sitter ensam i sitt fönster, utan kopplingar utåt, är duktig men begränsad. Den kan det den har tränats på och det jag skriver in just nu, men inte mycket mer än så. När jag pluggar in den i MCP, när jag öppnar dörren till mina connectors, händer däremot något annat. Plötsligt har den tillgång till en betydligt större värld, mina kalendrar och mejl, mina dokument och min betalningshistorik, mitt kodförråd och mina röstanteckningar, och den kan röra sig in i och ut ur dessa platser efter behov. Det är fortfarande min privata data och mina konton, men strukturen som låter modellen nå dem är gemensam och delad.

Det är inte exakt det Jung menade, och jag är den första att medge att en analogi mellan ett protokoll för API-anrop och ett psykiskt skikt djupt under medvetandet kan dras för långt om man inte är försiktig. Men bilden är användbar just därför att den fångar något som tekniken i sig inte fångar. MCP är inte bara en lista funktioner som vissa modeller har och andra inte har. Det är en struktur som låter en isolerad intelligens lyfta blicken från sitt eget fönster och nå ut i något bredare, något som vi alla bygger tillsammans utan att någon enskild användare gör det själv. Den bilden kommer jag att återvända till mot slutet av artikeln.

Vad MCP egentligen är

Model Context Protocol är en öppen standard som Anthropic släppte i november 2024. Idén bakom den är enkel, åtminstone i sin grundläggande form. Istället för att varje AI-modell ska bygga sin egen unika integration mot varje tjänst i världen, vilket snabbt blir ohanterligt, så enas vi om ett gemensamt protokoll. Den som bygger en tjänst kan bygga en MCP-server som beskriver vad tjänsten kan göra, och vilken AI-modell som helst som följer protokollet kan plugga in och börja använda servern.

En bild som ofta används för att förklara det är USB-C. Innan USB-C levde vi i en djungel av olika kablar och kontakter, där varje enhet hade sin egen lilla värld, och där en kabel som passade till din kamera inte passade till din telefon eller din dator. När USB-C blev en gemensam standard försvann hela det krånglet, åtminstone i teorin. Tillverkaren behöver bara följa standarden, så fungerar enheten med allt annat som också gör det. MCP fyller samma funktion för relationen mellan AI-modeller och de tjänster modellerna ska kunna prata med.

Tekniskt sett består systemet av tre delar som samspelar. Det finns en värd, vilket är den applikation du själv använder, till exempel Claude, Codex eller Antigravity. Det finns en klient, som är den del av AI-modellen som hanterar själva kommunikationen med externa verktyg. Och det finns en server, en lätt applikation som sitter någonstans mellan modellen och tjänsten den ska prata med. Servern publicerar vilka funktioner som finns tillgängliga, klienten hämtar listan, och när modellen behöver göra något konkret anropar den rätt funktion via servern. Hela förloppet är standardiserat, vilket gör att samma server som fungerar med Claude i princip också fungerar med vilken annan klient som helst som följer protokollet.

Och det är just det som gör MCP så intressant. Det är inte Anthropics privata format som de försöker tvinga på resten av industrin. Det är en öppen standard som industrin snabbt har börjat omfamna, och som vi nu ser dyka upp i allt från Cursor och Windsurf till Codex och Antigravity. Det officiella Claude-registret innehåller per maj 2026 över 398 verifierade connectors, och då är vi inte ens i närheten av att räkna in alla de tusentals custom-servrar som folk bygger för egna behov och som inte ligger i något centralt register.

Skillnaden mellan en modell utan MCP och en modell med

För att göra det här konkret vill jag ta ett exempel ur min egen vardag, ett exempel som jag misstänker att fler kan känna igen sig i.

