diff --git a/next_steps_MSImporter.md b/next_steps_MSImporter.md
index fc84338..5d06e8d 100644
--- a/next_steps_MSImporter.md
+++ b/next_steps_MSImporter.md
@@ -193,6 +193,47 @@ Detta var ursprungligen planerat som ett långsiktigt mål: att flytta kvittopar
 
 ---
 
+## Optimering av AI-användning i Importfunktionen
+
+För att optimera användningen av AI i importfunktionen, särskilt med tanke på att använda så små Mistral-modeller som möjligt, kan vi strukturera processen på följande sätt:
+
+### Nuvarande Process
+1. **Bild/PDF → OCR (Tesseract)**: Bilder och PDF:er bearbetas med Tesseract för att extrahera text.
+2. **Regelbaserad Parsning**: Reguljära uttryck används för att identifiera mängd, enhet och produktnamn.
+3. **AI-baserad Parsning (Mistral)**: Mistral AI används för att tolka kvittot och returnera strukturerad data.
+
+### Förbättringsförslag
+
+#### 1. Använd AI efter Regelbaserad Parsning
+- **Fördelar**: Regelbaserad parsning kan hantera de flesta enkla fall (t.ex. "TUC ORIGINAL 100G").
+- **Implementering**: Kör regelbaserad parsning först. Om regelbaserad parsning inte kan tolka en rad, skicka den till AI för vidare analys.
+
+#### 2. Använd AI efter OCR och PDF-parsning
+- **Fördelar**: AI kan användas för att förbättra kvaliteten på texten som extraherats av Tesseract eller `pdf-parse`.
+- **Implementering**: Kör OCR och PDF-parsning först. Skicka den extraherade texten till AI för att förbättra kvaliteten. Använd den förbättrade texten för regelbaserad parsning.
+
+#### 3. Använd Olika Mistral-modeller för Olika Uppgifter
+- **Fördelar**: Små modeller kan användas för enkla uppgifter, medan större modeller kan användas för komplexa uppgifter.
+- **Förslag på Modeller**:
+  - **`mistral-tiny`**: För att förbättra OCR-resultat och enkla tolkningar.
+  - **`mistral-small`**: För att tolka komplexa kvittorader där regelbaserad parsning misslyckas.
+  - **`mistral-medium`**: För att hantera mycket komplexa fall eller när hög precision krävs.
+
+#### 4. Implementera Caching
+- **Fördelar**: Minskar antalet AI-anrop genom att cacha resultat för vanliga produkter och kvittorader.
+- **Implementering**: Cacha resultat från AI för vanliga produkter och kvittorader. Använd cachade resultat när samma produkt eller kvittorad dyker upp igen.
+
+### Förslag på Arbetsflöde
+1. **OCR och PDF-parsning**: Kör Tesseract eller `pdf-parse` för att extrahera text.
+2. **Regelbaserad Parsning**: Använd reguljära uttryck för att tolka mängd, enhet och produktnamn.
+3. **AI för Förbättring av Textkvalitet** (valfritt): Skicka den extraherade texten till en liten Mistral-modell (t.ex. `mistral-tiny`) för att förbättra kvaliteten.
+4. **AI för Komplexa Fall**: Om regelbaserad parsning misslyckas, skicka raden till en större Mistral-modell (t.ex. `mistral-small` eller `mistral-medium`) för tolkning.
+5. **Caching**: Cacha resultat från AI för att undvika upprepade anrop.
+
+Genom att strukturera processen på detta sätt kan vi optimera AI-användningen och använda så små modeller som möjligt, samtidigt som vi bibehåller precisionen.
+
+---
+
 ## Prioriteringsförslag
 1. **OCR-implementering** (hög prioritet)
 2. **Databasintegration** (medel prioritet)