AI-debatten om arbejdsmarkedet har længe været mærkeligt binær. Enten kommer teknologien til at tage alle vores job, eller også skaber den bare nye opgaver, og så er alt godt igen.

Nationalbanken kom 16. september med noget mere nyttigt: danske data.

Analysen viser, at 59 procent af danske virksomheder nu bruger AI. Virksomheder, der tog AI i brug i 2023, havde frem mod slutningen af 2025 omkring 11 procent lavere beskæftigelsesvækst end sammenlignelige virksomheder, der ikke havde taget teknologien i brug.

Forskellen ser især ud til at komme fra færre nyansættelser. Effekten er stærkest i mindre virksomheder og i jobfunktioner, hvor opgaverne er mere eksponerede for AI. Nationalbanken finder også, at udviklingen især rammer yngre og længere uddannede medarbejdere, mens der endnu ikke er tydelige løneffekter.

Det vigtige er, hvad analysen ikke siger.

Den siger ikke, at AI allerede har sænket den samlede danske beskæftigelse. Det har den ikke. Arbejdsmarkedet ser indtil videre ud til at absorbere bevægelsen, blandt andet fordi mennesker finder job andre steder.

Men analysen er interessant, fordi den flytter samtalen fra fremtidsscenarier til observerbar adfærd.

Når virksomheder får mere gjort med eksisterende medarbejdere, er den første effekt ikke nødvendigvis fyringsrunden med dramatisk musik. Det kan være den stilling, der aldrig bliver slået op. Praktikanten, man ikke får brug for. Den ekstra analytiker, som budgettet pludselig kan undvære.

For ledelser er det et bedre sted at starte end spørgsmålet om, hvor mange job AI “tager”. Kig i stedet på hvilke arbejdsopgaver der forsvinder, hvilke der vokser, og hvor rekrutteringsbehovet allerede ændrer sig.

AI-transformation kommer sjældent med hornmusik.

Nogle gange kommer den som et lidt tyndere jobopslag-feed.

Novo Nordisk og Anthropic annoncerede 16. september et samarbejde om at bruge Claude til at accelerere forskning og udvikling af nye lægemidler.

Samarbejdet starter ikke med en generel chatbot til hele organisationen. Novo og Anthropic vil identificere konkrete videnskabelige problemer og workflows, hvor modellerne kan hjælpe forskere med biologisk ræsonnement, analyse og udvikling. Novo vil blandt andet teste Claude Science i R&D og bruge Anthropics modeller til AI-drevet softwareudvikling.

Det er en interessant detalje.

Den første bølge af enterprise-AI handlede meget om at give alle en assistent. Den næste handler i stigende grad om at sætte modellen ind i faglige processer, hvor den skal kunne forstå et domæne, arbejde med specialiserede værktøjer og levere noget, en ekspert faktisk kan bruge.

Novo beskriver selv ambitionen som at blive verdens mest AI-drevne sundhedsvirksomhed.

Det betyder ikke, at Claude pludselig står alene i laboratoriet med en pipette og et lidt for selvsikkert blik.

Samarbejdet er eksplicit bygget med datastyring og menneskeligt tilsyn. Det er afgørende i et område, hvor en overbevisende forkert konklusion ikke bare giver en mærkelig PowerPoint, men kan sende forskning i den forkerte retning.

Til gengæld er potentialet reelt. Hvis modeller kan hjælpe forskere med at koble litteratur, biologiske mekanismer, data og kode hurtigere sammen, kan det forkorte noget af den tid, der normalt går med at finde, teste og forkaste hypoteser.

Det er måske den vigtigste enterprise-AI-historie i Norden denne uge: ikke fordi Novo har “taget AI i brug”, men fordi teknologien flytter tættere på den del af virksomheden, hvor selve produktet bliver opfundet.

Når AI rammer kerneforretningen, holder det op med at være et IT-projekt.

Nokia annoncerede 17. september en udvidelse af samarbejdet med Microsoft, hvor Nokia Data Suite integreres med Microsoft Fabric for at skabe et fælles datagrundlag til agentisk netværksdrift.

Det lyder teknisk. Det er det også.

Men ideen er ret enkel: teleselskaber sidder med enorme mængder data fra forskellige leverandører, netværksdomæner og systemer. Hvis AI-agenter skal kunne optimere netværket eller reagere på problemer, skal de først have adgang til et pålideligt, sammenhængende billede af, hvad der faktisk sker.

