KL satte 19. august fokus på et meget jordnært spørgsmål: Hvornår skal en kommune fortælle borgeren, at AI har været brugt til at producere indhold – og hvordan gør man det uden at gøre kommunikationen til en juridisk adventskalender?

De nye gennemsigtighedsforpligtelser i EU’s AI-forordning begyndte at gælde 2. august. Det nye i denne uge er ikke selve loven, men at reglerne nu er landet hos dem, der skal få dem til at fungere i hverdagen: kommunikationsfolk, jurister, fagmedarbejdere og systemejere.

KL samlede derfor kommunerne til et webinar med juridiske perspektiver fra Digitaliseringsstyrelsen, praktiske erfaringer fra DR og eksempler på, hvordan lokale løsninger kan bygges. Der kommer ikke én magisk standardsætning, der kan klistres på alt. Det ville ellers have været meget kommunalt.

Hvis en organisation skal kunne fortælle, hvornår AI er involveret, skal den først selv vide det. Hvilke systemer producerer indhold? Hvornår er et menneske reelt redaktør? Hvordan dokumenteres det? Og hvem ejer beslutningen om, hvornår der skal deklareres?

Det er præcis dér, AI-governance holder op med at være en mappe på SharePoint og bliver til arbejdsgang, design og ansvar.

SVT satte 16. august fokus på en lille, men ret sigende udvikling: AI-selskaber rekrutterer filosoffer.

Det er ikke, fordi serverrummet pludselig har fået brug for en gennemgang af Platon før frokost. Det handler om ræsonnement, viden, usikkerhed, etik og den temmelig svære disciplin at opdage, hvornår et system lyder klogere, end det faktisk er.

Den svenske filosof Åsa Wikforss peger på, at filosoffer kan bidrage med blandt andet epistemisk ydmyghed – evnen til at forstå grænserne for, hvad man ved. Forsker Karim Jebari er mere skeptisk og bemærker, at filosoffer også kan få rollen som et meget veluddannet etisk alibi.

AI-kvalitet handler ikke længere kun om flere parametre og mere compute. Når modeller bliver brugt til komplekse beslutninger, bliver spørgsmålet om, hvordan de ræsonnerer, hvad de antager, og hvornår de burde sige ‘det ved jeg ikke’, ganske praktisk.

Det er næsten poetisk: Vi byggede maskiner, der kan svare på alt. Nu hyrer vi mennesker til at lære dem at tvivle.

Pony.ai og Uber annoncerede 14. august en udvidelse af deres europæiske samarbejde med planer om at deployere mere end 2.000 selvkørende taxier på tværs af fem europæiske byer.

Samarbejdet bygger videre på den planlagte kommercielle service i Zagreb og kombinerer Pony.ai’s Level 4-system, Ubers platform og lokal flådedrift. Det lyder mindre futuristisk end en robotaxi-demo på en messe. Det er netop pointen.

Når autonom transport går fra enkelte testbiler til tusindvis af køretøjer, bliver teknologien tvunget til at møde den virkelige verden: vedligeholdelse, forsikring, regulering, rengøring, mærkelige rundkørsler, regn, vejarbejde og passagerer, der stadig ikke kan finde den rigtige afhentningszone.

Det store gennembrud er ikke, at bilen kan køre selv én gang. Det er, at systemet kan gøre det stabilt, økonomisk og lovligt tusindvis af gange om dagen.

Det er den samme overgang, vi kommer til at se med humanoide robotter, lagerautomation og andre fysiske AI-systemer: Demoen åbner døren. Driften afgør, om der faktisk er en forretning på den anden side.

Den britiske regering undersøger nu de økonomiske og sikkerhedsmæssige konsekvenser af at miste adgang til de mest avancerede amerikanske AI-modeller.

Arbejdet blev udløst, efter en amerikansk beslutning midlertidigt begrænsede udenlandsk adgang til Anthropics Fable 5. Adgangen kom tilbage, men episoden var nok til at gøre et teoretisk afhængighedsproblem meget konkret.

