Hvis man kun ser på OpenAI-lanceringen, er historien forholdsvis enkel: ny model, nye rekorder, stor overskrift. Zoomer man bare et par dage ud, bliver billedet langt mere interessant.

Ugen begyndte den 1. september med Anthropic og Claude Fable 5.1 samt Claude Mythos 5.1. Fable er rettet bredt mod professionelt arbejde, kodning og research, mens Mythos giver et mindre antal godkendte organisationer adgang til mere følsomme kapaciteter inden for blandt andet cybersikkerhed og biologi. Det interessante er derfor ikke kun, at modellen er blevet bedre, men at Anthropic samtidig begynder at gøre adgangsniveau og sikkerhed til en del af selve produktdesignet.

Fable 5.1 står særligt stærkt i længerevarende vidensarbejde og softwareudvikling. Anthropic fremhæver samtidig forbedret økonomi på komplekse agentopgaver, men her begynder markedet allerede at kræve lidt mere voksen matematik end blot at sammenligne tokenpriser. En billigere tokenpris hjælper ikke meget, hvis modellen skal bruge markant flere tokens for at afslutte arbejdet. Det relevante mål bliver i stigende grad pris per løst opgave, ikke pris per million tegn på en prisliste.

Dagen efter kom Google med Gemini 3.8 Flash. Google kalder den sin mest intelligente workhorse-model og har tydeligt valgt at konkurrere på kombinationen af høj kapacitet, fart og relativt lav pris. Det er en vigtig position, fordi langt de fleste virksomheder ikke kun har brug for én ekstremt intelligent model til de sværeste fem opgaver om måneden. De har også brug for modeller, der økonomisk kan køre tusindvis af mindre processer hver dag.

Google lancerede samtidig Gemini 3.8 Flash Cyber, hvor de stærkere cybersikkerhedskapaciteter er begrænset til godkendte brugere. Og samme onsdag kom Meta med Muse Spark 1.3, som især forbedrer coding og længere agentiske workflows.

Meta er værd at holde øje med af en lidt anden grund. Virksomheden har allerede distribution gennem nogle af verdens mest benyttede kommunikationsplatforme, og deres erklærede retning er personlige agentsystemer. Hvis den vision lykkes, møder almindelige brugere måske ikke fremtidens AI-agent som et nyt værktøj, de skal lære. Den kan ganske enkelt dukke op dér, hvor de allerede skriver beskeder, arbejder, søger information og organiserer hverdagen.

Og så kom torsdag.

OpenAI lancerede GPT-6 Astra med store fremskridt inden for computerbrug, browsing, coding, forskning, professionelle dokumenter og cybersikkerhed. Astra er interessant, fordi den samler mange af de egenskaber, der de seneste år har eksisteret som enkeltstående demonstrationer, i én langt mere sammenhængende arbejdsevne.

Set isoleret er hver lancering imponerende. Set samlet begynder det at ligne et strukturelt skifte.

Anthropic satser på dybt vidensarbejde. Google presser pris og hastighed. Meta satser på personlige agentsystemer og distribution. OpenAI presser på for bred computerbrug og længere professionelle workflows.

Fire forskellige strategier. Men alle fire bevæger sig væk fra den traditionelle chatbot.

AGI står for Artificial General Intelligence og bruges normalt om en kunstig intelligens, der kan forstå, lære og løse problemer på tværs af mange forskellige områder frem for blot at være god til én snæver type opgave.

Det lyder enkelt, indtil man forsøger at blive enige om, hvornår grænsen faktisk er krydset. OpenAI har historisk beskrevet AGI som højt autonome systemer, der kan overgå mennesker i størstedelen af økonomisk værdifuldt arbejde. Google DeepMind har arbejdet med forskellige niveauer af generalitet, kapacitet og autonomi, mens ARC Prize lægger større vægt på evnen til effektivt at lære helt nye opgaver og generalisere til ukendte situationer.

Det betyder, at den samme AI-model godt kan ligne AGI efter én definition og samtidig mangle afgørende egenskaber efter en anden. Og derfor bør man også være lidt forsigtig med at behandle Brockmans “Welcome to the AGI era” som en naturvidenskabelig konstatering. Det er mindst lige så meget en fortolkning af, hvor industrien befinder sig.

Hvis spørgsmålet er, om en AI nu kan udføre en imponerende mængde komplekst digitalt vidensarbejde, er svaret i stigende grad ja. Hvis spørgsmålet er, om den har samme fleksible og generelle evne som et menneske til at lære hvad som helst i en helt ukendt virkelighed, er sagen betydeligt mindre afgjort.

Og bevidsthed er i øvrigt en helt anden diskussion. AGI betyder ikke, at computeren har fået en sjæl, en barndom eller pludselig er begyndt at blive træt af mandagsmøder.