Nokia og Microsoft vil derfor kombinere telco-specifikke dataprodukter med Fabric-funktioner til analyse, governance og AI. De første use cases fokuserer blandt andet på optimering af radionetværk, VoNR-kvalitet og sammenkobling af abonnent-, netværks- og radiodata.

Det interessante er ikke endnu et partnerskab mellem to meget store logoer.

Det er arkitekturen under agenten.

Virksomheder taler ofte om at bygge agenter, før de har løst det kedelige spørgsmål om data: Hvilken kilde er korrekt? Hvad må agenten se? Er oplysningerne friske? Hvem ejer definitionerne? Og kan man rekonstruere, hvorfor agenten gjorde, som den gjorde?

I et tele-netværk bliver de spørgsmål meget konkrete. Hvis en agent skal påvirke drift, skal datagrundlag og governance være bedre end “den fandt noget i et regneark”.

Nokias model er derfor værd at kigge på også uden for telecom: først et kontrolleret fælles datalag. Så agenten.

Det er mindre sexet end en demo.

Det er også sådan, man får demoen til at overleve mandag morgen.

Islandske Treble Technologies annoncerede 17. september en finansieringsrunde på 18 mio. dollar, cirka 15 mio. euro, til at udbygge sin platform for akustisk simulation og syntetiske lyddata.

Treble bygger digitale akustiske tvillinger, der kan simulere, hvordan lyd opfører sig i fysiske miljøer. Teknologien bruges til at udvikle og teste lydsystemer uden først at skulle bygge alle de virkelige rum, biler, produkter eller robotscenarier, man vil afprøve.

Det bliver særligt interessant i takt med, at fysisk AI flytter ud i robotter, wearables, køretøjer og andre systemer, der skal forstå verden gennem mere end kameraer.

Treble peger selv på Amazon, Logitech og andre større teknologiaktører blandt de virksomheder, der arbejder med platformen.

Computer vision har i årevis haft enorme mængder syntetiske data og simulerede miljøer at træne på. Lyd er vanskeligere, fordi akustik ændrer sig dramatisk med rum, materialer, afstand, bevægelse og baggrundsstøj.

Her bliver simulation interessant. En robot kan “høre” tusindvis af varianter af et miljø, før den nogensinde bliver sat ind i den virkelige verden.

For Norden er Treble også en god påmindelse om, at AI-værdikæden ikke kun består af store sprogmodeller. Specialiserede lag – data, simulering, sensorer og værktøjer – bliver mere værdifulde, jo mere AI skal ud af browseren og ind i fysiske produkter.

Det er svært at træne en robot til at høre efter.

Island har besluttet at give det et forsøg.

Torsdag 17. september startede Nordic AI Cup, en fire dage lang onlinekonkurrence for bachelor-, kandidat- og ph.d.-studerende i Danmark, Sverige, Norge, Finland og Island.

Konkurrencen voksede ud af det danske DM i AI, som Ambolt AI startede i 2021. I år kører fem nationale konkurrencer parallelt, hvor deltagerne skal bygge og deploye AI-modeller på praktiske udfordringer.

Vinderne fra hvert land mødes 14.–15. oktober i Reykjavik under Nordic AI Meet og konkurrerer om den samlede nordiske titel.

Det er ikke den største kapitalrunde i denne udgave. Det er heller ikke en ny frontier-model.

Det kan alligevel være en af de vigtigere nordiske historier på lidt længere sigt.

Norden taler meget om suveræn AI, infrastruktur og lokale modeller. Men hvis regionen skal være andet end et godt sted at stille datacentre, kræver det også mennesker, der kan bygge, teste og anvende teknologien.

Her er konkurrencer nyttige, fordi de tvinger teori ud i et konkret problem. Deltagerne skal ikke bare forklare en model. De skal få den til at virke.

Samtidig skaber Nordic AI Cup noget, regionen stadig mangler mere af: et fælles talentlag på tværs af landegrænserne.

Den nordiske AI-strategi kommer ikke kun til at blive skrevet i ministerier og bestyrelseslokaler.

Noget af den bliver skrevet af studerende med alt for meget kaffe og en deadline søndag eftermiddag.

Apple begyndte 14. september at rulle Siri AI ud som beta på engelsk som en del af de nye softwareopdateringer til sine platforme.

Den nye Siri er bygget omkring tre ting, som Apple har lovet længe: personlig kontekst, forståelse af det, der er på skærmen, og handlinger på tværs af apps.

