Ugens vigtigste AI-nyheder

Der er kommet virkelig mange AI-nyheder den seneste uge, og flere af dem er værd at holde øje med.

Microsoft vil lære vores arbejdsgange. Google bygger modeller, der kan blive på en kompleks opgave i længere tid. GitHub vil lade flere modeller arbejde sammen om den samme opgave. Anthropic bygger Claude til bestemte fagområder, mens OpenAI kobler ChatGPT tættere sammen med de systemer, virksomheder allerede bruger.

Her er de AI-nyheder, jeg synes er vigtigst fra ugen, der gik.

En af ugens spændende Copilot-nyheder er en optagefunktion.

Microsoft har lanceret Skill Recorder i Excel. Du starter optagelsen, udfører en opgave, som du plejer, og Copilot følger med. Bagefter kan processen gemmes som en Skill og bruges igen.

Lad os sige, at du hver mandag modtager et Excel-ark med salgstal. Du rydder data op på samme måde, laver de samme beregninger, finder de samme afvigelser og bygger den samme rapport.

I dag kan du selvfølgelig prompte dig igennem det. Med Skill Recorder kan du i stedet vise Copilot processen én gang.

Meget af den AI-viden, virksomheder opbygger lige nu, sidder hos den enkelte medarbejder. Den gode prompt ligger i Mettes noter. Analysemetoden ligger i Peters Project. Louise har fundet en smart måde at løse en opgave på, men resten af teamet aner ikke, hvordan hun gør.

Hvis de arbejdsgange kan pakkes som Skills, kan noget af den viden pludselig deles og genbruges.

Google lancerede også Gemini 4 Carbon, og her er det især én egenskab, jeg hæfter mig ved.

Carbon er udviklet til det, Google kalder long-horizon tasks. Altså komplekse opgaver, hvor modellen skal kunne arbejde videre, selv når løsningen ikke ligger lige foran den.

Google fortæller, at modellen internt har arbejdet på engineering-opgaver i flere dage. Den kan undersøge en hypotese, opdage at den er forkert, gå tilbage og prøve en anden vej.

Det er noget andet end at stille et svært spørgsmål og få et langt svar.

Forestil dig, at du giver en AI adgang til en stor kodebase og beder den finde ud af, hvorfor systemet fejler, undersøge mulige årsager og teste dem. Den første idé virker måske ikke, og den anden gør heller ikke. Så skal modellen kunne holde fast i målet og fortsætte.

Carbon har især fokus på software engineering og cybersikkerhed og bliver i første omgang testet af en begrænset gruppe. Google skriver selv, at modellen senere skal ud til udviklere, virksomheder og forbrugere.

Det er tidligt, men retningen er værd at holde øje med. AI-agenter bliver ikke særlig nyttige, hvis de skal have et menneske til at holde dem i hånden ved hvert andet skridt.

OpenAI havde også en ny model med i denne uge.

GPT-6.1 Terra er blandt andet bygget til visual reasoning, computer use og writing og er lanceret i ChatGPT Work, Codex og API’et. Den ligger altså ikke som en ny model i den almindelige ChatGPT-chat.

Computer use er især værd at holde øje med, fordi AI ikke kun skal forstå den tekst og de filer, vi giver den. Den skal også kunne forstå det, der foregår på skærmen, og arbejde med brugerflader.

Tænk på en opgave, hvor du i dag åbner et system, finder den rigtige sag, klikker dig videre, læser informationen på skærmen og derefter udfører en handling i et andet system.

Meget af vores nuværende AI-brug kræver, at vi kopierer arbejdet ind til AI. Computer use bevæger sig i den modsatte retning, hvor AI i højere grad kan arbejde i de digitale omgivelser, vi selv bruger.

Det gør også spørgsmålet om adgang langt mere relevant. Der er trods alt forskel på en AI, der kan fortælle dig, hvor du skal klikke, og en AI, der selv får lov til at klikke.

Anthropic har lanceret færdige Artifacts til juridisk arbejde i Claude for Legal.

Her kan Claude blandt andet kontrollere juridiske citater og kilder, gennemgå kontrakter, finde afvigelser fra en virksomheds standardvilkår og holde øje med kommende regulering.

Der er også integrationer til mere end 60 juridiske datakilder og værktøjer.

Det bliver konkret, hvis vi forestiller os en juridisk afdeling med 100 kontrakter, der skal gennemgås. En jurist kan selvfølgelig læse kontrakt nummer 1, 2, 3 og fortsætte derfra, eller Claude kan tage første gennemgang, finde de relevante klausuler, markere afvigelser og føre juristen tilbage til kilden.