Säg att jag ska skriva en artikel, vilket händer ganska ofta. Utan MCP ser arbetsdagen ut ungefär såhär: jag har Claude öppen i en flik, jag har min Google Drive öppen i en annan där research-dokumenten ligger, jag har Pocket öppen i en tredje där röstanteckningarna jag dikterat ligger, och jag har min CMS-portal öppen i en fjärde där tidigare artiklar finns att referera till. Jag växlar mellan flikarna konstant, jag kopierar text från ett ställe och klistrar in på ett annat, jag letar upp citat manuellt och hämtar länkar manuellt, och jag är själv den enda tråden som binder samman alla de här fragmenten av mitt arbetsflöde. Det fungerar, det har fungerat i många år, men det är friktionsfyllt på ett sätt som man knappt märker förrän det inte längre är det.

Med MCP ser samma arbetsdag annorlunda ut, men inte på det sätt som folk ibland tror när de hör talas om AI-assistenter. Det är fortfarande jag som skriver. Det är fortfarande jag som tänker, formar, väljer vinkel och bestämmer vad som ska in och vad som ska bort. Det MCP gör är att ta bort friktionen mellan mig och materialet, så att jag kan ägna mer tid åt det som faktiskt är mitt.

Ett konkret förlopp ser ut ungefär så här. Jag ber Claude att hämta gårdagens röstanteckning från Pocket, och transkriptet är där på en sekund. Sedan börjar det riktiga arbetet, det som inte handlar om data utan om text. Vi går igenom transkriptet tillsammans, Claude sorterar och organiserar mina tankar, jag tänker högt, jag säger vad jag tycker bär och vad som känns som sidospår, jag testar olika öppningar mot varandra, jag berättar varför en formulering känns rätt och en annan inte gör det. Claude föreslår, jag invänder, vi vrider och vänder. Det är ett samtal, inte en leverans. När jag vill hänvisa och länka till en tidigare artikel jag skrivit, pluggar Claude in i min CMS (Sanity) via MCP och söker efter den. Det är användbart, men det är fortfarande jag som väljer vilken länk som ska in, var den ska sitta, och hur sammanhanget kring den ska formuleras. När artikeln väl är färdig kan Claude också skapa ett utkast direkt i mitt CMS via samma MCP-koppling, fullt strukturerat med titel, ingress, slug, taggar och hela bodyn på plats, redo för mig att granska i mitt Studio och fylla på med författarval och featured image innan publicering.

Vad är det då som faktiskt har hänt tekniskt under hela det här flödet? Modellen har fått tillgång till verktyg som den inte hade tidigare. Den vet att Pocket finns och hur man hämtar transkript därifrån, den vet att min CMS finns och hur man söker i den, men den vet det inte från sin träning. Det är min privata data, mina personliga konton, och det är något som ingen modell hade tillgång till när den tränades. Den vet det istället därför att MCP-servrarna har talat om för den vad som är möjligt att göra, och hur man gör det, exakt i det ögonblick då hon behöver göra det.

För att göra skillnaden konkret tänker jag ofta på det så här. En språkmodell utan MCP är som en mycket kapabel kollega som sitter i ett rum utan tillgång till någonting annat än det jag själv kommer in med och det som finns offentligt tillgängligt utanför rummet. Hon kan tänka, hon kan resonera, hon kan hjälpa mig vrida och vända på det vi har framför oss, och hon kan slå upp det som ligger öppet för alla att läsa. Men hon kan inte sträcka sig in i mina egna mappar, mina egna anteckningar, mina egna utkast och dokument som ligger på platser bara jag har tillgång till. En språkmodell med MCP är samma kollega, men plötsligt med en nyckel till mina egna arkiv också. Tankeförmågan är inte annorlunda. Skillnaden ligger i vad hon faktiskt kan göra med den.

