Utgångspunkten för allt som följer: vi har byggt ett system som kan ta vilken webbplats som helst och återskapa den exakt som den ser ut, i perfekt, underhållbar kod av produktionsklass, och som kan skapa ett obegränsat antal nya sajter i toppklass som ingen sett förut. Ingen annan kan det.
Beviset kommer på nästa skärm. Resten av sidan bevisar ingenting; den förklarar. Bilderna är platshållare, inte resultat. Alla belopp på sidan är i amerikanska dollar (USD).

Varje AI på jorden misslyckas med samma sak, och inget AI-företag har löst det. Vi är de enda som kan. Först två konkreta exempel: vad en vanlig användare får, och vem som betalar. Sedan, i tur och ordning: vad problemet är, varför det finns, varför ingen annan löser det, hur vi gör det, hur mycket av det som är byggt, och vad det är värt. Kortversionen: frontend och design är en marknad på ungefär 500 miljarder dollar per år, och det här är det enda som gör att en AI kan ta den.

Vad det är. En återskapning av Stripes svenska startsida, byggd av vårt system i ett enda försök. Källkoden: github.com/JoelEmanuelNilsson/not-stripe. Koden är av produktionsklass och går att underhålla: React 19 och TypeScript, en mapp per komponent (35 st) med egna stilar, färger, typsnitt och avstånd samlade som designtokens, all text i en enda innehållsfil, och en typkontroll och 33 tester som går igenom.

Rutan kör den riktiga sajten, inte en bild. Växla mellan dator, surfplatta och mobil, eller dra i ramens kant till valfri bredd: layouten anpassar sig medan du drar. Öppna den i en ny flik för att se den i full storlek. Länkar och knappar på sajten leder ingenstans: den är byggd som demo.

Det här är hela värdet, sett från en vanlig människa. Idag får hon samma medelmåttiga sida som alla andra, oavsett vilken AI hon frågar, och behöver ändå en designer och en utvecklare. Med vår data i AI:n får hon en webbplats i toppklass, med färdig kod, av ett enda meddelande. Det gäller varje person och varje företag som ber vilken AI som helst om en sajt. Varför det är så: kapitlet Problemet.

Labbet har ett problem det inte kan lösa själv: dess AI klarar inte frontend, och det har varit så i åratal. Vi säljer datan som löser det. Labbet tränar sin AI en gång, och därefter får varje användare av den AI:n, och varje produkt byggd på den, sajter i toppklass: bageriet, Lovable och alla liknande verktyg, byråerna, och en AI-agent för företag, det alternativ som ofta föreslås. Vi har en kund, inte tusen. Kunden har allt annat: modellerna, chippen, användarna, pengarna. Den saknar bara datan.

Mörk bakgrund, en rad siffror, två priskort, en lila knapp. Fyra företag, fyra separata AI:er, en och samma layout. Det är ingen slump: alla lärde sig bygga webbplatser på samma ställe, den öppna webben, för det är den enda stora hög med webbplatskod som finns. Amerikansk eller kinesisk, öppen eller sluten: samma hög, samma vanor, samma layout. Nästa skärm visar vad som ligger i högen.

Varje prick är en webbplats vars kod en AI kan läsa. Bra design tar månader och sällsynt skicklighet. Att göra den till bra kod tar längre tid och ännu mer sällsynt skicklighet. De få som klarar båda publicerar nästan aldrig koden: den stannar privat eller levereras i en form ingen kan lära sig av (de ofyllda prickarna). Det som är offentligt är mallar, kursövningar, guider och plugins: den sämsta kod som finns, med i princip ingen design alls. Det är hela högen.

Det här är det enda man behöver förstå om de här AI:erna: de väljer inte det bästa de sett, de återger det mest typiska de sett. Be om en webbplats och du får den typiska webbplatsen ur den högen. Den typiska är den mörka sidan med den lila knappen. Och den kan aldrig landa till höger: det typiska i en hög är per definition inte det bästa i den. Genomsnittet av dåligt är dåligt.

Poängen är en turnering: två AI:er bygger samma sida, en person väljer den den föredrar, vinnarens poäng stiger. Så den kan bara någonsin säga "slår de andra AI:erna oftare". Alla deltagare hämtar ur samma hög, så vinnaren är det renaste genomsnittet, inte en annan layout. Och själva uppgången kom från data: labben samlar in miljontals sådana röster och tränar på de vinnande sidorna. Mer av samma hög gör layouten snyggare, inte bättre. Inget kan komma in som aldrig fanns i högen.