Et af de resultater, der har sat ekstra fart på AGI-samtalen, er Astras præstation på ARC-AGI-3. Benchmarken forsøger at undersøge agentisk intelligens ved at placere modeller i nye, abstrakte miljøer, hvor de skal udforske reglerne, forstå målet, planlægge og justere deres strategi undervejs.

Astra nåede 62,7 procent med ARC Prizes standardiserede testopsætning. Med OpenAI’s særlige Provider Adapter nåede modellen 99,9 procent. Adapteren gør blandt andet modellen i stand til at bevare skjult reasoning state mellem kald og bruge compaction gennem længere forløb, og derfor er de to resultater ikke direkte det samme.

Det gør ikke 99,9 procent mindre interessant. Tværtimod. ARC fremhæver også, at Astra på de løste niveauer ofte handlede mere effektivt end menneskelige testpersoner og udviklede kompakte interne repræsentationer af ukendte miljøer.

Men ARC Prize understreger samtidig selv, at resultatet ikke er dokumentation for, at AGI nu er løst. Benchmarken foregår stadig i kontrollerede miljøer med klare regler og mål. Det er en anden verden end virksomheder, kunder, kolleger, lovgivning, mangelfulde data og en mappe med seks dokumenter, der alle hedder FINAL.

Virkeligheden er stadig en ganske aggressiv benchmark.

De første år med generativ AI handlede i høj grad om produktion. Skriv en mail. Opsummér et dokument. Lav fem overskrifter. Generér et billede. Hjælp med en Excel-formel. Det var nyttigt, men mennesket sad stadig midt i processen og flyttede informationen fra værktøj til værktøj.

De nye modeller forsøger i stigende grad at overtage en større del af selve arbejdsforløbet. En opgave kan begynde i en browser, fortsætte gennem research og analyse, bevæge sig over i et regneark eller et dokument og ende med et færdigt resultat, som modellen selv har kontrolleret undervejs.

Forskellen kan lyde lille, men den er grundlæggende. “Skriv et udkast til vores markedsanalyse” er stadig en prompt. “Undersøg markedet, gennemgå konkurrenterne, sammenhold det med vores eksisterende materiale, identificér mulighederne, lav beregningerne og byg præsentationen” er et arbejdsforløb.

Det første hjælper et menneske med en opgave. Det andet begynder at ændre, hvordan selve opgaven organiseres.

Og det er netop derfor, denne uges lanceringer bør interessere virksomheder, selv hvis man ikke har den fjerneste lyst til at deltage i diskussionen om, hvorvidt AGI nu officielt er her. Man behøver ikke vente på en filosofisk dom over maskinens generelle intelligens for at opdage, at stadig større dele af digitalt arbejde allerede kan organiseres på en anden måde.

Der er samtidig en mindre glamourøs side af udviklingen, som sandsynligvis bliver mindst lige så vigtig som de nye benchmarks. Når AI går fra at skrive forslag til faktisk at handle i systemer, ændrer risikoen karakter.

En forkert formulering i en tekst kan redigeres. En forkert betaling, ændret produktionskode, slettet kundedata eller udsendt kontrakt er noget andet. Jo mere autonomt et system arbejder, desto vigtigere bliver permissions, logging, godkendelser, identitet og mulighed for at stoppe processen.

Det kan allerede ses i denne uges produkter. Anthropic adskiller Fable og Mythos efter kapacitet og adgang. Google begrænser sin specialiserede cybermodel. Og Astra er den første bredt lancerede OpenAI-model, der rammer selskabets Critical-niveau for cybersikkerhedskapacitet. OpenAI beskriver selv, at modellen med de rette værktøjer og adgang kan finde hidtil ukendte sårbarheder og udvikle nye måder at udnytte dem på tværs af velbeskyttede systemer.

Det gør ikke modellen til en skurk. Det gør kapaciteten alvorlig.

Derfor bliver AI-governance også noget andet end en PDF med 14 regler, som nogen lagde på SharePoint efter et compliance-møde. Kontrollen skal indbygges i arbejdsgangen: Hvad må modellen se? Hvad må den ændre? Hvornår kræves menneskelig godkendelse? Hvad må den aldrig gøre alene? Og kan vi bagefter dokumentere præcis, hvad der skete?

Jo bedre AI bliver til at udføre arbejde, desto mere handler god implementering paradoksalt nok om at vide, hvornår den skal stoppes.

For den enkelte medarbejder betyder udviklingen ikke nødvendigvis, at arbejdet forsvinder. Men indholdet af arbejdet kan ændre sig markant, når mindre tid skal bruges på at lede efter information, flytte data, producere første udkast og gennemføre gentagne digitale handlinger.