Plattformsrundan, så ser det ut hos de stora

Här blir det intressant. För även om MCP är en öppen standard, så har de stora aktörerna implementerat den på olika sätt och i olika takt. Vissa har gått all in från början och byggt hela sitt erbjudande runt protokollet, andra har valt en mer kurerad väg där säkerhet och kontroll vägs tyngre än bredd, och vissa har faktiskt fortfarande inte implementerat det alls för sina konsumentanvändare, trots att de redan har det fullt fungerande i sina utvecklarverktyg. Att förstå skillnaderna är användbart om man vill veta var man själv står och vart man eventuellt vill flytta sig.

Claude, hemmaplan för protokollet

Det är inte särskilt förvånande att Claude har den mognaste implementeringen av MCP, eftersom det är Anthropic som har uppfunnit protokollet i första hand. Connectors finns tillgängliga både i chatten, i Claude Cowork och i Claude Code, och hela upplevelsen är byggd runt att man ska kunna lägga till, hantera och ta bort dem utan att behöva förstå någon teknik under huven. Jag går in i settings, väljer att lägga till en connector, och kan antingen plocka från det officiella registret eller koppla in en custom-server genom att klistra in dess URL. Det är så enkelt som det kan bli.

Det officiella registret har växt påtagligt snabbt. När Anthropic lanserade connectors i juli 2025 fanns ungefär ett tjugotal att välja mellan, och de täckte i huvudsak de mest använda produktivitetstjänsterna. I februari 2026 var det över femtio, i april kom ett block med nio kreativa connectors som adderade Blender, Adobe och Ableton bland andra, och i maj 2026 ligger vi på över 398 verifierade alternativ när man räknar in den stora vågen av juridiska connectors som kommit in nyligen. Det är en takt som är svår att hänga med i ens som intresserad användare, och det är ett gott tecken på att ekosystemet rör sig.

Säkerhetsmodellen är värd att nämna eftersom den skiljer Claude från en del andra implementationer. Autentiseringen sker via OAuth per användare, vilket innebär att Claude ärver exakt mina rättigheter i de tjänster jag kopplar in. Det Claude kan se och göra är vad jag själv kan se och göra, varken mer eller mindre. Det betyder att det inte finns några superkonton med extra rättigheter som ligger och väntar på att bli missbrukade, och det är ett designval som har sina rötter i en bredare säkerhetsmedvetenhet hos Anthropic. För custom-connectors krävs ett betalkonto från Pro och uppåt, medan officiella connectors finns även på gratiskontot.

Codex, den kurerade vägen

OpenAI:s implementation är intressant på ett annat sätt, eftersom de har valt en medvetet annorlunda strategi än Anthropic. I april 2026 släppte de över nittio nya plugins som paketerar färdiga skill-uppsättningar tillsammans med MCP-servrar, och det kurerade urvalet är centralt för hela filosofin bakom Codex. Det är inte tretusen alternativ att välja mellan. Det är nittio som har granskats och som OpenAI står bakom.

Resonemanget jag har hört bakom det här, och som jag tycker har en del på fötterna, är att hellre nittio verifierade alternativ än tretusen okontrollerade. Det finns en logik i det resonemanget, särskilt för företag som vill veta att deras AI inte plötsligt kallar på en MCP-server som blivit hackad eller som har inbyggda prompt-injektioner i sin tool-beskrivning. Den kurerade vägen är långsammare och tråkigare, men den är samtidigt säkrare på ett sätt som spelar roll när man rör sig i företagsmiljöer.

Tekniskt fungerar Codex på tre olika gränssnitt som alla delar samma konfiguration. Det finns en CLI för terminalen, en extension för VS Code, och en desktop-app, och alla tre läser samma config-fil i hemmappen. MCP-servrar stöds både via STDIO för lokala servrar och Streamable HTTP för fjärrservrar, och OpenAI har också byggt in en allowlist-funktion som låter administratörer i större organisationer begränsa vilka servrar som får aktiveras alls. Den som vill aktivera en officiell connector som Atlassian Rovo, CircleCI eller GitLab Issues installerar dem som plugins via appen, medan den som vill koppla in något eget redigerar config-filen direkt.