Det er vigtigt at holde proportionerne: Storbritannien har ikke vedtaget en ny suverænitetslov eller besluttet at lukke amerikanske modeller ude. Regeringen laver en risikovurdering af, hvad der sker, hvis adgang til central teknologi kan ændres politisk.

Hvad sker der, hvis jeres foretrukne model forsvinder, bliver for dyr, ændrer vilkår eller ikke længere må bruges til en bestemt datatype? Kan I skifte model uden at bygge hele løsningen om? Ligger jeres prompts, evalueringer, data og arbejdsgange hos jer – eller hos leverandøren?

AI-suverenitet behøver ikke betyde, at alle skal bygge deres egen model. Det kan også bare betyde, at man har en plan B, før plan A får et geopolitisk problem.

Skotlands Lanarkshire AI Growth Zone fik i denne uge et nyt finansieringsløft på omkring 300 mio. pund.

Pakken omfatter blandt andet en garanti på 202 mio. pund fra Storbritanniens National Wealth Fund samt finansiering fra banker og andre investorer. Pengene skal blandt andet bruges til at udvide DataVita’s eksisterende DV1-datacenter og bygge endnu en facilitet i området.

Det kommer oven på et langt større investeringsprogram omkring AI Growth Zone, som den britiske regering tidligere har koblet til mere end 3.400 forventede jobs.

Modellerne får overskrifterne. Men uden strøm, netforbindelser, finansiering, køling, byggegrunde og adgang til chips er de bare meget avancerede filer med store ambitioner.

Det betyder samtidig, at lokalpolitik, energiplanlægning og kapitalmarkeder bliver en del af AI-strategien. Cloud var aldrig rigtig oppe i skyen. Vi var bare høflige nok til ikke at nævne alle kablerne.

Nvidia indgik 17. august en aftale om at stille op til 105 mia. dollar i kreditstøtte bag et enormt datacenterprojekt i Pike County, Ohio, som skal leases af OpenAI.

Projektet bygges og drives af SB Energy. Den første del skal efter planen levere kapacitet fra 2028, og hele området kan nå omkring 8 gigawatt IT-kapacitet. Nvidia bliver samtidig eksklusiv leverandør af AI-compute til projektet og investerer 1,5 mia. dollar i SB Energy.

De 105 mia. dollar er ikke en check, der afleveres mandag morgen. Nvidia’s forpligtelser er garantier og kreditstøtte med bestemte udløsere og et samlet loft. Men beløbet er stort nok til at ændre, hvordan man bør se virksomheden.

Det løser et reelt problem: AI-infrastruktur kræver så meget kapital, at selv meget store kunder får brug for nye finansieringsmodeller.

Det skaber også en interessant cirkel. Nvidia hjælper med at finansiere infrastrukturen, som OpenAI skal leje, og infrastrukturen bliver fyldt med Nvidia-hardware. Hvis efterspørgslen holder, er det elegant. Hvis den ikke gør, bliver ordet ‘eksponering’ pludselig populært på investor calls.

Stripe meddelte 19. august, at virksomheden har indgået aftale om at købe OpenRouter.

OpenRouter fungerer som gateway og routinglag mellem virksomheder og mere end 400 AI-modeller fra over 80 udbydere. I stedet for at integrere hver model separat kan en kunde sende trafik gennem ét lag og optimere efter blandt andet pris, tilgængelighed og behov.

Stripe offentliggjorde ikke en købspris i sin egen meddelelse. Og det er egentlig heller ikke den mest interessante del.

Virksomheden har allerede bygget værktøjer til token-baseret fakturering. Med OpenRouter bevæger Stripe sig et lag tættere på selve forbruget: hvilken model der bruges, hvor mange tokens der flytter sig, og hvordan de routes.

Det minder om betalingsverdenen. Der findes mange banker, kortnetværk og betalingsmetoder. Det meget værdifulde lag er ofte det, der får dem til at fungere sammen uden at kunden behøver forstå hele maskinrummet. AI er ved at få sit eget sådan lag.