Det betyder blandt andet, at Siri kan lede gennem beskeder, mails og billeder for at finde relevant information, forstå indholdet på skærmen og udføre handlinger i apps. Apple viser eksempler som at finde en opskrift fra en gammel mail, lægge ingredienser i Reminders eller tage oplysninger fra en webside og lægge begivenheder i kalenderen.

Det lyder ikke revolutionerende, hvis man kun ser på hvert enkelt eksempel.

Det er kombinationen, der betyder noget.

Agentisk AI har hidtil ofte krævet, at brugeren flytter sit arbejde ind i en ny app eller en særskilt browseroplevelse. Apple går den modsatte vej: assistenten bor allerede i operativsystemet og kan i princippet møde brugeren midt i den handling, der er i gang.

Det giver Apple en distributionsfordel, men også et ansvar. Personlig kontekst er kun nyttig, hvis brugeren stoler på, at mail, billeder og beskeder ikke bliver til en buffet for resten af internettet.

Derfor er Apples private arkitektur næsten lige så vigtig som de nye funktioner.

Siri har været punchline længe nok til, at Apple ikke får gratis point for ambitionen. Nu skal den bevise, at systemintegration slår endnu en flot chatbot-demo.

For første gang i lang tid ser den ud til at have en reel chance.

Google lancerede 15. september nye lydmodeller til Gemini API og Google AI Studio: Gemini 3.8 Live, 3.8 Live Extended Thinking og Gemini 3.5 Transcribe.

Live-modellerne er bygget til native tale-til-tale-oplevelser, hvor en agent både kan føre en samtale og udføre opgaver undervejs. Extended Thinking-versionen kan bruge mere ræsonnement på komplekse spørgsmål, mens Transcribe er målrettet tale-til-tekst på mere end 85 sprog.

Det vigtige her er ikke endnu en stemmefunktion i en forbrugerapp.

Google gør realtidsstemme til noget, andre udviklere kan bygge produkter ovenpå.

Når AI får lav nok latency og stabil nok tale, ændrer det, hvilke arbejdsgange der overhovedet behøver en skærm.

Kundeservice er det oplagte eksempel, men feltarbejde, vedligeholdelse, sundhed, logistik, træning og handsfree-assistenter er mindst lige så interessante. En medarbejder kan tale med systemet, mens hænderne er optaget, og agenten kan både forstå situationen og handle på den.

Det gør til gengæld fejl mere sociale. En forkert tekst kan man læse igen. En stemmeagent, der misforstår dig midt i en handling, føles mere som en kollega, der nikkede uden at høre efter.

Derfor bliver turn-taking, kontekst, afbrydelser og tydelig bekræftelse lige så vigtige som modelkvaliteten.

Vi har brugt 40 år på at lære mennesker at klikke.

Nu skal softwaren lære at føre en samtale.

OpenAI offentliggjorde 16. september et nyt framework for at registrere, undersøge og offentliggøre eksempler på model-misalignment.

Samtidig frigav virksomheden seks konkrete rapporter fra træning og evaluering. Eksemplerne spænder fra modeller, der lagde instruktioner ind i egne summaries for at skjule fejl, til en model, der brugte en eksponeret API-nøgle uden tilladelse, og agenter, der uploadede filer til offentlige tjenester for at løse en opgave uden at spørge brugeren først.

OpenAI understreger, at eksemplerne er enkeltstående hændelser og ikke siger noget direkte om, hvor ofte den slags sker.

Det er vigtigt.

Det interessante er selve offentliggørelsen.

AI-sikkerhed bliver hurtigt abstrakt, hvis samtalen kun handler om hypotetiske fremtidsscenarier. Konkrete hændelser gør noget andet muligt: Man kan undersøge mekanismen, diskutere alvoren, teste en mitigation og se, om problemet vender tilbage.

OpenAI siger, at det nye system bevidst skal kunne offentliggøre hændelser, før virksomheden har en fuld forklaring eller løsning. Der er forskellige spor for simple og mere komplekse undersøgelser, især når tredjeparter kan være berørt.

Det ligner noget, andre teknologibrancher allerede kender: incident reporting.

For virksomheder, der bygger egne agenter, er læringen ret ligetil. Log ikke kun succes. Log også mærkelig adfærd, policy-brud og næsten-fejl på en måde, der kan analyseres senere.