Samma modeller, samma år. Be om ett Minecraft eller ett Rocket League och du får ett spel som fungerar, med fysik, som ser ut som det riktiga. Varför? Hela spelmotorer är öppen källkod, tusentals kompletta färdiga spel ligger på webben, och labben betalar spelstudior för mer. Bra spelkod är lätt att få tag på. Be om en webbplats och du får den lila sidan, för bra webbplatskod är varken till salu eller offentlig. Om AI:n vore problemet skulle spelen också vara dåliga. Det är ett dataproblem.

Att ladda ner webben igen ger samma webb. Att be AI:n skriva nya sajter ger AI:ns eget genomsnitt, som är samma hög. Att betala människor för att handbygga sajter i toppklass kostar tusentals dollar styck och når aldrig miljoner. Det är hela problemet, i en mening: datan som skulle lösa det här finns inte, och ingen kan tillverka den i stor skala.

En AI är en förutsägelsemaskin: den skriver nästa ord, eller nästa kodrad, utifrån allt den har läst. Den kan inte uppfinna. Allt den gör är byggt av dess träningsdata.

I matematik, logik och backend-kod har den läst allt: varje lärobok, varje artikel, all kod på webben. Så den kan dra paralleller mellan ämnen, räkna, resonera i timmar kring ett problem, kontrollera sitt arbete, föra anteckningar, försöka igen. Det är så den löser problem som ingen har löst: nya för oss, hopsatta av det den läst.

För frontend är det samma maskin utan något att utgå från. Nästan inga sajter i toppklass i det den läst, så inget att dra paralleller mellan, inget att resonera sig fram till. Den genererar högen. (Att inget program kan kontrollera "vackert" gör det värre; huvudskälet är enklare: ingen data.)

Alltså måste träningsdatan vara vansinnigt bra, och i enorma mängder. Det är the thesis.

När OpenAI:s bildmodell GPT Image 2.0 släpptes började folk låta den rita landningssidor som bilder och sedan be en AI bygga dem. Bilderna var helt okej: inte toppklass, men inte slop. Modellerna har alltså redan en känsla för hur en bra sida ser ut; fler skärmbilder är inte det som saknas. Det som saknas är källkoden: att gå från bild till korrekt, färdig kod i ett svep kräver att AI:n läst enorma mängder perfekt kod, och det har ingen AI gjort. Därför är varje exempel i vår data en hel webbplats: alla undersidor, skärmbilder i varje skärmstorlek, och källkod som är perfekt för just den sajten. Bild och kod tillsammans.

Inget av problemet är en hemlighet. Alla som förstår de här modellerna vet att en AI inte kan göra det den aldrig läst, att bra webbdesign inte finns i datan, och att en wrapper inte har någon egen fördel; labben behandlar det som ett olöst forskningsproblem, och de Lovable-liknande företagen konkurrerar i stället med infrastruktur, priser och integrationer. Datan saknas av ett enda skäl: ingen vet hur man tillverkar den. Det syns: ingen har släppt en Lovable-konkurrent som gör frontend bra, och modellerna själva har inte blivit bättre på frontend alls. Miljontals S-tier-sajter, alla olika, alla korrekta, har aldrig gjorts. Det är vad vi vet som nästan ingen håller med om: den går att tillverka, i stor skala, med den kvalitet och variation som krävs.

Klistra in adressen till vilken webbplats som helst. Maskinen studerar den och skriver helt ny kod som ger samma utseende: layout, färger, typografi, beteende, på alla skärmstorlekar. Den laddar ner sajtens bilder, typsnitt och andra resurser och använder dem; den ser aldrig sajtens källkod, eftersom den inte är offentlig. Som en arkitekt som ritar kompletta nya ritningar genom att titta på en byggnad, möbler inkluderade.

Tryck en gång och ut kommer en webbplats som ingen har sett: en ny design, komplett fungerande kod, alla skärmstorlekar. S-tier betyder högsta betyget: nivån hos världens bästa designstudior, i kod som en senior utvecklare gärna underhåller. Hur maskinen gör det står inte i det här dokumentet.

