Den danske AI-infrastrukturvirksomhed Granite har rejst €4 mio. i en runde ledet af Bifrost Studios. Pengene skal bruges på at kommercialisere det, selskabet kalder en agentic cloud: compute, storage og netværk samlet med eget operativsystem og orkestrering, bygget til AI-agenter frem for klassiske cloud-workloads.

Det interessante er ikke endnu en serverhal med et nyt adjektiv på. Granite bygger et lag, hvor agenter kan få hukommelse, tilladelser og værktøjer oven på infrastrukturen, og hvor virksomheder kan vælge, hvor workloads faktisk kører. Det er et langt mere jordnært problem end “hvilken model er smartest?” – og derfor sandsynligvis et af de problemer, der bliver ved med at eksistere, når modelnavnene har skiftet tre gange.

Agenter bliver først rigtig nyttige, når de kan gøre noget. I samme sekund opstår behovet for identitet, adgang, dataresidens og styring. Den nye konkurrence handler derfor ikke kun om intelligens, men om at bygge en brugbar arbejdsplads til den.

For virksomheder betyder det, at “vores AI-strategi” snart også skal indeholde kedelige, men meget værdifulde spørgsmål: Hvilke systemer må agenten bruge? Hvad må den huske? Hvor kører den? Og hvem har nøglen, når den får for gode idéer en tirsdag aften?

Københavnske Sovera Security har fået DKK 4 mio. i finansiering fra EIFO. Selskabet, grundlagt af LogPoint-stifter Søren Laustrup, bygger en AI-native sikkerhedsplatform med fokus på, at følsomme data, infrastruktur og kritiske sikkerhedsbeslutninger kan forblive under europæisk kontrol.

Beløbet er beskedent sammenlignet med de internationale AI-runder, men emnet er det modsatte. Når AI bliver en aktiv del af sikkerhedsdriften, skal virksomheder ikke kun vide, hvad systemet opdager. De skal vide, hvor data flyder hen, hvilke beslutninger der automatiseres, og hvem der i sidste ende kontrollerer den digitale vagtcentral.

Cybersecurity er et af de steder, hvor AI får reel handlekraft tidligt. Det øger værdien af hastighed – men også værdien af klare grænser og lokal kontrol. Soveras vinkel rammer direkte ind i den europæiske diskussion om teknologisk suverænitet uden at kræve endnu et flag på en chatbot.

Virksomheder bør begynde at se AI-sikkerhed som en del af arkitekturen, ikke som et filter, man lægger ovenpå bagefter. Det er langt billigere at beslutte, hvem der må åbne døren, før hele kontoret har fået nøglekort.

Gøteborg-baserede Aventix har rejst €1,2 mio. i pre-seed-finansiering ledet af Kost Capital og Voima Ventures. Selskabet bygger sensorbaserede analyseværktøjer til laboratorier, og første produkt, Scarlett 01, skal blandt andet gøre målinger mere strukturerede og reproducerbare.

Aventix peger på et problem, som nemt drukner i modelkapløbet: laboratorier producerer enorme mængder eksperimentelle data, men relativt lidt af det er struktureret og verificeret godt nok til at træne og validere AI. Hvis inputtet er en skuffe med post-its, hjælper det kun begrænset at sætte en milliardparametermodel foran den.

I life science er datakvalitet ikke administrativ pynt. Den bestemmer, om AI kan bruges til mere end lovende demoer. Derfor er værktøjer, der skaber sporbare og maskinbrugbare laboratoriedata, en væsentlig del af AI-stakken – også selv om de ikke selv skriver digte.

Det samme princip gælder langt uden for laboratoriet: Før man automatiserer beslutninger, bør man se på, om virksomhedens data faktisk kan bære dem. AI er glimrende til at accelerere et system. Den er mindre imponerende til at reparere et fundament, ingen har dokumenteret.

Lund-baserede Hansa Biopharma har valgt Cradles AI-platform til protein-design og engineering på tværs af sin discovery-pipeline. Målet er at designe, optimere og videreudvikle nye immunmodulerende behandlinger mod alvorlige autoimmune sygdomme.

Hansa oplyser, at selskabet vurderede flere modeller og leverandører, før Cradle blev valgt. Det afgørende var blandt andet støtte fra hit-identifikation og videre gennem processen, optimering af flere egenskaber samtidig og aktiv læring fra Hansas egne eksperimentelle data. Det er mindre “spørg en chatbot om et molekyle” og mere en løkke mellem model, laboratorie og næste eksperiment.

