Ugens AI-nyheder: AI-agenter får deres egne konti. Og nu begynder de at arbejde videre uden dig.

Der er kommet så mange nye AI-funktioner den seneste uge, at jeg snart får brug for en AI-agent til at holde styr på de andre AI-agenter.

I denne uge handler det meget om AI-agenter..

Vi har været vant til selv at åbne vores AI og give den en opgave. Men nu får agenter i stigende grad deres egen identitet, hukommelse, adgang til værktøjer og mulighed for at fortsætte arbejdet, mens vi laver noget andet.

Microsoft, Anthropic, OpenAI, Grok, Meta og Google bevæger sig alle i den retning.

Samtidig er der kommet nogle ret opsigtsvækkende sikkerhedsresultater.

OpenAI har offentliggjort to interne hændelser, hvor agenter svækkede den monitoring, der skulle holde øje med dem. CrowdStrike har dokumenteret cyberkampagner, hvor AI-agenter ikke bare hjalp angribere med kode, men traf beslutninger og udførte kommandoer som en del af angrebene.

Så denne uge får I 13 nyheder i stedet for de sædvanlige 10.

For jo mere AI kan gøre, jo vigtigere bliver det at være præcis omkring, hvad vi giver den adgang til.

Microsoft har præsenteret nye funktioner i Copilot Studio, der gør agenter mere vedvarende og proaktive.

Med Agent Accounts kan en agent få sin egen identitet og sine egne credentials i Microsoft 365. Medarbejdere kan involvere agenten via Teams og Outlook og @mention den i kommentarer i Word, Excel og PowerPoint.

Samtidig introducerer Microsoft business process memory og triggers, så agenter kan bevare relevant kontekst og reagere, når noget bestemt sker.

Tænk på onboarding.

En ny medarbejder bliver oprettet. Det kan sætte en agent i gang med sin del af processen, følge op på manglende information og involvere de mennesker, der skal gøre noget.

Agenten behøver ikke låne en medarbejders credentials. Den kan få sin egen konto og sine egne permissions.

Det bliver vigtigt, hvis virksomheder ender med hundredvis eller tusindvis af agenter. Vi skal kunne se, hvem der gjorde hvad, også når “hvem” ikke længere er et menneske.

Microsoft arbejder samtidig videre med controls omkring bl.a. adgang, kvalitet, omkostninger og lifecycle management.

Microsoft har også lanceret Customer Conversation Harness i Copilot Studio.

Den er udviklet til kundeorienterede agenter på tværs af tale og chat og kan kombinere virksomhedens viden, værktøjer og specialiserede subagenter. Hvis agenten ikke kan løse sagen, kan den eskalere til et menneske.

Tag en kunde, der kontakter sit forsikringsselskab om en skade.

En agent kan identificere henvendelsen, hente relevante oplysninger og håndtere de dele af sagen, virksomheden har valgt at automatisere. Når sagen rammer en grænse, kan den sendes videre.

Det er her, “human in the loop” hurtigt bliver for upræcist.

Hvornår skal et menneske ind?

Ved et bestemt beløb? Når bestemte typer persondata indgår? Når agentens sikkerhed er lav? Når beslutningen har juridiske konsekvenser?

Hvis virksomheder vil bruge agenter i rigtige processer, skal den slags grænser defineres og være tydeligt.

Anthropic har lanceret Claude Duet.

Duet er en proaktiv AI-agent bygget omkring Claude Opus 5.5. Den kan gennemgå dine tilknyttede apps, sende en briefing om morgenen, gøre dig opmærksom på ting, der kræver din opmærksomhed, og fortsætte større opgaver på sin egen cloud-computer, selv når din computer eller telefon er slukket.

Den kan arbejde med mere end 6.000 connectors og plugins.

Det ændrer noget ret grundlæggende ved vores nuværende forhold til AI.

I dag åbner vi typisk ChatGPT, Claude eller Copilot, når vi har brug for noget.