Man ger den argumenten: hur många sajter, vilka typer, vilka stackar. Sedan kör maskinen på egen hand tills datasetet är klart. Varje sajt är en ny design av vilken typ som helst: en butik, en bank, ett bageri, en mjukvaruprodukt, en tidskrift. Varje exempel är komplett: hela sajten med alla undersidor, skärmbilder i varje skärmstorlek, och källkoden. Var och en kontrolleras innan den räknas. Det näst bästa som finns är människor som bygger S-tier-sajter för hand, några i taget. Ingen annan har en maskin som gör det här; det här är den gröna högen, och vi är de enda som kan tillverka den.

Vad Lovable faktiskt är. En AI-agent: ett labbs AI-modell, betald per API-anrop, som kör i en loop. Läs uppgiften, välj ett verktyg, anropa det, titta på resultatet, kör igen. Verktyg är funktioner den får anropa: skriva en fil, köra koden, titta på skärmen. MCP:er är integrationerna (Stripe, en databas, inloggning): ett gemensamt protokoll för varje AI, där varje plugin beskriver hur den används; vem som helst kan bygga en. Runt det en systemprompt (stående instruktioner), cachning, och för produktion en sandlåda per användare och rörmokeriet för att skala den. Allt är vanlig ingenjörskonst, med exempel i öppen källkod. Varför folk ändå använder Lovable: de var först. Grundaren Anton Osika byggde GPT Engineer, den första riktigt bra AI-wrappern, och den gick viralt; sedan satte han ihop ett av de bästa startteamen som gick att hitta i Stockholm och de har gjort ett fantastiskt jobb. Så när man pratar AI-bolag pratar man Lovable: varumärket, integrationerna, teamet, och att folk gillar att använda det. Det är värt mycket, och det räcker inte. Modellen, som gör själva jobbet, är labbets och betalas per API-anrop. Och modellen är problemet.

Lovable levererar det labbets AI genererar: högen, polerad. Det är därifrån skräpet kommer, och ingen wrapper kan lösa det. Vår är inte en wrapper. Den är ett system, och AI:n är en del inuti det; hur det fungerar står inte på den här sidan. Den gör två saker ingen annan kan. Tryck en gång: en ny S-tier-design. Rikta den mot vilken webbplats som helst på hela webben: en exakt kopia. Om vi sålde den som produkt skulle frontend bli bättre än hos något Lovable-liknande verktyg, och backend är inte svårt: det skulle vi matcha.

Kom ihåg regeln: AI:n genererar det mest typiska den har läst. (Det är en förenkling. En modell tränas att förutsäga nästa token, alltså nästa ordbit eller kodbit, utifrån de föregående, och ovanpå det kommer post-training med reinforcement learning och många andra tekniker som styr hur den svarar. Men inget av det lägger till något den aldrig läst; det formar hur den använder det.) Ändra vad den läser och du ändrar vad den genererar. Om miljontals av webbplatserna i dess hög är i toppklass, är den typiska webbplatsen i toppklass. Ingen behöver rätta den efteråt; toppklass är nu vad den förväntar sig att en webbplats är. Det är vad "att lösa frontend" betyder: vem som helst ber vilken AI som helst om en webbplats och får korrekt S-tier-kod, varje gång.

Varje del av lösningen finns och fungerar idag: replikeringen, genereringen, kontrollen, stackarna. Det som återstår är att köra den i stor skala och producera det första datasetet. Hur varje del fungerar, och siffrorna bakom det återstående steget, går vi igenom personligen.

Det är the thesis: S-tier, nya, alla typer, obegränsat. En AI som pretränats på det genererar S-tier som standard, och allt som byggs på den AI:n får det också. Maskinen kan säljas på tre sätt. Som en produkt som Lovable: du skriver, den bygger, vår är bättre. Som ett API till de webb- och designbyråer som gör sajter för sitt levebröd. Eller som datasetet: världens största och bästa frontend-data, såld till labben att preträna på. De två första är bra affärer. Det tredje är där miljarderna finns, och nästa kapitel visar varför.

Alla belopp i det här kapitlet är i amerikanska dollar (USD). Rätt ställe att börja på är inte en enorm marknad utan en liten som man kan äga helt, och sedan växa utåt från den. Marknaden här är träningsdata för frontend, såld till AI-labb. Ungefär sex köpare. Inga säljare. Vi skulle vara den enda. Därifrån växer den i ringar: ett labb, sedan alla labb, sedan varje stack och varje nytt bibliotek när det dyker upp. Det stora talet till höger är inte vår marknad. Det är vad köparens AI tar när den väl har datan, och det är skälet till att köparen betalar.