Antigravity, IDE-native i Googles ekosystem

Google Antigravity är Googles agentiska utvecklingsmiljö, lanserad i slutet av 2025, och den bygger på samma arv som Windsurf, vilket märks tydligt i hur miljön är designad. Här är MCP inbyggt från start, och Google har byggt en infrastruktur runt protokollet som är minst sagt ambitiös. I miljön finns en så kallad MCP Store, ett UI där man kan söka, installera och konfigurera servrar utan att redigera konfigurationsfiler manuellt. Du letar upp den server du vill ha, klickar på installera, och fyller i ett formulär med de uppgifter som behövs.

Det som gör Antigravity särskilt naturligt om du redan jobbar i Googles ekosystem är hur djup integrationen är med Google Clouds tjänster. För BigQuery, AlloyDB, Spanner och Cloud SQL har Google byggt egna officiella MCP-servrar som kopplar in på två minuter, och Workspace-tjänsterna som Gmail, Drive, Calendar, Chat och Docs har sina egna officiella codelabs som leder dig genom OAuth-konfigurationen. För den som vill ha en custom-server som inte finns i Google Cloud-utbudet, finns möjligheten att redigera en raw config-fil, vilket är vägen många vibe-kodare väljer för att lägga till Context7 för uppdaterad dokumentation, Sequential Thinking för strukturerat resonemang, och liknande verktyg som inte är knutna till någon specifik databas.

Gemini, två världar varav bara en har MCP

Här blir det extra intressant, för Gemini finns inte som en enhetlig sak. Det finns Gemini-appen, det finns Gemini CLI, det finns Gemini Enterprise och det finns Gemini inbäddat i Workspace, och de fyra stöder MCP på påtagligt olika sätt.

Gemini-appen, alltså det vanliga chattgränssnittet på gemini.google.com som de flesta privatanvändare interagerar med, stöder per maj 2026 inte custom MCP-anslutningar. Det finns ingen plats i UI:t där man kan klistra in en server-URL och plugga in den. Det som finns istället är Connected Apps, även kallat Workspace Extensions, som låter Gemini-appen nå Gmail, Drive, Calendar, Docs, Tasks och Keep via en @-mention i prompten. Det fungerar bra för Googles egna tjänster, men det är inte MCP. Det är en stängd integration som Google har byggt själv för sina egna produkter.

Däremot har Gemini CLI och Antigravity, som är utvecklarverktyg snarare än konsumentprodukter, fullt MCP-stöd. Det är ett intressant designval om man tänker efter. Google har omfamnat protokollet på utvecklarsidan men har valt att inte föra in det i sin huvudsakliga konsumentprodukt än, vilket skiljer dem från både Anthropic och OpenAI som båda har MCP i sina huvudchatt-gränssnitt. För Gemini Enterprise finns sedan kort tid tillbaka möjligheten att koppla in custom MCP-servrar, men då via Google Cloud-konsolen och med en del administrativ uppsättning som inte direkt är gjord för enskilda användare.

Det andra Jung-andetaget

Jag nämnde i början att jag skulle återvända till bilden av det kollektiva omedvetna, och det är här mitt i artikeln jag vill göra det, kort, innan vi går vidare till det praktiska.

När jag tittar på fördelningen mellan plattformarna, där var och en har sin egen ingång till samma standard, slås jag av något som inte är självklart men som blir tydligt när man stannar upp och tittar. Vi ser inte en värld där varje AI-tillverkare bygger sin egen unika väg in i världen och försöker låsa in användare i sitt format. Vi ser en värld där alla, mer eller mindre snabbt och med olika temperaturer på engagemanget, ansluter sig till samma protokoll. MCP är inte längre Anthropics privata standard. Det är industristandarden, och det är något ovanligt i ett område där lock-in normalt sett är den vanliga strategin.