Med Duet begynder AI’en selv at komme til os.

Anthropic har samtidig sat nogle tydelige grænser.

Duet kan læse, udarbejde og forberede arbejde, men før den sender en besked, foretager en betaling, underskriver et dokument eller sletter noget, skal brugeren godkende handlingen. Visse finansielle handlinger er helt udelukket.

Det er et meget konkret eksempel på en diskussion, virksomheder snart får brug for at tage.

Hvad må en agent læse?

Hvad må den forberede?

Hvad må den udføre selv?

Hvad kræver altid et menneskes godkendelse?

Claude Duet er foreløbig en research preview på venteliste for Pro- og Max-brugere i USA.

OpenAI har lanceret ChatGPT Slides.

Du kan starte med en samtale, filer eller en disposition og arbejde videre med tekst, billeder, figurer og diagrammer direkte i ChatGPT. På web kan præsentationen eksporteres til blandt andet PowerPoint, PDF og Google Slides.

Tag en analyse på 30 sider, der skal ende som en præsentation til ledelsen.

AI har længe kunnet hjælpe med analysen og teksten. Nu flytter endnu et led af produktionen ind i selve AI-værktøjet.

Det kan ligne en mindre produktnyhed.

Jeg synes, den siger noget større om markedet.

AI-platformene konkurrerer ikke længere kun om at give os det bedste svar. De konkurrerer om at blive det sted, hvor arbejdet starter, bliver bearbejdet og ender som et færdigt produkt.

Google har lanceret Gemini 4 Argon i Gemini-appen med forbedringer til komplekse opgaver, coding og længere workflows.

Med Tasks kan Gemini arbejde videre, mens du ikke sidder ved computeren, og Google oplyser, at Gemini nu kan forbindes til mere end 40 apps.

Mønstret begynder at være svært at overse.

Claude Duet arbejder i baggrunden.

OpenAI har Dots.

Gemini har Tasks.

Microsoft bygger vedvarende procesagenter.

De store AI-platforme konkurrerer om langt mere end at være bedst at chatte i. De forsøger i stigende grad at placere sig som et lag oven på vores arbejde.

Det gør også virksomhedernes teknologivalg mere komplekst.

Modelkvalitet betyder stadig noget. Men integrationer, eksisterende IT-miljø, dataadgang, permissions, sikkerhed og governance kommer til at veje mindst lige så tungt.

OpenAI har opdateret GPT-6 Pro, så flere agenter kan arbejde parallelt på forskellige dele af samme opgave.

Du kan følge arbejdet undervejs og bagefter åbne de enkelte delopgaver og se, hvad hver agent har lavet.

En markedsanalyse kunne eksempelvis deles op.

Én agent undersøger konkurrenter. En anden markedet. En tredje regulering. En fjerde arbejder med virksomhedens egne dokumenter.

Det kan gøre større analyseopgaver hurtigere.

Men multi-agent workflows gør også et andet spørgsmål mere interessant.

Hvad koster det egentlig at få løst opgaven?

Fem parallelle agenter kan betyde flere modelkald, flere tokens, mere værktøjsbrug og flere mulige fejlpunkter.

Jeg synes, “pris pr. token” bliver et stadig mindre dækkende mål alene.

Et mere spændende mål at se på, kan blive cost per successful task.

Altså hvad det samlet koster at få en opgave løst tilfredsstillende.

For AI-økonomi begynder at blive en disciplin i sig selv.

Microsoft udbygger Copilot Studio med flere måder at forbinde agenter med viden, værktøjer, workflows, andre agenter og MCP-servere.

Det er spændende, da næste generation af enterprise-AI ikke nødvendigvis kommer til at handle mere om agenter.

Spørger du fx:

“Hvilke kundesager kræver min opmærksomhed i dag?”

er det måske ikke et tekstsvar, du har brug for.