En større del af værdien flytter derfor over i at definere det rigtige problem, give systemet den rigtige kontekst, vurdere kvaliteten af resultatet og forstå konsekvenserne. Det lyder måske mindre spektakulært end AGI, men det er sandsynligvis dér, mange fagligheder kommer til at mærke udviklingen først.

Når produktion bliver billigere, bliver dømmekraft mere værdifuld. Hvis en AI kan fremstille 40 acceptable løsninger på få minutter, er den sjældne kompetence ikke længere nødvendigvis evnen til at producere løsning nummer 41. Det er evnen til at se, hvilken af de 40 der faktisk giver mening, og hvornår ingen af dem gør.

Det gælder ikke mindst kreative og strategiske fag. Smag, erfaring, menneskeforståelse, kontekst, timing og ansvar forsvinder ikke, fordi modellen bliver bedre. Tværtimod bliver de tydeligere som den del af arbejdet, der ikke bare kan måles i output.

For virksomheder er den oplagte reaktion at spørge, hvilken model man nu bør vælge. ChatGPT, Claude, Gemini, Meta – eller noget femte, som muligvis bliver lanceret inden kaffen er blevet kold.

Det er sandsynligvis det forkerte sted at begynde.

Start med arbejdet. Tag en konkret proces og se på, hvordan den faktisk foregår i dag. Hvor leder medarbejderne efter information? Hvor kopierer de data mellem systemer? Hvor producerer de de samme typer dokumenter igen og igen? Hvor venter arbejdet på en godkendelse, og hvor går vigtig kontekst tabt mellem mennesker og software?

Når processen først er synlig, bliver AI-spørgsmålet langt mere konkret. Nogle dele kan automatiseres fuldt ud. Andre kan forberedes af AI og godkendes af et menneske. Og visse beslutninger bør måske slet ikke automatiseres, uanset hvor imponerende modellen bliver.

Det betyder også, at fremtidens løsning sjældent behøver at bestå af én stor model, der gør alt. En billig og hurtig model kan håndtere rutinearbejde. En stærkere model kan tage den komplekse analyse. En tredje kan kontrollere resultatet eller arbejde direkte i et bestemt system. Modellerne bliver i stigende grad komponenter i en arbejdsproces frem for destinationen for hele AI-strategien.

Derfor bliver den varige konkurrencefordel heller ikke nødvendigvis adgang til den bedste model. De samme frontier-modeller kan købes af konkurrenten fem minutter senere.

Fordelen ligger i, om virksomheden har struktureret sin viden, sine data, sine arbejdsgange, sine rettigheder og sine kompetencer, så den faktisk kan bruge modellerne effektivt og ansvarligt.

Det ærlige svar er stadig: måske.

Hvis AGI betyder et system, der allerede kan udføre en meget stor del af økonomisk værdifuldt digitalt arbejde på tværs af fagområder, er der et seriøst argument for, at vi er begyndt at træde ind i den æra, Brockman taler om.

Hvis AGI betyder en maskine med menneskelig fleksibilitet, der ubesværet kan forstå enhver ny situation, lære enhver ny færdighed og operere sikkert i den rodede fysiske og sociale virkelighed, er det langt sværere at erklære sejren.

Men måske er den uenighed blevet mindre vigtig for resten af os.

For denne uge viste noget, som er mere håndgribeligt end definitionen af AGI: Anthropic, Google, Meta og OpenAI bevæger sig alle mod AI-systemer, der kan arbejde længere, bruge flere værktøjer og tage ansvar for større dele af et digitalt workflow.

Det giver et andet spørgsmål, som virksomheder kan forholde sig til allerede mandag morgen:

Hvornår bliver AI god nok til, at vores nuværende måde at organisere arbejdet på ikke længere giver mening?

For flere og flere processer er svaret ikke ti år ude i fremtiden.

Det er nu.

Vi kan godt lide den provokerende overskrift “AGI er her… nu!”, netop fordi den tvinger os til at stille det næste spørgsmål. Ikke om en bestemt benchmarkscore officielt har gjort maskinen generelt intelligent, men hvad den nye kapacitet betyder i praksis.

Det mest interessante ved denne uge er ikke, at OpenAI nødvendigvis har vundet AI-kapløbet. Anthropic, Google og Meta viser faktisk det modsatte: fronten er blevet bredere, modellerne har forskellige styrker, priserne presses, og kapaciteterne flytter hurtigt mellem leverandørerne.

Derfor skal en virksomhed heller ikke bygge sin strategi omkring dagens modelnavn. Den skal bygge et fundament, hvor nye modeller kan sættes ind, når de giver mening: god kontekst, ordentlige data, gennemtænkte workflows, klare rettigheder og mennesker, der ved, hvad et godt resultat ser ud som.

AGI er her… måske.

Men den næste generation af digitalt arbejde er helt sikkert ankommet.

Og den venter ikke på, at vi bliver enige om navnet.

Snilld – AI i praksis.