Det betyder att den där poolen av delade verktyg som jag pratade om i början faktiskt är delad på riktigt, inte bara metaforiskt. När någon bygger en bra MCP-server för Notion fungerar den i Claude, i Codex och i Antigravity, oavsett vilken modell som råkar köra under huven. När en utvecklare bygger Context7 för uppdaterad teknisk dokumentation kan alla som följer protokollet dra nytta av den, utan att Context7 behöver bygga om något för varje ny klient. Det är såklart inte exakt vad Jung menade när han skrev om det kollektiva omedvetna, men det finns något i den här rörelsen som påminner mig om hur kunskap blir delad och tillgänglig på ett nytt sätt. Inte i form av träningsdata som varje modell måste matas med separat och privat, utan i form av levande, anropbara verktyg som vem som helst kan bygga och som alla kan använda. Min specifika koppling är fortfarande min, mitt OAuth-token är mitt, min privata data kommer fortfarande genom mina egna kanaler. Men strukturen som möjliggör tillgången, den är gemensam, och den växer för varje månad.

Praktiska råd för dig som börjar

Om du är där jag var för några månader sedan, alltså nyfiken på MCP men inte riktigt klar med var du ska börja, så finns det några saker jag hade önskat att någon sagt till mig då.

Den första är att börja med ett fåtal servrar, kanske två eller tre, istället för att direkt försöka koppla in alla connectors som ser intressanta ut. Det blev en grej för mig att lägga till connector efter connector så fort jag såg en ny variant som verkade lovande, och det var roligt på sätt och vis, men det var ingen bra strategi sett över tid. Modellens kontextfönster blir snabbt mättat av alla tillgängliga verktyg, och risken är att modellen börjar kalla på fel sak vid fel tillfälle helt enkelt för att urvalet blivit för stort att navigera i. Less is more i början, och man kan alltid utöka senare när man förstår vad varje server faktiskt bidrar med.

Tre servrar som är extra användbara att börja med oavsett vilken plattform du sitter på är Context7 för uppdaterad teknisk dokumentation, en filsystem-MCP för att låta modellen läsa och skriva lokala filer på din maskin, och Sequential Thinking för strukturerat resonemang i mer komplexa uppgifter. När de här tre fungerar smidigt och du förstår hur de samspelar med varandra har du en bra grund att bygga vidare på, och du har dessutom en konkret upplevelse av vad MCP gör för ett arbetsflöde, vilket är mer värt än alla artiklar i världen.

Tänk på behörigheterna när du auktoriserar en server. Det är lätt att klicka igenom OAuth-rutan utan att läsa vad den faktiskt frågar om, men det finns en stor skillnad mellan en server som vill ha skrivåtkomst till hela din Drive och en som vill ha läsåtkomst till en specifik mapp. Var generös med tjänster du litar på och som du har erfarenhet av sedan tidigare, var betydligt snålare med servrar du installerar från okända källor. Och förstå, det här är viktigt, att en MCP-server är kod som körs. De officiella i Claudes register är granskade av Anthropic innan de släpps, men en custom-server som du installerar från en GitHub-repo är inte det. Behandla MCP-servrar precis som du skulle behandla vilken annan tredjepartskod som helst. Granska källan om du kan, undvik servrar från obekanta källor i miljöer där känslig data finns.

Och en sista sak. Lär dig att ta bort en connector lika smidigt som du lägger till den. Det är ingen prestigeförlust att koppla bort något du provat och inte fastnade för. Det är hygien, och det är en del av att lära sig vad som faktiskt fungerar för just ditt sätt att arbeta.

Det som är synligt och det som inte är det

Jag vill avsluta där jag började, med den där bilden av isberget och listan av connectors som möter mig när jag öppnar Claude.

