Der er sket et mærkbart skift i den måde vi tænker kunstig intelligens på. Microsoft har lanceret tre nye åbne AI-modeller – Phi 4 mini reasoning, Phi 4 reasoning og Phi 4 reasoning plus – og selvom navnene måske lyder lidt nørdede, repræsenterer de noget ganske banebrydende. Det handler i højere grad om, hvad mindre, lettere AI-modeller kan, og hvilke fordele mindre organisationer og teams kan få uden at investere i kæmpe serverparker.

De nye Phi-modeller er udviklet til at trives på alt fra små enheder og kantløsninger til undervisnings-drevne apps og embedded tutor-systemer. Microsoft sender dermed et klart signal – mindre AI behøver ikke længere at betyde lavere kvalitet eller simple opgaver. Fokus flyttes fra ren råstyrke til klog udnyttelse af teknik, der kan give værdi på selve enheden eller maskinen, uanset hvor den står.

Ny generation af edge AI – hvad kan Phi-modellerne egentlig?

Phi 4 mini reasoning har 3,8 milliarder parametre og er især rettet mod uddannelsesanvendelser. Modellen er trænet på over én million syntetiske matematikopgaver – genereret af DeepSeeks R1-model – og egner sig fortrinligt til embedded tutoring og realtidstræning direkte på billige enheder. Uden tunge hardwarekrav kan elever og lærere nu få adgang til vejledning og coaching, selv når maskinparken ikke byder på meget mere end en almindelig Chromebook.

Phi 4 reasoning trækker på hele 14 milliarder parametre og har via webdata og finjusterede træningssæt, bl.a. baseret på OpenAIs o3-mini, kurs mod komplekse opgaver i matematik, naturfag og kodning. Phi 4 reasoning plus bygger videre på disse fremskridt, med endnu mere dedikeret træning på præcision og ydeevne. Resultatet er ifølge Microsoft, at Phi 4 reasoning plus i interne test nærmer sig niveauet fra DeepSeeks langt større R1-model, der har ikke mindre end 671 milliarder parametre!

Størrelse er ikke længere alt – små modeller, store gevinster

Nogle vil sikkert stå og spørge: Kan mindre modeller virkelig hamle op med de store? Her svarer Microsoft med konkrete testresultater; især i matematik udligner Phi 4 reasoning plus ifølge firman egne tests den store DeepSeek R1 på AIME 2025 testen. Endda giver modellen OpenAIs o3-mini kamp til stregen på flere benchmarks – særligt på områder som matematisk- og kodningsbaseret vurdering.

Kernen i den nye bølge er balancen mellem modelstørrelse, compute-krav og faktisk performance. Med teknikker som distillation, RLHF og datakvalitet på et højt niveau leverer Phi-familien solide resultater på enheder med begrænset hardware. Det betyder, at SMV’er og institutioner med få ressourcer nu har adgang til avanceret AI-teknik, ofte uden store investeringer eller frygt for sky-afhængighed.

Betydningen for beslutningstagere og virksomheder

For dem, der sidder med budgetansvar eller skal sætte kursen for virksomhedens IT, ændrer spillereglerne sig. Hidtil har meget avanceret AI været synonym med dyre serverløsninger og ekstern databehandling. Men med de nye små modeller kan meget nu løses “ved døren”, altså på selve brugerens eller virksomhedens hardware. Det åbner for hurtigere app-udvikling, bedre datakontrol og sikkerhed – og ikke mindst lavere svartider.

Virksomheder og institutioner, der arbejder med uddannelse, rådgivning, support eller intern vidensdeling, vil lynhurtigt se fordele. Snilld kan rådgive om, hvor hurtigt det kan give mening at bygge prototyper på små modeller. Vi hjælper typisk vores kunder med alt fra design og implementering til test og optimering af små, kantbaserede AI-løsninger, hvor virksomhedens data forbliver indenfor egne mure.

AI-løsninger, der faktisk gør en forskel i praksis

Det er ikke kun de teknisk stærke, der får noget ud af de nye modeller. Små virksomheder får lettere adgang til at automatisere kundesupport, rådgive via AI-assistenter eller arbejde med feedback-løsninger direkte på standardhardware. En offentlig servicefunktion kan for eksempel give brugerne realtids svar – selv via billige tablets – så bøvlet med tunge datastrømme til skyen fjernes.

I undervisningssektoren bliver forskellen endnu mere mærkbar. Matematiktræning, feedback på kodning eller generelle indlæringsforløb kan nu køres direkte på skolens egne computere, og det betyder mindre ventetid, større datasikkerhed og mere kontrol med, hvad eleverne laver.

Performance versus kvalitet – og kritikernes vinkel

Spørgsmålet vil uundgåeligt komme: Kan de små modeller klare de tunge opgaver? Ifølge Microsoft ligger styrken netop i balancen mellem modelstørrelse og kvalitetsdata i træningen. Metoder som RLHF (Reinforcement Learning from Human Feedback) og præcis datacuration har sikret, at selv de små modeller leverer på seniorniveau på matematiske og naturvidenskabelige benchmarks.

Vores erfaring i Snilld er, at åbne og tilpasningsvenlige modeller – som dem, Microsoft nu lægger op til – giver ekstra transparens og fleksibilitet for danske SMV’er. Det giver virksomheden mulighed for at skræddersy AI-værktøjer til meget konkrete forretningsbehov, samtidig med at man bevarer ejerskabet over de data og svar, der bliver genereret.