Juristen skal stadig afgøre, om resultatet holder, men behøver ikke nødvendigvis bruge sin tid på at lede efter det.

Det er også her, jeg synes, diskussionen om, hvorvidt AI “erstatter” bestemte faggrupper, bliver lidt fattig. Det er mere relevant at spørge, hvad der sker med et fag, når nogle af de mest tidskrævende dele af arbejdet kan flyttes.

Det er den diskussion, virksomheder bør begynde at tage.

Anthropic stopper ikke ved jura.

Selskabet arbejder også med virksomheder inden for lægemiddeludvikling om at bruge Claude på tværs af processen fra forskning og molekyledesign til dokumentation og kliniske forsøg.

Det er værd at bemærke, fordi AI i virksomheder stadig ofte bliver behandlet som ét generelt værktøj. Køb licenser, giv medarbejderne adgang og lær dem at prompte.

Men flere af de løsninger, vi ser nu, bliver bygget til et bestemt arbejde.

En jurist har andre kilder, risici og kvalitetskrav end en marketingmedarbejder. En forsker har andre behov end en controller. En kundeservicemedarbejder arbejder i andre systemer end en udvikler.

Så vi skal stille os selv spørgsmål som, hvilke opgaver vi bruger tid på, hvor kvaliteten går tabt, hvor vores viden ligger, hvilke dele AI kan løse, og hvor et menneske stadig skal træffe beslutningen.

Så bliver værktøjet spørgsmål nummer to.

Anthropic har også introduceret Claude Duet.

Idéen er, at du kan give Claude opgaver, som den arbejder videre med, mens du selv laver noget andet, og få resultatet samlet bagefter.

Anthropic beskriver blandt andet, hvordan Claude Code-chef Boris Cherny taler sin mentale to-do-liste igennem med Claude Duet på en gåtur, mens en anden Anthropic-medarbejder afleverer sin to-do-liste, går fra computeren og får resultaterne samlet senere.

Det er et ret godt billede på forskellen mellem at bruge AI som noget, du sidder og chatter frem og tilbage med, og at kunne aflevere en opgave og komme tilbage til resultatet senere.

Det kræver selvfølgelig, at vi stoler på, at systemet kan arbejde videre uden konstant supervision. Men hvis den type arbejdsgange bliver stabile nok, ændrer det også måden, vi planlægger vores egen arbejdsdag på.

GPT eller Claude?

Det spørgsmål kan blive mindre vigtigt.

GitHub lancerede i sidste uge Copilot Fusion, som kan route forskellige dele af en coding-opgave til forskellige modeller. Du behøver altså ikke nødvendigvis vælge én model og håbe, at den er bedst til at løse alt arbejdet.

Vi skal se det som, at én model kan løse én del, mens en anden kan tage den næste. Systemet kan samtidig tage højde for både kvalitet, hastighed og pris.

GitHub fortæller, at Fusion Max i deres egne tests scorede 60 på Artificial Analysis Coding Agent Index mod 62 for Claude Code med Opus 5.5 Max. Samtidig lå den gennemsnitlige API-omkostning per opgave på omtrent det halve.

Det er et område, jeg tror, langt flere virksomheder kommer til at beskæftige sig med.

For når AI-brugen vokser, bliver “hvad koster modellen per million tokens?” ikke nødvendigvis det mest relevante spørgsmål. Vi skal i højere grad se på, hvad det koster at få en opgave løst ordentligt.

En billig model, der skal prøve fire gange, kan være dyrere end en dyr model, der rammer første gang. Model routing gør det muligt at optimere på tværs.

Det er ikke kun GitHub, der bevæger sig i den retning.

Microsoft har lanceret Copilot Harness i Foundry Agent Service. Et harness er groft sagt det system, der ligger rundt om modellen og sørger for blandt andet kontekst, værktøjer, instruktioner, execution environment og den agent loop, der får det hele til at hænge sammen.

Det betyder, at en virksomhed kan bygge en agent uden selv at skulle sammensætte alle lagene omkring modellen. Microsoft fremhæver især komplekse og langvarige agentiske workflows som et område, harnesset skal understøtte.

Det er også en af grundene til, at jeg synes, virksomheder skal passe på med at bygge hele deres AI-strategi op omkring spørgsmålet om, hvorvidt de skal vælge ChatGPT, Claude eller Gemini.