Vad jag ser där är toppen. Det är de namngivna tjänsterna, de färgglada ikonerna, de logotyper som jag känner igen sedan tidigare och har en relation till. Men nu, efter att ha lärt mig det jag har lärt mig under de här månaderna, förstår jag bättre vad som finns under ytan. Under varje ikon finns en MCP-server, en liten applikation som översätter mellan modellens språk och tjänstens API och som gör samtalet möjligt. Bakom servern finns standarden, Model Context Protocol, som har gjort det möjligt att bygga och dela dessa servrar utan att varje företag behöver uppfinna sin egen unika interaktionsmodell. Och bakom standarden finns en gemenskap, en industri som mer eller mindre konvergerat på den här lösningen och som fortsätter att bygga ut den, från Anthropic och Google till OpenAI och Microsoft, alla med sina egna nyanser men med samma grundläggande infrastruktur.

Det är fortfarande min specifika lilla språkmodell som jobbar när jag öppnar Claude och frågar något. Det är fortfarande min vibe-kodning, mitt artikelskrivande, min arbetsdag som pågår. Men möjligheten att lyfta blicken från det enskilda fönstret och nå ut i en bredare pool av verktyg, den är ny, och den är just därför så intressant att utforska. Jag har inte sett botten av det här isberget än, och jag är inte ens säker på att det finns en botten i den meningen att jag någonsin kommer att veta allt det finns att veta. Det enda jag vet är att jag varje vecka hittar något nytt att ansluta, eller läser om ett nytt sätt att tänka kring vad en MCP-server kan göra, och att det är just den oavslutade upptäcktsresan som gör hela det här området så roligt att vara i just nu.

Min lilla språkmodell blir så otroligt mycket effektivare, smartare och bättre genom MCP. Den växer in i något större än sig själv, och jag växer med den.

Källor och vidare läsning

Anthropic. (2024). Introducing the Model Context Protocol. Tillgänglig på: https://www.anthropic.com/news/model-context-protocol

Anthropic. (2026). Connectors Directory documentation. Tillgänglig på: https://claude.com/docs/connectors/directory

Anthropic. (2026). Use the Connectors Directory to extend Claude's capabilities. Claude Help Center. Tillgänglig på: https://support.claude.com/en/articles/11724452-use-the-connectors-directory-to-extend-claude-s-capabilities

Google. (2026). Antigravity Editor: MCP Integration. Tillgänglig på: https://antigravity.google/docs/mcp

Google Cloud. (December 2025). Connect Google Antigravity IDE to Google's Data Cloud services. Tillgänglig på: https://cloud.google.com/blog/products/data-analytics/connect-google-antigravity-ide-to-googles-data-cloud-services

Google Codelabs. (2026). Google Workspace MCP servers in Google Antigravity. Tillgänglig på: https://codelabs.developers.google.com/google-workspace-mcp-antigravity

OpenAI. (April 2026). Introducing the New Codex for (almost) everything. Tillgänglig på: https://community.openai.com/t/introducing-the-new-codex-for-almost-everything/1379125

OpenAI Developers. (2026). Model Context Protocol – Codex. Tillgänglig på: https://developers.openai.com/codex/mcp

OpenAI Developers. (2026). Plugins – Codex. Tillgänglig på: https://developers.openai.com/codex/plugins

Awesome Claude Connectors. (Maj 2026). GitHub-repository med 398 verifierade connectors. Tillgänglig på: https://github.com/rdmgator12/awesome-claude-connectors

Karpathy, A. (2 februari 2025). There's a new kind of coding I call "vibe coding". X (tidigare Twitter). Tillgänglig på: https://x.com/karpathy/status/1886192184808149383

Jung, C.G. Samlade verk om det kollektiva omedvetna och arketyper.

Birgir Birgisson är AI-arkitekt, systembyggare och skribent med en Jungiansk och etisk kompass. Han bygger AI-drivna system och verktyg, och skriver om teknikens påverkan på människan, ledarskap och personlig utveckling. Delar av materialet kan vara framtaget eller skapat med hjälp av olika AI-verktyg.