Maneit er et kontrollert AI-arbeidslag for reelle arbeidsprosesser.
Et local-first system som kombinerer intenttolking, auditert minne, spesialiserte agentroller og produksjonspipelines for å gjøre AI mer stabilt, mer repeterbart og mer brukbart enn vanlig chat.
Dette er ikke laget for alle. Det er designet for konkrete brukere i konkrete arbeidsprosesser, der kvalitet, kontroll og tilpasning betyr mer enn generisk enkelhet.
Kjernesystem, ikke univers
- AI som arbeidslag, ikke bare ett chatgrensesnitt.
- Kontrollert routing, minnehygiene, audit og approvals.
- Prosjekter og pipelines som bærer arbeid over tid.
- Testet som proof of concept i liten skala, uten å overselge modenhet.
Hvorfor dette er relevant
For arbeidsgivere og samarbeidspartnere handler dette om noe mer enn én app: et gjennomtenkt AI-lag som kan kobles til faktiske arbeidsprosesser der stabilitet, kontroll og sporbarhet betyr noe.
Hva Maneit faktisk er
Maneit er et operativt lag rundt AI. Poenget er ikke å få mest mulig tekst ut av en modell, men å gjøre arbeid mer styrbart: avklare intent, rute riktig oppgave til riktig lag, holde kontekst ren og la resultater verifiseres før de blir permanente.
Kontrollert
Routing, approvals og audit gjør at systemet oppfører seg mer som et arbeidslag enn som en fri chatbot.
Modulært
Portal, runner, engine, minnelag og pipelines kan forbedres uavhengig uten at hele systemet må bygges om.
Local-first
Data og arbeid kan holdes nær brukeren, med hybrid kobling til eksterne modeller når det faktisk gir verdi.
Bygget for arbeid
Prosjekter, artifacts og produksjonsflyt blir behandlet som førsteordens objekter, ikke som biprodukter av en chat.
Hvor vanlig AI-chat faller kort i reelt arbeid
Vanlige chatgrensesnitt er raske å bruke, men svake som arbeidslag. De gjetter intent, mister struktur over tid og blander raske avklaringer sammen med tyngre produksjonsarbeid.
For mye gjetting
Modellen må ofte gjette hva brukeren egentlig mener, fordi intent, scope og neste steg ikke blir avklart tydelig nok før den begynner å produsere.
For lite varighet
Kontekst blir liggende i enkeltsamtaler. Arbeid dør i tråder i stedet for å leve videre som prosjekter, artifacts og styrte pipelines.
For svak kontroll
Når interaksjon og produksjon blandes, blir det vanskeligere å auditere, korrigere og vite hva som faktisk skal få stå som gyldig resultat.
En enkel og brutal systemfigur
Dette er kjernen: bruker og portal inn i et kontrollag som avklarer intent, routing, approvals og audit, videre inn i utførelse, modeller, minnelag og produksjonsobjekter som prosjekter, pipelines og agentroller.
Systemet er ikke «flere bots»
Det viktige er strukturen mellom lagene: et kontrollag som begrenser problemrommet, et utførelseslag som faktisk gjør arbeid, og minne- og produksjonsobjekter som gjør at resultater kan bevares, auditeres og bygges videre på.
Interaction layer
Responsivt inngangslag for avklaring, capture og første routing. Internt kalles dette Jeff.
Coordinated execution
Koordinert arbeid mellom flere lag, modeller og verifikatorer når oppgaven krever mer enn én rask respons. Internt kalt Hivemind.
Audited memory
Korttidskontekst holdes separat. Delt og varig minne forfremmes først når det har verdi, er ryddet og tåler kontroll.
Interaksjon og produksjon er ikke det samme
Dette er et av hovedpoengene i systemet: det som må føles raskt for brukeren, skal ikke nødvendigvis være det samme laget som bruker tid på grundig produksjon.
Interaksjon
- Rask og responsiv
- Brukes for avklaring, styring og lavfriksjons capture
- Avgrenser intent og reduserer støy før mer arbeid settes i gang
- Skal være lett å forstå og lett å korrigere
Produksjon
- Langsommere og grundigere
- Kjører i prosjekter, pipelines og spesialiserte roller
- Kan bruke mer kontekst, flere steg og verifikasjon
- Kvalitetssikres før arbeid forfremmes til varig tilstand
Local-first, hybrid og bygget for kontroll
En av de viktigste differensiatorene er at systemet er bygget rundt styring og dataeierskap, ikke rundt én bestemt modell eller én skyavhengig leverandør.
Local-first
Brukeren eller miljøet skal kunne eie dataene, konteksten og kontrollpunktene så langt det er praktisk mulig.
Offline-capable
Deler av systemet kan kjøres uten internett der det trengs, spesielt i miljøer der frakobling eller begrenset eksponering er viktig.
Hybrid
Lokale modeller og eksterne enterprise-modeller kan kombineres etter behov, uten at arbeidslaget må bygges om fra bunnen.
Model-agnostic
Verdien ligger i kontrollaget, minnehygienen og produksjonsflyten — ikke i å være låst til ett modellnavn.
Hvorfor dette kan gi bedre resultater enn vanlig AI-chat
Reasoning-layeret gjør ikke modellen magisk smartere. Det snevrer inn problemrommet, avklarer intent og reduserer støy. Det alene kan gjøre resultatene merkbart mer stabile.
Hva systemet gjør bedre
- Modellen slipper å gjette intent like mye.
- Riktig kontekst gis til riktig lag i riktig tidsrom.
- Korttidsminne holdes separat fra varig delt kunnskap.
- Produksjonsarbeid kan verifiseres før det blir permanent.
Hva det ikke påstås
- Ikke at AI plutselig blir AGI.
- Ikke at full autonomi er målet i seg selv.
- Ikke at én modell løser alt alene.
- Poenget er struktur, driftbarhet og mer repeterbart arbeid.
Ærlig status: hva som er bygget, testet og fortsatt åpent
Retningen er testet og fungerer som proof of concept i liten skala, men flere viktige ting gjenstår før dette kan kalles ferdig validert.
Kjernen som finnes
- Reasoning layer som arbeidsprotokoll
- Portal-retning og arbeidsmodell
- Proof of concept for interaction layer
- Proof of concept for koordinert utførelse
- Tidlige produksjonsobjekter som prosjekter og pipelines
Hva som faktisk er bekreftet
- Liten skala på egen testbench
- Enkel kjede fra input til handling bekreftet
- Fordelt ansvar testet på flere maskiner
- Visse workflows og handoffs fungerer
- Retningen er levedyktig som systemidé
Det som fortsatt er åpent
- Stor skala og langvarig produksjon
- Flere brukere og bredt driftsmiljø
- Fullt validerte approval- og auditløp
- Tung drift på dedikert hardware
- Langsiktig robusthet under kontinuerlig bruk
Systemsyn før hype
Bygget av én person med bakgrunn fra prosessindustri, systemsyn og selvstyrt teknisk utvikling innen AI, nettverk, verktøydesign og observability. Det som vises her er derfor ikke bare kodeinteresse, men en måte å strukturere problemer og arbeidsflyt på.
Hvorfor dette perspektivet betyr noe
Erfaring fra prosess og drift gjør det naturlig å tenke i kontrollpunkter, handoffs, feilmodi og hva som faktisk må være sant for at et system skal være brukbart over tid.
Operator-first i praksis
Målet er ikke å erstatte menneskelig vurdering, men å gi operatøren et system som gjør intensjon tydeligere, arbeid mer sporbart og produksjon tryggere å bygge videre på.