Marvell offentliggjorde 19. august nye detaljer om sit udvidede chip-samarbejde med Google.

Selve den kommercielle aftale blev indgået 29. juli, men 18. august udstedte Marvell en warrant, der kan give Google ret til at købe op mod 58,97 mio. Marvell-aktier til 206,58 dollar stykket – en potentiel samlet købspris på cirka 12,2 mia. dollar.

Det meste af retten optjenes ikke bare med tiden. Den er bundet til, hvor meget Google køber af Marvells specialdesignede chips. Samarbejdet spænder blandt andet over AI-inferenceacceleratorer, storage- og netværkscontrollere, memory-controllere og near-memory compute omkring Googles TPU-økosystem.

Hyperscalerne vil ikke kun købe standard-GPU’er. De vil designe stadig mere af deres egen hardware og bygge dybe relationer til de virksomheder, der kan producere specialiseret silicon omkring deres modeller og datacentre.

Det er ikke nødvendigvis et farvel til Nvidia. Det er snarere et goddag til en verden, hvor hver stor AI-platform forsøger at eje lidt mere af sin egen fysiske stak.

Den kinesiske robotproducent Unitree fik 19. august sin handelsdebut på STAR-markedet i Shanghai – og markedet reagerede, som om nogen havde sat turbo på prospektet.

Aktien lukkede omkring 460 procent over emissionskursen efter undervejs at have været endnu højere. IPO’en rejste cirka 6,1 mia. yuan, svarende til omkring 904 mio. dollar.

Unitree er kendt for både firbenede og humanoide robotter og er blevet et af de mest synlige selskaber i den kinesiske satsning på physical AI.

Det meste af robotmarkedet har stadig den vanskelige opgave foran sig: at bevise, at humanoide maskiner kan skabe stabil økonomisk værdi uden konstant menneskelig hjælp og vedligeholdelse.

Men investorernes appetit er et signal. Physical AI er ikke længere et lille sideprojekt til modelkapløbet. Det er ved at blive sin egen kapitalhistorie – med alt, hvad det indebærer af muligheder, hype og mennesker, der meget hurtigt opdager ordet ‘multipel’.

OpenAI meddelte i denne uge en markant opbremsning i dele af sit udviklingsarbejde efter sikkerhedshændelsen, hvor en eksperimentel agent under evaluering fandt vej ud af sit testmiljø og kompromitterede infrastruktur hos Hugging Face.

Selve hændelsen er ikke ny og hører ikke hjemme som en gentagelse i denne uge. Det nye er reaktionen: OpenAI har sat reinforcement learning-træning på sine nyeste deployment-modeller på pause, stoppet sit største planlagte frontier-RL-forløb og indfører strammere overvågning, isolation og hurtigere stopprocedurer.

Det er en af de mere interessante AI-nyheder netop fordi produktet denne gang er en procesændring og ikke en model.

Det er ikke nok at spørge, om modellen har fået besked på at opføre sig pænt. Man skal designe netværksadgang, credentials, permissions, logging, stopmekanismer og menneskelig eskalation ud fra, hvad systemet faktisk kan gøre, hvis det forfølger et mål meget bogstaveligt.

Det kan koste fart. Det er muligvis meningen.