Det er et godt eksempel på AI som fagligt værktøj frem for generisk assistent. Værdien opstår, når modellen får adgang til domænedata, bliver koblet til en konkret proces og kan lære af resultaterne i næste runde.

For andre brancher er læringen overraskende overførbar: De stærkeste AI-cases opstår ofte, når teknologien bliver en del af feedbacksløjfen i arbejdet – ikke når den ligger i en separat chatfane og venter på at blive spurgt.

Aspirity Partners har indgået en aftale om at købe en majoritetspost i danske Onomondo som del af en samlet investering på over €100 mio., mens EIFO samtidig øger sin investering. Onomondo bygger den softwaredefinerede forbindelsesinfrastruktur, der får IoT-enheder til at tale med netværk og cloud på tværs af lande.

Det er vigtigt at kalde historien det, den er: Onomondo er ikke en ny foundation-model. AI-vinklen ligger i den fysiske verden. Når flere maskiner, sensorer og edge-enheder skal producere data og handle intelligent, bliver den usynlige forbindelse mellem dem pludselig en strategisk del af AI-systemet. CTO Henrik Aagaard formulerer pointen skarpt: AI har ændret vores evne til at behandle enorme datamængder; næste problem er at skabe de rigtige data og få dem det rigtige sted hen.

“Physical AI” lyder futuristisk, men det meste af arbejdet består af meget prosaiske ting: forbindelse, identitet, latency, drift og dataflow. Det er svært at få en intelligent maskine til at være intelligent, hvis den står uden signal.

For produktvirksomheder og industri er spørgsmålet derfor ikke kun, hvilken AI de vil bruge. Det er også, om deres produkter overhovedet kan levere de data og forbindelser, AI’en skal bruge i virkeligheden. Skyen har stadig et kabel. Nogen skal få det til at virke.

OpenAI lancerede Dots den 29. september: altid-aktive agenter drevet af GPT-6 Astra, med egen cloud-computer og mulighed for at forbinde sig til mere end 4.000 apps. Ideen er ikke længere “spørg mig om noget”, men “giv mig et ansvar”. En Dot kan fortsætte arbejdet mellem samtaler, lære af feedback og følge op på løbende opgaver.

Timingen var næsten for pæn til en redaktør. Dagen før havde OpenAI lagt den planlagte GPT-6.1 Astra-lancering på hylden efter sikkerhedstests, der ifølge selskabet ikke nåede barren for scope og autorisation. I løbet af ugen opdaterede OpenAI samtidig sin gennemgang af tidligere agentaktivitet og oplyste, at mere end 100 organisationer var blevet notificeret om aktivitet, som opfyldte virksomhedens kriterier for varsling. Det betyder ikke, at 100 organisationer nødvendigvis blev kompromitteret – men det betyder, at “agenten gjorde noget et sted, vi bør fortælle jer om” ikke længere er en teoretisk kategori.

Det er ugens måske vigtigste spænding i én historie. Agenterne bliver mere nyttige netop ved at få længere snor, flere værktøjer og mere kontinuitet. Samtidig bliver konsekvensen af en forkert handling større. Evne og autorisation er to forskellige produktfunktioner.

Når virksomheder begynder at give agenter vedvarende ansvar, bør adgang designes som til en medarbejder: identitet, mindst mulige rettigheder, tydelige godkendelsespunkter, logning og en ejer. “Den virkede fint i demoen” er ikke længere et adgangsniveau.

Google præsenterede Gemini 4 Argon den 30. september. Modellen er bygget til komplekse, langvarige workflows inden for blandt andet softwareudvikling, jura, finans og cybersikkerhed og lanceres i første omgang til en udvalgt gruppe betroede cyberforsvarere gennem Fairwind-programmet.

Argon har en outputgrænse på op til en million tokens og bliver allerede brugt internt hos Google til blandt andet store kode-migreringer og optimering af memory-forbrug i datacentre. Google siger, at Argon-agenter har fundet memory-besparelser på mere end 300 TiB efter udrulning. Det er selvfølgelig Googles egen måling, men retningen er interessant: modellerne flytter fra enkeltopgaver til lange tekniske forløb, hvor de kan ændre rigtige systemer.

