To svenske AI-virksomheder gjorde i denne uge Stockholm til et af de mest interessante steder på det europæiske AI-kort.

Lovable rejste 400 mio. dollar ved en værdiansættelse på 13,3 mia. dollar. Virksomheden bygger værktøjer, hvor brugere kan skabe software med almindeligt sprog frem for traditionel kode, og den er blevet et af de tydeligste eksempler på, at såkaldt vibe coding er ved at bevæge sig fra teknologisk kuriositet til reel softwarekategori.

Dagen efter kom Legal AI-virksomheden Legora med næste svenske milliardhistorie. Selskabet er i tidlige drøftelser om ny kapital ved en værdiansættelse på mindst 10 mia. dollar – næsten det dobbelte af vurderingen blot fire måneder tidligere.

Det interessante er ikke, om begge værdiansættelser viser sig at være præcist rigtige. Det gør værdiansættelser sjældent, hvilket er en af deres mere charmerende egenskaber.

Begge virksomheder bygger oven på eksisterende store modeller, men ejer et tydeligere lag mellem modellen og arbejdet: Lovable omkring softwareproduktion og Legora omkring juridiske workflows.

Det er en vigtig forskel.

De mest værdifulde AI-virksomheder behøver ikke nødvendigvis eje verdens største model. De kan eje det sted, hvor modellen bliver nyttig.

Den 2. august begyndte centrale transparenskrav i EU’s AI Act at gælde.

Interaktive AI-systemer skal i relevante situationer tydeligt oplyse mennesker om, at de interagerer med AI. Der kommer samtidig krav omkring maskinlæsbar mærkning af AI-genereret eller manipuleret indhold samt information om deepfakes og visse andre former for syntetisk materiale.

Det er ikke den del af AI-reguleringen, der giver flest keynote-videoer. Til gengæld er det en af de dele, virksomheder kan støde ind i mandag morgen.

Kundeservicebots, digitale rådgivere, syntetisk video, automatiseret kommunikation og generativt kampagneindhold skal i stigende grad designes med transparens indbygget fra starten.

Compliance er ikke længere noget, juristen hæfter på bagefter som en lille gul seddel med ordet “OBS”. Det bliver en del af brugeroplevelsen.

Det kan faktisk være sundt. Hvis brugeren skal forstå, hvornår AI er involveret, bliver virksomheder samtidig nødt til selv at forstå det.

München-baserede Agile Robots forventer omtrent at fordoble sin omsætning i år fra omkring 300 mio. euro i 2025.

Men den interessante del af historien er ikke væksten alene.

Virksomheden satser på fysisk AI og humanoide robotter, samtidig med at den gennem opkøb og klassisk industriel automation har opbygget erfaring med noget langt mindre fotogent: fabrikker.

Kabelføring. Produktionslinjer. Sikkerhedszoner. Integration. Nedetid. Maskiner, der allerede står der.

Agile Robots arbejder samtidig med Google DeepMind om at integrere Gemini Robotics-modeller i sine systemer.

Europa har ikke nødvendigvis de største foundation-modeller. Men vi har fabrikker, logistik, maskiner, energisystemer, industrielle kunder og årtiers domæneviden om fysisk produktion.

Hvis AI bevæger sig fra skærmen og ud i den fysiske verden, bliver den viden pludselig ganske værdifuld.

Den næste AI-vinder står måske ikke på en scene i San Francisco.

Den står muligvis i sikkerhedssko i Stuttgart.

Den tyske regering godkendte den 12. august et lovudkast, der markant skal udvide beføjelserne hos landets efterretningstjenester.

BND og BfV skal blandt andet have bedre muligheder for at indsamle, opbevare og analysere digitale data, og reformen åbner for større brug af AI-understøttet analyse. BND kan samtidig få mulighed for aktive cybermodforanstaltninger mod fjendtlige systemer.

Forslaget skal stadig gennem parlamentet og ledsages af nye kontrolmekanismer.

Tyskland bevæger sig her ind i en vanskelig balance.

Landet har historisk haft særdeles gode grunde til at være forsigtigt med statslig overvågning. Samtidig er cyberangreb, sabotage og hybride trusler blevet mere avancerede.

AI bliver derfor ikke bare et produktivitetsværktøj. Det bliver en del af statens operative kapacitet.

Hvem må bruge systemet? På hvilke data? Hvor længe? Med hvilke rettigheder? Hvem kontrollerer resultatet?

Governance er sjældent den sexede del af AI.

Det er som regel den del, man senere ville ønske, man havde brugt lidt mere tid på.

Et nyt norsk studie af generativ AI i nyhedsredaktioner under parlamentsvalget i 2025 beskriver et interessant paradoks.

Forskerne fulgte redaktioner og journalister over ti måneder. Store planer om publikumsrettede AI-løsninger blev ofte nedjusteret, når teknologien mødte den almindelige redaktionelle virkelighed, og mere jordnære interne anvendelser tog over.

AI-systemerne kræver mennesker med tilstrækkelig erfaring til at opdage fejl, dårlig dømmekraft og skæve resultater.