Det er et relevant indkøbsspørgsmål i dag, men ikke sikkert, at det er det vigtigste arkitekturspørgsmål i morgen.

GitHub Agentic Workflows er nu generelt tilgængeligt.

Her kan coding-agenter blandt andet arbejde med issues, CI-fejl, dokumentation og tests direkte i GitHub Actions.

Det lyder som mere automatisering, men forskellen mellem klassisk automation og agentisk arbejde kan illustreres ret enkelt.

En klassisk automatisering kan sige, at hvis testen fejler, skal systemet sende en besked. En agent kan i stedet få opgaven at finde ud af, hvorfor testen fejler.

Nu skal systemet selv undersøge problemet og vælge den næste retning.

Det er en helt anden frihedsgrad, og den frihed kommer med en bagside. Jo mere AI selv kan vælge, hvad den gør, jo vigtigere bliver det at beslutte, hvad den må gøre.

Hvilke systemer må agenten tilgå? Hvilke handlinger kræver godkendelse? Hvornår stopper den? Hvordan måler vi, om den har løst opgaven korrekt?

Agentisk AI er ikke kun et produktivitetsspørgsmål, men også et governance-spørgsmål.

OpenAI og ServiceNow har udvidet deres samarbejde, så ChatGPT kan arbejde direkte med information og handlinger i ServiceNow.

En IT-medarbejder kan fx bede ChatGPT om at finde lignende incidents, vurdere risikoen ved en ændring og efterfølgende opdatere selve ServiceNow-sagen uden at forlade ChatGPT.

Det er ret konkret, fordi det fjerner nogle af de hop, vi stadig laver mellem AI og vores andre systemer. Du skal ikke nødvendigvis først finde sagen i ServiceNow, flytte konteksten over i ChatGPT og bagefter gå tilbage for at udføre arbejdet.

AI får i stedet adgang til konteksten dér, hvor den allerede findes, og kan i nogle tilfælde også handle på den.

Men der er stor forskel på, om ChatGPT må læse en sag, foreslå en ændring eller selv gennemføre den. Når AI flytter fra chatvinduet og ind i virksomhedens systemer, bliver rettigheder, godkendelser og kontrol en del af selve implementeringen.

OpenAI annoncerede også et udvidet samarbejde med Oracle, hvor Oracle bygger AI Workspace til ChatGPT, så medarbejdere kan arbejde med Oracle-data og gennemføre godkendte workflows fra ChatGPT.

Men jeg synes næsten, Oracles egne tal er mere interessante end selve integrationen.

Oracle oplyser, at virksomheden allerede har 130.000 aktive ChatGPT-brugere og mere end 95.000 aktive Codex-brugere. Deres recruiting-team bruger blandt andet ChatGPT Work til markedsresearch, som tidligere tog mellem to og fire dage at samle, mens forberedelsen nu tager 15-20 minutter. Det er selvfølgelig Oracles egen case, så tallene skal læses som sådan. Men eksemplet viser meget godt, hvorfor værdien af AI ikke kun skal måles i, om vi kan skrive en mail eller lave en præsentation hurtigere.

Når AI får adgang til den rigtige viden og bliver koblet til de systemer, medarbejderne allerede arbejder i, kan hele dele af en arbejdsproces ændre sig.

Det sker ikke hver uge.

OpenAI bakker sammen med andre store AI-udbydere op om arbejdet med en fælles måde, hvor websites kan signalere deres præferencer for, om indhold må bruges til træning af generative AI-modeller.

I dag skal websiteejere navigere mellem forskellige crawlers og regler hos de enkelte AI-virksomheder. Tanken er, at et website via robots.txt skal kunne udtrykke sin præference på en mere ensartet måde.

Det er stadig under udvikling og ikke en universel standard. OpenAI skriver selv, at de forventer at implementere signalet i de kommende måneder. Men sondringen mellem træning og synlighed i AI er værd at forstå.

Forestil dig et medie med 50.000 artikler. Mediet vil måske ikke stille hele arkivet til rådighed for træningen af den næste store sprogmodel, men det vil stadig gerne dukke op, når nogen spørger en AI om et emne, mediet har skrevet om.

At sige nej til træning er ikke nødvendigvis det samme som at sige: “Lad være med at finde os.”

Den forskel bliver kun vigtigere, efterhånden som ChatGPT, Gemini og andre AI-tjenester bliver en vej ind til information på nettet.