Snillds tilgang: Hurtig afprøvning og ægte brugertilpasning

Vi oplever hos Snilld, at de største succeser med AI skabes, når ledelse og medarbejdere kan udvikle og justere AI-løsningerne sammen. Ved at bruge små, åbne modeller bliver adgangsbarriererne lave, så alle kan få erfaring med AI i praksis – uden at skulle vente på store projekter eller eksterne platforme. Det gør det muligt for virksomheder hurtigt at teste ideer, inden noget sættes i bred drift.

Blandt de løsninger, vi hjælper med at afprøve, er bl.a. rådgivningstjenester, produktionens kvalitetskontrol og interne supportsystemer. Den store fordel ligger i, at justering og finpudsning kan ske hurtigt – og uden tungt hardware-setup.

Konkurrenterne og fremtidsperspektivet

Andre AI-udbydere vil nok stadig satse på store sprogmodeller og “jo flere parametre, jo bedre”-strategien. Microsofts satsning på små og effektive modeller udfordrer billedet – især fordi de i praksis matcher de store på mange benchmarks, til brøkdele af energiforbruget og infrastrukturomkostningerne.

Større, lukkede platforme vil nok stadig have deres styrker, men SMV’er og teams, hvor fleksibilitet og sikkerhed vægter mere, finder værdien i selv at kunne administrere egne AI-værktøjer. Her sætter Microsofts åbne tilgang nye standarder for, hvad “small is beautiful” kan betyde i AI-verdenen.

Næste skridt: Hvordan udnytter du små AI-modeller optimalt?

Det vigtigste, man kan tage med nu, er at AI ikke længere er forbeholdt dem med store budgetter og tekniske armbevægelser. Snilld anbefaler, at virksomheder tager små testprojekter i brug, hvor forretningen får mulighed for at eksperimentere med AI på egne præmisser. Det gælder især i undervisning, support eller kritiske workflow-processer, hvor hurtig feedback og interne ressourcer har stor betydning.

Vi foreslår at identificere et konkret område, som kan forbedres – f.eks. feedbacksystem i supporten eller indlejret vejledning i e-læring – og derefter bruge de nye Phi-modeller som “byggeklodser” til at komme i gang hurtigt og trygt.

Opsummering: Små modeller, stor effekt – en ny æra for kant-AI

Microsofts nye Phi-modeller markerer begyndelsen på en ny æra, hvor AI bliver en lige så naturlig del af arbejdet som regnearket eller tekstbehandleren. For SMV’er og it-ledere betyder det, at AI-løsninger med stor effekt og lille hardware-fodaftryk nu er inden for rækkevidde.

Hos Snilld står vi klar til at hjælpe dig videre – uanset om det drejer sig om rådgivning, udvikling eller konkret udrulning af små AI-modeller. Måske er det netop nu, at “lille og vågen” bliver vejen til virksomheden eller skolens næste spring fremad.

Kilder:

• https://techcrunch.com/2025/04/30/microsofts-most-capable-new-phi-4-ai-model-rivals-the-performance-of-far-larger-systems/
• https://azure.microsoft.com/en-us/blog/one-year-of-phi-small-language-models-making-big-leaps-in-ai/
• https://huggingface.co/deepseek-ai/DeepSeek-R1
• https://huggingface.co/
• https://learn.microsoft.com/en-us/training/educator-center/topics/ai-for-education

Målgruppens mening om artiklen

Hans Jørgensen, IT-konsulent:

Jeg finder artiklen meget relevant, især for SMV’er, som ønsker at indføre AI uden store infrastrukturinvesteringer. Det viser de interessante fremskridt for små modeller og deres potentiale for at konkurrere med større modeller. Jeg vil give den en score på 85, da den introducerer gennembrud, jeg kan bruge i mit daglige arbejde.

Lars Jensen, Produktionschef:

Fra et produktionssynspunkt er artiklen fascinerende, fordi den viser, hvordan små AI-modeller kan implementeres for at optimere processer. Interesseret i hvordan distribueret AI kan hjælpe små til mellemstore virksomheder uden behov for stor compute-kapacitet. Jeg giver artiklen en score på 78.

Sofie Nielsen, Social Media Strateg:

Jeg værdsætter fokusset på embedded AI-løsninger, der kan forbedre både læring og brugerengagement internt. De små modeller virker meget relevante for uddannelsessektoren, hvilket er noget, mine kunder ofte efterspørger. Artiklen får en score på 82 fra mig.

Laura Thomsen, Operation Manager:

Jeg finder artiklen spændende, især da den giver indsigt i, hvordan små AI-løsninger kan anvendes til at forbedre interne arbejdsprocesser uden behov for eksterne servere. Dette er især fordelagtigt for operationelle områder som mine. Jeg vil vurdere artiklen til 80.

Henrik Madsen, Teknologikonsulent:

Artiklen rammer plet ved at fremhæve, hvordan små AI-modeller kan transformere eksisterende systemer for SMV’er. Det giver et godt perspektiv på at finde balancen mellem størrelse og effektivitet. Jeg vil give artiklen en score på 84.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Fluxx Schnell fra Black Forest Labs.