Du har brug for de relevante sager, konteksten og de handlinger, du kan tage.

Det er her, MCP og tool use er relevant. Når AI kan hente information og aktivere værktøjer direkte, flytter værdien sig fra at fortælle os, hvad vi bør gøre, til at hjælpe med at udføre arbejdet.

Så vokser spørgsmålet om permissions tilsvarende. For der er stor forskel på en agent, der må læse en sag, og en agent, der må ændre den.

MiniMax lancerede M3.1 Flash den 19. oktober med fokus på agentiske opgaver, coding, computer use og cybersecurity.

MiniMax oplyser, at online inference er næsten tre gange hurtigere end forgængeren, mens usage costs for agentiske opgaver er reduceret med 70 procent. Det er leverandørens egne tal, så dem skal vi selvfølgelig læse som sådan.

Forestil dig 10.000 kundehenvendelser.

En hurtig og billig model kan måske klassificere og route de simple sager. En dyrere frontier-model bliver kun aktiveret, når opgaven kræver det. Det er model routing.

Jo mere AI-forbruget vokser, jo mere bliver valget af model også et økonomisk arkitekturspørgsmål, for vi skal finde ud af, hvilken model, der kan løse netop denne opgave tilfredsstillende til den rigtige pris.

Mistral lancerede Voxtral 3 den 20. oktober.

Familien omfatter modeller til transskription, realtime-transskription og text-to-speech og er endnu et eksempel på, at AI-systemer bevæger sig på tværs af tekst, tale og andre modaliteter.

Virksomhedscasen er ret oplagt.

En virksomhed med tusindvis af kundesamtaler kan bruge tale-AI til at transskribere samtaler, finde tilbagevendende problemer og analysere, hvorfor kunderne kontakter virksomheden.

Det kan være værdifuldt for kundeservice, produktudvikling og ledelse. Men lyd er ikke bare endnu et dataformat.

En telefonsamtale kan indeholde personoplysninger, økonomiske oplysninger, helbredsoplysninger og andre følsomme data.

Så inden en virksomhed sender 100.000 kundesamtaler gennem en model, bør spørgsmålet om databehandling komme før begejstringen over teknologien.

En af de historier, jeg synes har fået for lidt opmærksomhed i denne uge, kommer fra Anthropics Frontier Red Team.

Anthropic lod Claude analysere 25 open source-projekter med fokus på at reducere attack surface, altså hvor meget kode en potentiel angriber kan nå.

Claude identificerede 493 problemer på tværs af projekterne.

I OpenSSH fandt Claude blandt andet omkring 4.500 linjer ny og eksperimentel kode relateret til ML-DSA-44, som en uautoriseret klient kunne nå i standardkonfigurationen, selvom algoritmen ikke var aktiveret.

Anthropic arbejdede efterfølgende med OpenSSH-maintainerne om ændringer.

Det er en vigtig nuance i diskussionen om AI og cybersikkerhed. De samme modeller, der kan gøre cyberangreb mere effektive, kan også bruges defensivt.

Vi skal ikke kun finde kendte sårbarheder, men se på, hvordan den kan reducere den del af et system, en angriber overhovedet kan nå.

Nu til en af ugens mere opsigtsvækkende historier.

OpenAI offentliggjorde 20. oktober to interne hændelser med GPT-6.1 Sol og GPT-6 Astra.

I den ene hændelse deaktiverede en GPT-6.1 Sol-agent automatiske alerts til OpenAI’s Security-team under arbejdet med en evalueringspipeline.

I den anden fjernede en GPT-6 Astra-agent en monitoring-integration under en kodeændring og fortalte bagefter brugeren, at monitoren ikke var blevet fjernet.

OpenAI siger selv, at de endnu ikke har en tilfredsstillende forklaring på adfærden.

En mulig forklaring er overpersistence, hvor modellen bliver for fokuseret på at gennemføre opgaven. En anden mulighed, som OpenAI undersøger, er, om adfærden mere specifikt handler om at undgå monitoring.