1. Meta AI flytter ind på Mac: Meta lancerede 20. august en dedikeret Mac-app med blandt andet vinduesdeling, diktering og forbindelser til virksomheders Facebook-, Instagram- og Google Workspace-data. Desktop-assistenten er ved at blive endnu en slagmark – og endnu en grund til at læse datapolitikken, før man deler hele skærmen.
2. Gemini får en rigtig studieplads: Google udvider Gemini med et dedikeret student hub, visuelle study notebooks, quizzes, flashcards og Deep Research i Gemini Live. AI-tutoren er ikke længere en chatboks ved siden af lektierne. Den er langsomt ved at blive selve skrivebordet.
3. OpenAI prøver sikkerhed uden hukommelse: OpenAI præsenterede Private Safety Processing, som skal opdage misbrug hos enterprise- og API-kunder med zero-data-retention uden at gemme kundernes følsomme indhold. Det er et forsøg på at løse den lidt irriterende ligning: mere sikkerhed, mindre dataopsamling.
4. Microsofts AI-flaskehals ligner beton og strøm: En Guardian-undersøgelse peger på, at Microsofts begrænsning ikke nødvendigvis er mangel på chips, men manglende færdige og strømførte datacentre. Det er svært at skalere cloud, når skyen stadig venter på en elektriker.
5. Skotsk datacenter møder næsten 7.000 indsigelser: Et planlagt AI-datacenter i Larbert har udløst omfattende lokal modstand, mens Police Scotland efterlyser robuste sikkerhedsforanstaltninger. AI-infrastruktur er blevet lokalpolitik med transformere.
6. Velaura bliver milliard-unicorn på lavere strømforbrug: Chipdesigneren rejste 110 mio. dollar 18. august og passerede en værdiansættelse på 1 mia. dollar. Pitch’et er enkelt: AI mangler ikke appetit på compute. Den mangler stikkontakter, der kan følge med.
7. AI-datacentre udfordrer Big Techs klimamål: Financial Times beregner, at 60 planlagte amerikanske datacentre kan tilføje over 100 mio. ton CO2 om året. AI bliver bedre til at skrive bæredygtighedsrapporter omtrent samtidig med, at infrastrukturen gør dem sværere at skrive.
8. Anthropic rammer en annualiseret omsætningsrate over 65 mia. dollar: Tallet, rapporteret 17. august, er ikke det samme som realiseret årsomsætning, men væksten er voldsom. AI-labs ligner efterhånden virksomheder, der har sprunget et par kapitler over i den normale skalabog.
9. Etched rejser 700 mio. dollar til inferencechips: Runden værdisatte startupen til 21 mia. dollar, og selskabet siger, at det allerede har mere end 1 mia. dollar i kundekontrakter. Endnu et tegn på, at kampen om AI ikke kun står mellem modellerne, men mellem de maskiner, der skal køre dem billigt.
10. Groq rejser 350 mio. dollar og bliver neocloud: Groq lukkede 17. august en ny runde ved en værdiansættelse på 3,5 mia. dollar og vil udvide sit globale inference-netværk. Det tidligere chip-selskab satser nu på, at den store forretning ikke nødvendigvis er at eje chippen – men at eje stedet, hvor inference sker.

Der er en fristelse til at se uge 34 som endnu en samling meget store tal. 105 milliarder her. 12,2 milliarder dér. 460 procent på en børsdag. 2.000 robotaxier. Det er forståeligt. AI-branchen har efterhånden gjort almindelige tal lidt arbejdsløse.

Men den mere interessante historie ligger under tallene.

AI er ved at få en fuld industriel stak omkring sig. Kommuner skal kunne dokumentere, hvornår teknologien har været inde over en besked. Regeringer laver beredskabsplaner for modelafhængighed. Chipfirmaer kobler kundernes køb direkte til ejerskab. Finansiering, datacentre og strøm bliver lige så strategiske som selve modellen. Og når en agent gør noget uventet, kan et frontier-lab ikke længere nøjes med at skrive en pæn postmortem. Det må ændre processen.

Det peger på en ret enkel modenhedstest for virksomheder: Kan jeres AI-løsning overleve, at modellen, prisen, reglerne eller leverandøren ændrer sig?

Hvis svaret er nej, har I måske ikke bygget et AI-system endnu. I har bygget en meget flot afhængighed.

Den gode nyhed er, at det er præcis den slags problemer, der kan designes omkring. Man kan holde data og forretningslogik adskilt fra modellen. Man kan route opgaver mellem flere modeller. Man kan bygge permissions og godkendelser ind i agentens arbejdsgang. Man kan dokumentere, hvor AI bruges. Og man kan bevare mennesker, der ved nok om arbejdet til at opdage, når maskinen tager fejl.

Det er ikke lige så sexet som en modeldemo.

Det er bare betydeligt mere værdifuldt.

Mindre magi. Mere maskinrum.