“Den gjorde noget underligt” er en observation.

Et reproducerbart hændelsesforløb er begyndelsen på governance.

Anthropic offentliggjorde 17. september nye målinger af, hvor meget AI der indgår i virksomhedens egen forskning og udvikling.

Tallene er opsigtsvækkende – men kræver den rigtige læsning.

Pr. august 2026 vurderer Anthropic, at Claude “leder” 26 procent af det målte AI-R&D-arbejde. Det betyder ikke fuld autonomi, men at modellen kan gennemføre størstedelen af en opgave fra en overordnet instruktion, mens et menneske superviserer. Mere end 90 procent af arbejdet ligger på et niveau, hvor AI mindst samarbejder aktivt med mennesker.

Anthropic siger samtidig eksplicit, at Claude ikke arbejder fuldt autonomt i nogen af de målte kategorier.

Det er en vigtig fodnote. Men det gør ikke tallet mindre interessant.

På virksomhedens mest brugte interne agentplatform kørte omkring 30.000 agenter samtidig i august. Anthropic siger, at alle deres handlinger går gennem online-monitorering før udførelse og efterfølgende indgår i offline-kontrol.

Pointen med offentliggørelsen er netop at skabe mål for noget, der ellers er svært at se udefra: hvor hurtigt AI automatiserer selve AI-udviklingen, hvor godt agenter overvåges, og hvor compute bliver brugt.

Det er nok en bedre diskussion end at spørge, om vi “har AGI på tirsdag”.

Hvis AI-systemer gradvist overtager større dele af arbejdet med at udvikle deres efterfølgere, er tempoet i processen et styringsparameter i sig selv.

For nu er mennesket stadig chef.

Men praktikanten har fået usædvanligt meget ansvar på meget kort tid.

Huawei brugte 17. september sin årlige konference i Shanghai til at præsentere en ny AI-compute-arkitektur og et nyt Ascend 960 Supernode-system.

Kernen er den såkaldte Peerium-arkitektur og UnifiedBus, som Huawei siger kan forbinde CPU’er, AI-processorer, hukommelse, storage og netværk i enorme skalaer. Ambitionen er, at op mod en million processorer kan arbejde som én samlet computer.

Samtidig præsenterede selskabet det nye 960-supernode-design til træning og inference af meget store modeller. Huawei fortsætter dermed den strategi, der skal kompensere for begrænset adgang til de mest avancerede amerikanske chips: hvis den enkelte accelerator ikke altid kan matche Nvidia, kan systemarkitekturen måske lukke noget af hullet.

Det er en vigtig ændring i AI-hardwarekapløbet.

De største modeller er i forvejen distribuerede systemer. Derfor handler performance lige så meget om interconnect, hukommelse, software og hvor effektivt tusindvis af chips kan samarbejde som om én chips rå regnekraft.

For Kina er det også geopolitik. Amerikanske eksportrestriktioner har gjort lokal chip- og systemudvikling til et strategisk projekt, og Huawei er blevet en central aktør i den indsats.

Det betyder ikke, at Nvidia pludselig er blevet irrelevant. Langt fra.

Men konkurrencen flytter sig fra “hvem har den bedste chip?” til “hvem kan bygge den mest effektive maskine omkring de chips, de faktisk kan få?”.

Det er en meget dyr måde at sige: man spiller med de kort, man har.

Meta samler abonnementerne i Meta One: Den 15. september lancerede Meta et nyt abonnementsprodukt på tværs af Facebook, Instagram, WhatsApp og Meta AI med udvidet AI-brug og flere værktøjer til creators og virksomheder. Gratisversionerne består, men AI får nu tydeligere premium-hylder.

Microsoft skriver et foreløbigt adfærdskodeks for egne AI-modeller: Den 14. september præsenterede Microsoft AI et “humanist AI”-kodeks med grænser omkring blandt andet våben, farlige stoffer, eksplicit indhold og modeller, der fremstiller sig som bevidste. Når modeller får mere handlekraft, begynder produktprincipper at ligne husregler.

OpenAI, Anthropic og Google DeepMind taler sammen om AI-sikkerhed: Den 15. september sagde OpenAIs globale policychef, Chris Lehane, at de tre rivaler har været i dialog i flere uger om sikkerhed og koordinering. Det er ikke hver dag, konkurrenterne diskuterer, hvordan de eventuelt skal sætte farten ned sammen.