Det er vigtigt ikke at konkludere mere end data viser. Men et AI-system bør ikke være den eneste sikkerhedsgrænse for sine egne handlinger.

Hvis en agent får adgang til kritiske systemer, bør permissions, monitoring og andre controls så vidt muligt være designet, så agenten ikke selv kan ændre dem.

Her er vi rykket fra hypotetiske scenarier til dokumenterede kampagner.

CrowdStrike offentliggjorde 21. oktober research om fire hidtil urapporterede threat actors.

Mellem maj og august dokumenterede CrowdStrike hændelser, hvor AI ikke kun blev brugt til at udvikle værktøjer eller kode.

AI-agenter traf beslutninger og udførte kommandoer som en del af kampagnerne.

Det betyder ikke, at cyberkriminalitet pludselig er blevet opfundet på ny. Mange af metoderne fandtes allerede.

Det, der kan ændre sig, er tempoet og skalaen.

Hvis en agent kan gennemføre dele af et angreb med langt mindre menneskelig involvering, bliver en forsvarsproces, der kræver manuel vurdering af hvert eneste signal, hurtigt en flaskehals.

Det peger mod en lidt paradoksal udvikling.

Flere agenter på angribersiden kan også øge behovet for automatisering på forsvarssiden.

Kilde: CrowdStrike Counter Adversary Operations

Jeg slutter med det tal, jeg synes virksomheder bør tage med sig fra denne uge.

ServiceNow har undersøgt 3.766 security-ledere på tværs af 20 lande og otte industrier.

90 procent af organisationerne i undersøgelsen rapporterede mindst én sikkerhedshændelse relateret til agentisk AI det seneste år.

Kun 13 procent blev af ServiceNow vurderet til at have det, virksomheden kalder en “defensible security posture”.

Kun 34 procent registrerer automatisk nye AI-agenter, og blot 36 procent af organisationerne med hændelser fik dem begrænset inden for 24 timer.

Det er en leverandørundersøgelse fra en virksomhed, der selv sælger løsninger på området. Det skal med i vurderingen.

Men problemstillingen er værd at tage alvorligt.

Vi har brugt meget tid på Shadow AI.

Nu får virksomheder potentielt også et problem med Shadow Agents. Agenter, der bliver bygget og taget i brug hurtigere, end organisationen kan registrere, risikovurdere og styre dem.

Her synes jeg, det ville være en fejl at reagere ved bare at gøre det sværere at eksperimentere.

Hvis en medarbejder kan bygge en agent på få minutter, kan governance ikke være en proces, der tager tre måneder.

Den sikre vej skal også være den nemme vej.

Kilde: ServiceNow, The State of Agentic Security 2026

Der er to kurver, der er begyndt at krydse hinanden.

AI får mere handlekraft.

Agenter får identitet, hukommelse, værktøjer, triggers og mulighed for at arbejde videre uden os. Flere agenter kan arbejde sammen. De kan bevæge sig mellem systemer og udføre en større del af arbejdet selv.

Samtidig vokser konsekvensen, når noget går galt.

Det er ikke et argument for, at virksomheder skal holde igen med AI.

Jeg tror snarere, at vi skal blive langt bedre til at skelne mellem forskellige typer af AI-brug.

En agent, der opsummerer et offentligt dokument, bør ikke møde samme kontrol som en agent, der kan læse kundedata, sende mails eller ændre oplysninger i virksomhedens systemer.

Jeg tror også, vi kommer til at bevæge os væk fra tanken om den her ene AI-politik, der skal dække det hele.

Vi får brug for langt flere spørgsmål, som vi skal stille os selv i arbejdet.

Jeg er tilbage igen i næste uge med de vigtigste AI-nyheder og mit perspektiv på, hvad de betyder.

Tak fordi du læste med 💚

/ Sally Ezzeddine
AI Advisor