Ny banebrydende AI-forskning fra MIT

Forskere fra MIT har netop offentliggjort et gennembrud, der kan ændre måden, vi arbejder med kunstig intelligens på. Med deres nye metode, PDDL-INSTRUCT, har de løftet AI’s evne til at planlægge komplekse opgaver til et niveau, vi ikke har set før. Resultaterne viser, at deres AI nu rammer rigtigt i 94% af tilfældene på svære planlægningsopgaver. Det er hele 64 gange bedre end tidligere forsøg. Men hvad betyder det egentlig for danske virksomheder, der arbejder med AI og digitalisering? Og hvordan kan vi i Snilld hjælpe med at omsætte den slags forskning til reel forretningsværdi?

Det er ikke hver dag, at AI-forskning flytter sig så markant, at det kan mærkes ude i virkeligheden. Men MITs resultater peger på, at vi står over for en ny æra, hvor AI ikke bare kan give et kvalificeret gæt – men faktisk kan lægge planer, der holder hele vejen igennem.

Hvad har MIT-forskerne opnået?

PDDL-INSTRUCT er navnet på metoden, der har gjort det muligt at tage et kvantespring inden for AI-planlægning. Kort fortalt har forskerne løst et velkendt problem: AI-modeller har tidligere haft svært ved at planlægge flere trin frem uden at lave fejl. Med den nye metode lærer AI’en at forklare, hvorfor en plan fejler, og får feedback fra et eksternt valideringsværktøj. Det betyder, at AI’en ikke bare gætter, men faktisk lærer af sine fejl og bliver bedre for hver gang.

Det er især kombinationen af logisk ræsonnement og automatisk validering, der gør forskellen. AI’en bliver trænet til at tænke trin for trin, forklare sine valg og få at vide, præcis hvor det går galt, hvis planen ikke holder. Det har givet markante forbedringer på kendte benchmarks, hvor tidligere modeller ofte snublede over selv simple opgaver.

Hvorfor er det vigtigt for erhvervslivet?

For danske virksomheder, der arbejder med logistik, produktion eller automatisering, kan bedre AI-planlægning betyde store besparelser og færre fejl. Forestil dig en AI, der kan planlægge hele produktionskæden uden at overse vigtige detaljer, eller en logistikløsning, der altid vælger den mest effektive rute – hver gang. Det er ikke længere science fiction, men noget vi kan begynde at regne med i praksis.

I Snilld arbejder vi allerede med lignende teknikker, hvor vi hjælper vores kunder med at udnytte AI’s fulde potentiale. Vi ser, at de virksomheder, der tør tage springet og investere i avanceret AI-planlægning, hurtigt får et forspring i markedet. Det handler ikke kun om at automatisere, men om at gøre det klogt og sikkert.

Teknologien bag: Kort om PDDL-INSTRUCT og VAL

Det lyder måske teknisk, men grundideen bag PDDL-INSTRUCT er faktisk ret enkel. Metoden kombinerer AI’ens evne til at ræsonnere logisk med et eksternt værktøj, der kan tjekke, om planerne holder vand. Når AI’en foreslår en plan, bliver hvert trin valideret automatisk. Hvis noget går galt, får AI’en at vide, præcis hvor fejlen ligger – og kan rette ind næste gang.

Det er et gennembrud, fordi AI nu ikke bare kan lave planer, der lyder rigtige, men faktisk kan dokumentere, at de virker i praksis. Det åbner for helt nye muligheder, især i brancher hvor fejl koster dyrt – både i tid og penge.

Benchmark-resultater og deres betydning

MIT-forskerne har testet deres metode på tre klassiske benchmarks: Blocksworld, Mystery Blocksworld og Logistics. På Blocksworld opnåede AI’en hele 94% gyldige planer – en hidtil uset præstation. På Mystery Blocksworld, hvor opgaverne er gjort ekstra svære, så AI’en ikke bare kan genkende mønstre, var forbedringen endnu mere markant. Her gik man fra næsten nul til et niveau, der overgår tidligere forsøg med op til 64 gange.

På Logistics-benchmarket, der minder om virkelige logistikopgaver, var der også store fremskridt. Det viser, at metoden ikke kun virker i teorien, men også kan overføres til opgaver, der ligner dem, danske virksomheder står med til daglig. For virksomheder betyder det, at AI-løsninger nu kan levere planer, der faktisk kan bruges – ikke bare i laboratoriet, men i den virkelige verden.