Samtidig kan omfattende automatisering fjerne nogle af de opgaver, hvor medarbejdere normalt opbygger netop den erfaring.

Det er ikke kun et journalistisk problem.

Forestil dig en generation af jurister, der aldrig laver den første dokumentgennemgang. Programmører, der aldrig debugger fra bunden. Designere, der springer håndværket over. Analytikere, der aldrig bygger modellen selv.

Organisationen kan blive hurtigere på kort sigt.

Og gradvist miste evnen til at se, hvornår den tager fejl.

Produktivitet er dejligt.

Kompetence er også ganske praktisk.

Google gennemførte i begyndelsen af perioden en af sine største AI-ledelsesændringer i årevis.

Demis Hassabis trådte væk fra den daglige CEO-rolle i Google DeepMind for i stedet at blive chairman og Alphabet Chief Scientist med større fokus på langsigtet forskning og AGI.

Koray Kavukcuoglu får det operationelle ansvar for DeepMind.

Samtidig forlader Jeff Dean Google efter 27 år for at starte Discovery Loop, en ny virksomhed med ambitioner om at automatisere dele af den videnskabelige forskningsproces med AI.

Den næste store anvendelse af AI handler ikke nødvendigvis om at skrive endnu en marketingtekst lidt hurtigere.

Det handler om systemer, der kan foreslå eksperimenter, gennemføre analyser, evaluere resultater og hjælpe forskere med at bevæge sig hurtigere gennem selve opdagelsesprocessen.

Det betyder ikke, at forskeren forsvinder.

Det betyder sandsynligvis, at forskerens værktøjskasse bliver meget mærkelig.

Nvidia har indgået aftaler med seks store finansaktører – blandt andre Goldman Sachs, Apollo, BlackRock, Blackstone, Brookfield og KKR – med ambitionen om at mobilisere mere end 500 mia. dollar til AI-infrastruktur.

Pengene skal kunne finansiere datacentre, compute, strøm, chips og anden infrastruktur for virksomheder og lande, der gerne vil have AI-kapacitet, men ikke nødvendigvis har hyperscalernes balance.

Det er en markant udvikling.

På den positive side kan det fjerne en af de største barrierer for AI-udbygning: den enorme kapitalregning.

På den mindre hyggelige side betyder det, at AI-risiko bevæger sig længere ind i kreditmarkederne.

Hvis fremtidens compute efterspørges som forventet, har man finansieret ny infrastruktur.

Hvis ikke, har man finansieret verdens dyreste samling af meget varme skabe.

SpaceX’ regnskab for andet kvartal viste AI-relaterede kapitalinvesteringer på omkring 15,8 mia. dollar på blot tre måneder.

Bag en moderne model står ikke bare kode og forskere, men jord, transformere, kølesystemer, fiber, chips, energi, byggearbejde og finansiering.

Den industrielle skala ændrer samtidig spillet for mindre virksomheder.

De færreste skal eje deres egen supercomputer. Men flere bliver afhængige af virksomheder, der gør.

Derfor bliver pris, adgang til compute, leverandørbinding og arkitektur i stigende grad strategiske spørgsmål.

“Vi bruger bare API’et” er stadig en teknisk løsning.

Det er ikke nødvendigvis en strategi.

Meta lancerede Muse Glimmer, en kompakt open-weight-model designet til at kunne køre på almindelig computerhardware.

Glimmer er udviklet gennem distillation fra den større Muse Spark og er rettet mod blandt andet ræsonnement, kodning og agentiske opgaver.

Det er et vigtigt signal.

I flere år har AI-konkurrencen primært handlet om større modeller, større GPU-klynger og større datacentre.

For virksomheder giver lokale modeller nogle attraktive muligheder.

Lavere latency. Mere kontrol med følsomme data. Offline-funktioner. Lavere variable omkostninger. Og mulighed for hybridarkitekturer, hvor små lokale modeller løser hverdagsopgaver, mens de vanskelige opgaver sendes videre til tungere systemer.

Den bedste AI-arkitektur bliver derfor ikke nødvendigvis én stor model.

Den kan blive et lille økosystem af specialister.

Den kinesiske robotproducent Unitree oplevede enorm investorinteresse omkring sin børsnotering.

Virksomheden rejste omkring 900 mio. dollar ved en værdiansættelse på cirka 9 mia. dollar, mens efterspørgslen fra private investorer langt oversteg udbuddet.

Unitree er kendt for både firbenede og humanoide robotter og vil bruge en betydelig del af kapitalen på udvikling af AI-modeller til robotterne.

Investorer køber ikke blot ideen om bedre industrielle robotarme.

De køber muligheden for mere generelle maskiner, der kan forstå omgivelser, lære nye opgaver og bevæge sig gennem miljøer bygget til mennesker.

Der er fortsat meget stor afstand mellem en imponerende robotdemo og stabil økonomisk værdi.

Markedet virker i øjeblikket villigt til at betale for turen mellem de to.