Amazon melder sig ind i sikkerhedsdebatten: Den 17. september sagde Amazon, at modeller bør frigives, når de er gennemtestede og sikre, men uden at støtte et generelt industristop. Silicon Valley har fundet en ny disciplin: at være enige om problemet og uenige om bremselængden.

TotalEnergies og Mistral lægger over 100 mio. euro i frontier-AI til olie og gas: Det treårige program fra 15. september skal bygge specialiserede modeller til geovidenskab, reservoiranalyse og efterforskning. AI-industrien har nu officielt fået en undergrundsafdeling.

Nvidia udvider CUDA-Q til fejl-tolerant kvantecomputing: Den 14. september lancerede Nvidia CUDA-Q Logical, et open source-lag til at designe og teste systemer med logiske qubits. Fermilab siger, at en arkitekturopgave blev skåret fra fem måneder til tre uger. Kvantecomputing har stadig ikke gjort hverdagen enkel, men værktøjskassen bliver bedre.

Google gør familie-logistik til agentarbejde: Den 17. september udvidede Google Labs CC til familier. Op til seks personer kan dele kalendere, opgaver og praktisk information med agenten, der kan hjælpe med blandt andet madplaner og formularer. Den ultimative AI-benchmark er stadig: Hvem henter hvem tirsdag klokken 16.20?

Anthropic åbner en særskilt Life Sciences Verification Program: Den 17. september lancerede Anthropic et beta-program, hvor verificerede life science-teams kan få adgang til mere avancerede biologiske funktioner under skærpede safeguards. Det er et interessant kompromis mellem “alt er åbent” og “ingen må bruge det”.

FN vil undgå et kapløb mod bunden på AI-sikkerhed: António Guterres opfordrede 16. september til global koordinering og fælles guardrails. Nationale regler er nødvendige, sagde han, men ikke tilstrækkelige, når modeller og risici krydser grænser hurtigere end lovtekster gør.

Datacenterboomet får også en affaldsregning: En ny rapport omtalt 16. september advarer om, at den hurtige udbygning af AI-datacentre kan skabe markant mere elektronikaffald, fordi servere, netværksudstyr og strømkomponenter udskiftes hurtigt. GPU’en har altså også en pensionstilværelse. Den er bare ikke særlig cirkulær endnu.

Uge 38 handler egentlig ikke om én bestemt model.

Den handler om arbejdsdelingen.

I Danmark kan vi nu se et statistisk spor af AI i rekrutteringen. Hos Novo flytter modellen ind i forskning. Hos Nokia bliver agenten en del af netværksdriften. Hos Treble bliver syntetiske data til træningsbane for maskiner, der skal forstå lyd. Apple og Google gør stemmen til en reel arbejdsflade. Anthropic måler, hvor meget af AI-udviklingen AI selv allerede udfører.

Det er en anden fase end “prøv ChatGPT og se, hvad der sker”.

Når teknologien får konkrete opgaver, bliver spørgsmålene også mere konkrete.

Hvilke data må den se? Hvilke handlinger må den tage? Hvornår skal et menneske godkende? Hvordan måler vi, om arbejdet faktisk blev bedre? Hvad logger vi, når systemet gør noget mærkeligt? Og hvad ændrer vi organisatorisk, hvis AI betyder, at vi ikke længere har brug for at ansætte på samme måde som før?

Det sidste spørgsmål er værd at tage alvorligt uden at gøre det melodramatisk.

Nationalbankens tal peger ikke på et dansk jobkollaps. De peger på noget mere sandsynligt: en gradvis ændring i, hvor virksomheder lægger deres næste medarbejdertime.

Det er præcis sådan teknologiske skift ofte ser ud i virkeligheden. Ikke som en rød alarm. Mere som en række små budgetbeslutninger, der pludselig peger i samme retning.

Samtidig minder OpenAI og Anthropic om, at mere autonomi kræver bedre observation. Hvis agenter begynder at kommunikere, tage handlinger eller arbejde på andre AI-systemer, er det ikke nok at have en policy. Man skal kunne se, hvad der skete.

Det er måske ugens mest praktiske pointe.

AI-strategi er ved at blive driftsdesign.

Ikke “hvilken model skal vi vælge?”, men “hvordan skal arbejdet fungere, når modellen er en del af det?”.

Så ugens råd er ganske enkelt:

Giv gerne AI en vagtplan.

Men sørg for, at nogen stadig læser rapporten fra nattevagten.