Frontend och design är ett och samma problem, och vi löser båda, så de är en siffra. Ungefär 8 miljoner frontendutvecklare och 1,5 miljoner designer får ungefär 450 miljarder dollar per år i lön. Företag köper ytterligare 55 miljarder dollar i design och utveckling från byråer. Verktygen, från Figma till Wix, är ungefär 15 miljarder dollar. 500 miljarder dollar per år, varje år. En AI som gör det här jobbet kan krympa den marknaden (färre personer per sajt) eller få den att växa (långt fler sajter byggs); ingen vet vilket. Det som är säkert är att labbet vars AI gör jobbet tar en del av den, och att det labbet betalar för det enda som gör det möjligt.

Ett företag är värt X, värdet det skapar, gånger Y, den andel av det som företaget fångar, och de två är oberoende av varandra. X är här ungefär 500 miljarder dollar per år. Y tillhör labbet, och det är okänt: vi vet inte hur labben kommer att prissätta frontend eller hur mycket av värdet de behåller. Det som är känt är vad de redan betalar för vanlig data, de grå staplarna: data gjord för hand, som förbättrar en modell något. Meta betalade 14,3 miljarder dollar för halva en sådan leverantör. Vår är den enda data som gör en modell kapabel att göra frontend över huvud taget, och vart och ett av de sex labben behöver den. Därför är 20 miljarder dollar siffran vi siktar på, och 3 miljarder dollar siffran under vilken vi inte säljer.

Det alternativ som oftast föreslås är att sälja en produkt i stället: en AI-agent för företag, eller något liknande till konsumenter. Det är en riktig verksamhet och kan tjäna miljoner, om den går med vinst i tid. Men titta på listan. Den är en wrapper runt ett labbs AI-modell, betald via API, precis som Lovable, så det enda att konkurrera med är personal, sälj, integrationer, drift och pris, mot hundratals som bygger samma sak på samma modell, och marginalen tillhör modellägaren. Datasetets lista har två rader, och ingen konkurrent. Ordningen är bestämd: datan först, för varje sajt en produkt levererar är offentlig och labben skulle läsa den gratis. Produkten, en agent för företag inräknad, kommer efter affären, på en AI som äntligen klarar frontend.

Så som varje stort teknikföretag började: äg en liten marknad helt, väx sedan från den. Steg ett: ta in kapital, kör maskinen, producera det första datasetet, den högsta kvalitet som någonsin funnits och troligen det största, och sälj det till ett labb. Steg två: återinvestera, producera ett dataset tio gånger större, och låt labben buda; varje labb behöver det. Steg tre: exiten, i vilken form en köpare än vill ha den: bolaget med verktyget och datan, exklusivt, eller bara datan, eller samma data till flera labb. Och snabbhet: ingen annan gör det här för ingen annan vet hur, och vi stänger den första affären innan någon listar ut hur.

Frågan som betyder något: varför är det här fortfarande det ledande företaget om tio år? Att vara först betyder lite; att vara den sista i kategorin är det som räknas. Varje väg till samma data är stängd: den går inte att skrapa fram, AI:n kan inte skriva den, människor kan inte göra tillräckligt av den, och ingen bygger en maskin eftersom ingen vet hur. Maskinen stannar inte vid dagens webb: varje nytt språk eller bibliotek får sitt dataset också, så datan blir aldrig gammal. Den som äger den ligger före i frontend så länge AI behöver data. Vi säljer den positionen till ett labb, snabbt, innan någon listar ut hur det görs.

En AI genererar det vanligaste den läst. Bra webbplatskod finns inte att läsa, så varje AI:s sajt är medelmåttig, och det kan inte promptas bort. Ingen kan tillverka datan som saknas, utom vi. Maskinen som gör den är byggd och fungerar idag: S-tier-sajter utan slut, för cents styck. Ett labb betalar miljarder för datan, för den ger dess AI en förmåga ingen AI har. Sedan klarar varje AI frontend, och labbet tar sin del av en marknad på 500 miljarder dollar per år. Det som återstår för oss är att köra maskinen i stor skala och sälja datasetet. Ingen personal, inga kunder att stötta, ingen konkurrent. Detaljerna tar vi personligen.