Begrænsninger og næste skridt

Selvom resultaterne er imponerende, er der stadig begrænsninger. Metoden virker i dag kun på klassiske planlægningsopgaver og kræver et eksternt valideringsværktøj. Det betyder, at der stadig er et stykke vej, før vi kan bruge teknikken på alle typer opgaver – for eksempel dem, der kræver at AI’en også kan håndtere usikkerhed eller økonomiske hensyn.

I Snilld ser vi dog store muligheder for at udvide teknikken. Vi arbejder allerede på at overføre principperne om logisk ræsonnement og validering til andre domæner, hvor AI kan gøre en forskel. Det gælder både inden for sundhed, finans og service, hvor planlægning og fejlfri eksekvering er afgørende.

Perspektiv: Hvordan kan danske virksomheder bruge det?

For danske virksomheder handler det nu om at tage de første skridt mod at udnytte de nye muligheder. Det kan for eksempel være ved at lade AI hjælpe med at planlægge produktionen, håndtere lagerstyring eller optimere logistikken. Snilld hjælper allerede kunder med at implementere AI-løsninger, der bygger på de samme principper som MITs forskning – nemlig at AI skal kunne forklare sig selv og dokumentere, at planerne holder.

Det er ikke kun de store virksomheder, der kan få glæde af teknologien. Også mindre og mellemstore virksomheder kan nu få adgang til AI-løsninger, der tidligere var forbeholdt de største spillere. Det kræver dog, at man tør tænke nyt og investere i de rette kompetencer og værktøjer.

Afslutning: Hvad bør ledere og IT-ansvarlige gøre nu?

Konklusionen er klar: AI er rykket et stort skridt nærmere at kunne løse komplekse planlægningsopgaver på et niveau, der matcher – og i mange tilfælde overgår – menneskelige evner. For ledere og IT-ansvarlige er det nu tid til at holde sig opdateret og overveje, hvordan den nye forskning kan omsættes til værdi i egen organisation.

Hos Snilld står vi klar til at hjælpe med sparring og rådgivning, så din virksomhed kan udnytte AI’s potentiale på en sikker og effektiv måde. Vi tror på, at fremtidens vindere er dem, der tør tage springet og bruge AI til at planlægge smartere – ikke bare hurtigere.

Kilder:

• https://www.marktechpost.com/2025/09/22/mit-researchers-enhanced-artificial-intelligence-ai-64x-better-at-planning-achieving-94-accuracy/
• https://arxiv.org/pdf/2509.13351?
• https://openreview.net/forum?id=dCPF1wlqj8
• https://arxiv.org/html/2409.13373v1
• https://arxiv.org/html/2509.12987v1
• https://www.linkedin.com/in/asifrazzaq

Målgruppens mening om artiklen

Anders Madsen, IT-chef, mellemstor produktionsvirksomhed:

Jeg giver artiklen 85. Den er meget relevant for mig, fordi den konkret beskriver, hvordan AI-planlægning kan få direkte betydning for produktion og logistik – præcis de områder, jeg arbejder med. Jeg kunne dog godt have ønsket mig flere eksempler på, hvordan danske virksomheder allerede bruger teknologien, og lidt mindre fokus på Snillds egne løsninger.

Camilla Sørensen, Digitaliseringskonsulent, kommune:

Jeg giver artiklen 70. Det er spændende med nye AI-gennembrud, men artiklen er meget teknisk og fokuserer mest på erhvervslivet. Jeg savner en vinkel på, hvordan det kan bruges i det offentlige, fx til planlægning i sundhed eller borgerrettede services.

Jonas Friis, CTO, tech scaleup:

Jeg giver artiklen 90. Det er sjældent, at man ser så konkrete fremskridt i AI-planlægning, og benchmark-resultaterne er imponerende. Jeg kan direkte se muligheder for at implementere noget lignende i vores produkter. Artiklen er letforståelig trods det tekniske emne, men jeg havde gerne set lidt mere om integration med eksisterende systemer.

Kirsten Bæk, CEO, mindre logistikfirma:

Jeg giver den 80. Jeg kan se potentialet for min virksomhed, især i forhold til at undgå fejl og optimere ruter. Men det virker stadig lidt langt fra noget, vi kan tage i brug i morgen. Jeg savner mere konkret vejledning til mindre virksomheder.

Thomas Lund, IT-projektleder, stor detailkæde:

Jeg giver artiklen 75. Den er relevant og inspirerende, især fordi den viser, at AI kan bruges til at løse reelle problemer. Men jeg synes, at artiklen kunne have været kortere og mere fokuseret på, hvordan man kommer i gang i praksis.

*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 FLUX.1.1 Pro fra Black Forest Labs.