Fra 7. november begynder xAI at lægge et usynligt watermark ind i tekst fra en række understøttede Grok-modeller via API’et. Det gælder blandt andet Grok 4.7, 4.6 og 4.5.

Du kommer altså ikke til at se “SKREVET AF AI” hen over teksten. Markeringen påvirker i stedet modellens valg af tokens under genereringen, så xAI statistisk kan undersøge, om en tekst sandsynligvis kommer fra modellen.

xAI skriver selv, at watermarkingen er indført for at leve op til EU’s AI Act.

Det bliver relevant, når AI ikke længere bruges til ét LinkedIn-opslag ad gangen, men kobles til systemer, der kan producere store mængder indhold.

AI-governance kan hurtigt lyde som et bjerg af politikker og dokumenter, men nogle gange starter det med noget så lavpraktisk som at kunne svare på, hvor dit indhold kommer fra.

Google DeepMind har lanceret Genie 4, og nej, det er ikke endnu en videogenerator.

Genie 4 er en world model, der kan skabe interaktive miljøer. Google fremhæver både nye interaktive oplevelser og muligheden for at bruge de simulerede miljøer til træning af robotter og AI-agenter.

Du kan tænke på forskellen sådan, at en videogenerator kan vise dig en oversvømmet by, mens en world model kan skabe et simuleret miljø, hvor en agent kan bevæge sig rundt og reagere på det, der sker.

Det gør teknologien spændende for spil og kreative produktioner, men den større historie ligger måske et andet sted.

Robotter og AI-agenter har brug for steder at lære. I den fysiske verden er det dyrt, langsomt og nogle gange farligt at lade dem fejle tusindvis af gange. I en simuleret verden kan de øve sig igen og igen.

World models kan derfor ende med at blive lige så spændende for træning af AI-systemer som for underholdning.

Der kom også en mindre, men ret praktisk ChatGPT-nyhed i denne uge.

Apple-brugere kan nu koble iCloud Mail og Calendar til ChatGPT. Det betyder, at ChatGPT kan finde mails, hjælpe dig med at få overblik over indbakken, tjekke kalenderen og opdatere kalenderaftaler.

Funktionen er tilgængelig på alle ChatGPT-planer på web, desktop og iOS.

Det er ikke ugens største lancering, men den passer meget godt ind i resten af udviklingen. Værdien af AI vokser, når den får adgang til den kontekst, vi ellers selv skal hente og give den.

Vi har fået nye modeller, men dem får vi efterhånden mange af..

Microsoft vil lære vores arbejdsgange og gøre dem genbrugelige. Claude får værktøjer til bestemte fag. Google arbejder på modeller, der kan holde fast i komplekse opgaver i længere tid. OpenAI og ServiceNow kobler AI direkte til virksomhedssystemerne, mens GitHub og Microsoft bygger infrastruktur, der skal gøre det lettere at bruge forskellige modeller og agenter til forskellige dele af arbejdet.

Det stiller nogle andre krav til virksomheder end at købe licenser og sende medarbejderne på promptkursus.

Vi skal stadig lære medarbejderne at bruge AI godt, men vi skal også begynde at tage stilling til, hvilke arbejdsgange der giver mening at ændre, hvilken viden AI skal have adgang til, hvilke handlinger den må udføre, hvornår et menneske skal ind over, hvordan vi måler kvaliteten, og hvad det koster at få hele opgaven løst.

Jeg hjælper virksomheder, der gerne vil videre fra den mere sporadiske brug af ChatGPT, Copilot eller Claude og arbejde mere systematisk med, hvor AI giver mening.

Jeg kommer bl.a. ud til virksomheder og holder workshops, hvor vi tager udgangspunkt i jeres egne opgaver og arbejdsgange. Det kan være alt fra valg af værktøjer og bedre AI-workflows til Skills, Projects, research, kvalitetssikring og agentiske arbejdsgange.

Jeg rådgiver også virksomheder om AI-adoption, værktøjsvalg og implementering, når behovet er større end en enkelt workshop.

Målet er ikke at putte AI ind alle steder, men at finde de steder, hvor teknologien kan spare tid, løfte kvaliteten eller gøre viden lettere at bruge uden at give køb på faglighed og kontrol.

Hvis I er nysgerrige på, hvor det giver mening hos jer, så skriv til mig. Så tager vi en snak om jeres arbejde, hvor I er med AI i dag, og om en workshop eller et rådgivningsforløb giver mening.

Sally Ezzeddine
AI-rådgiver · Speaker · Workshops