1. Grok 4.6: SpaceX lancerede 12. august en ny Grok-version med fokus på længere agentiske arbejdsforløb, højere performance og aggressiv pris. Modelkapløbet handler i stigende grad om pris per færdig opgave, ikke bare placering på et benchmark.
2. Anthropic kigger på Decart: Anthropic er i avancerede samtaler om et muligt køb af AI-infrastrukturvirksomheden Decart for omkring 6 mia. dollar. Handlen er ikke afsluttet, men retningen er interessant: Frontier-labs vil have mere kontrol over hele deres compute-stack.
3. Amazon bygger om i Indiana: Interne dokumenter beskriver projektet “AGI Pivot”, hvor Amazon samler Trainium-servere, storage, fiber og netværk i en tættere AI-superklynge. Skyen er fortsat bare en andens meget dyre bygning.
4. Meta fik hul i sin AI-sandbox: Under en cybersikkerhedstest fik en Meta-model utilsigtet internetadgang og udnyttede en sårbarhed hos en tredjepart. Hændelsen skyldtes fejlkonfiguration snarere end en magisk “AI-flugt”, hvilket gør den betydeligt mere relevant for almindelige IT-afdelinger.
5. AI designede funktionelle bakteriofager: Forskere ved Stanford brugte generativ AI til at designe funktionelle syntetiske bakteriofager. Mulighederne inden for biologi er enorme. Det samme er behovet for, at biosecurity følger nogenlunde med.
6. Lumilens rejste over 700 mio. dollar: AI-chips bliver så hurtige, at kobberforbindelser mellem dem begynder at være en flaskehals. Lumilens vil flytte mere datatrafik over på optiske forbindelser, fordi selv AI-boomet til sidst kan blive begrænset af noget så gammeldags som en ledning.
7. USA får en 30-dages AI-kontrolsluse: Den amerikanske regering har etableret en frivillig ramme, hvor de mest avancerede lukkede modeller kan blive stillet til rådighed for myndigheder op til 30 dage før bred frigivelse. De konkrete evalueringskriterier er i høj grad klassificerede, hvilket giver transparensbegrebet en lidt kreativ arbejdsdag.
8. IBM køber sig længere ind i AI-compute: IBM indgik en flerårig aftale på 240 mio. dollar med Together AI om en Nvidia-baseret AI-klynge på IBM Cloud. Der er stadig penge i at eje det sted, hvor modellerne faktisk skal køre.
9. Pixel 11 blev mere AI end telefon: Googles nye Pixel-generation integrerer Gemini endnu dybere i kamera, oversættelse, tale og almindelige telefonfunktioner. Smartphonen er langsomt ved at blive et personligt AI-interface, som tilfældigvis stadig kan modtage opkald.
10. South Australia bestiller en Royal Commission om AI: Delstatsregeringen vil undersøge AI’s konsekvenser for blandt andet arbejdsmarked, uddannelse, sundhed og kultur. Når en teknologi får sin egen Royal Commission, er “det er bare et værktøj” blevet en lidt vanskeligere salgstale.

Måske var det faktisk meget passende at springe en uge over.

For når man ser de to uger samlet, bliver det lettere at se noget, som forsvinder i den daglige strøm af modelnavne og produktlanceringer: AI er ved at få et maskinrum.

Kapitalmarkeder bygger finansieringssystemer omkring GPU’er. Stater skriver AI ind i regulering og efterretning. Fabrikker kobler modeller til robotter. Små modeller flytter intelligens ud på lokale maskiner. Og professionelle brancher bygger deres egne AI-lag oven på de generelle modeller.

Det betyder også, at spørgsmålet “hvilken AI-model skal vi bruge?” bliver mindre interessant.

Det bedre spørgsmål er: Hvilket system bygger vi omkring modellen?

Hvem ejer arbejdsgangen? Hvilke data bruger systemet? Hvor ligger de? Hvad må agenten gøre uden godkendelse? Hvilken menneskelig kompetence skal vi aktivt bevare? Hvad sker der med økonomien, når pilotprojektet bliver brugt 40.000 gange om måneden? Og kan vi skifte leverandør uden at skille hele virksomheden ad med en skruetrækker?

Det norske Catch-22 er måske den vigtigste lille historie i hele denne dobbeltudgave. AI skal gerne fjerne friktion, ikke faglighed. Hvis effektiviseringen gør organisationen hurtigere, men gradvist dårligere til at forstå sit eget arbejde, har vi ikke automatiseret processen. Vi har automatiseret afhængigheden.

De sidste to uger viser samtidig, at der ikke længere findes ét AI-kapløb. Der findes flere. Et kapløb om modeller. Et om chips. Et om kapital. Et om robotter. Et om distributionslag. Og et mere stille kapløb om at blive den organisation, der faktisk kan få teknologien til at fungere uden at miste kontrollen undervejs.

Det sidste er sandsynligvis det vigtigste.

Modeller bliver bedre meget hurtigt.

Organisationer gør sjældent.

Mindre magi. Mere maskinrum.

Og næste gang Snilld tager en uge fri, bør vi måske tage serverne med.