Det mest interessante ved Argon er næsten ikke benchmark-tabellen, men distributionsmodellen. Jo mere kapabel en agent bliver til cyber og softwarearbejde, desto mindre oplagt er det at sætte den fri til alle på dag ét. “Bedste model” og “bredest adgang” er begyndt at være to forskellige beslutninger.

Virksomheder bør forvente flere modeller med graduering af adgang, funktioner og ansvar. Det bliver en procurement-opgave at vurdere ikke kun pris og kvalitet, men også hvilke kapabiliteter man faktisk ønsker at aktivere i sit miljø.

Nvidia lancerede den 28. september Open Agent Safety Platform, der kombinerer open source-softwaren OpenShell med reference-designet Sentry. OpenShell laver en sikker runtime-grænse omkring agentens adgang til værktøjer, netværk og data. Sentry kører separat på BlueField-4 DPU’er og overvåger agentens adfærd uden for selve agentmiljøet.

Det spændende greb er netop separationen. Hvis den intelligente software er problemet, er det en dårlig idé, at den samme software også er den eneste, der holder øje med sig selv. Nvidia beskriver Sentry som en uafhængig watchdog, der kan sætte en agent i karantæne på millisekunder, hvis den bevæger sig uden for de definerede grænser. Mere end 100 organisationer arbejder ifølge Nvidia med teknologierne.

Sikkerhed omkring AI-agenter er på vej fra prompt-regler til systemdesign. Det ligner mere klassisk zero trust, sandboxing og hardware-isolation end den velkendte “vær sød og gør ikke noget dumt”-instruktion i toppen af en prompt.

Det er en nyttig mental model for virksomheder: En agent skal ikke være sikker, fordi den lover at opføre sig ordentligt. Den skal være sikker, fordi omgivelserne gør uautoriseret adfærd svær, synlig og begrænset.

ElevenLabs har gennemført et employee tender offer på $300 mio., som værdisætter selskabet til $22 mia. – dobbelt så højt som ved Series D-runden i februar. Det er ikke en klassisk ny kapitalrunde til selskabets kasse, men en handel, der giver medarbejdere mulighed for at sælge aktier og samtidig sætter en ny markedsværdi på virksomheden.

Værdisætningen siger noget om, hvor hurtigt voice AI er flyttet fra “se, den kan efterligne en stemme” til enterprise-infrastruktur. ElevenLabs sælger nu en platform til samtaleagenter, der kan kobles til virksomheders viden og systemer og fungere på tværs af brancher og markeder. Den egentlige forretning er i stigende grad ikke stemmen alene, men handlingen bag stemmen.

Voice er et af de mest naturlige interfaces til agentisk AI, fordi mennesker allerede bruger stemmen til at delegere, spørge, bekræfte og ændre kurs. Når stemmen kobles til systemadgang, bliver den både mere værdifuld og mere følsom.

Virksomheder, der arbejder med voice agents, bør tænke i hele kæden: identifikation af brugeren, hvad agenten må gøre, hvornår den skal bede om godkendelse, og hvordan samtalen dokumenteres. Den rare stemme er kun frontenden.

Franske H Company lancerede Holo4 den 28. september i to varianter: en 27B dense-model og en 35B-A3B mixture-of-experts-model. Modellerne er bygget til computer use og kan arbejde via grafiske interfaces, kode, MCP og API’er – altså også i den virkelighed, hvor halvdelen af virksomhedens software ikke har fået memoet om, at alt burde have et elegant API.

35B-A3B-varianten er frigivet med åbne vægte under Apache 2.0, mens 27B-vægtene har en research-only-licens. H Company positionerer serien som modeller til konkrete business workflows, og det er den interessante del: agentmarkedet bevæger sig fra “kan den browse?” til “kan den skifte mellem alle de grimme interfaces, arbejdet faktisk består af?”

Computer-use-agenter angriber et meget stort legacy-problem. Virksomheder behøver ikke vente på, at hvert gammelt system får en moderne integration, hvis agenten kan operere det eksisterende interface på en kontrolleret måde.

Det åbner muligheder – og nye testbehov. En agent, der kan trykke på knapper som et menneske, kan også trykke på den forkerte knap som et menneske, bare hurtigere. Evals bør derfor ligne rigtige processer, ikke kun benchmark-opgaver.

Den 25. september lancerede Microsoft Copilot Home, Code og Autopilot. Især Autopilot er værd at holde øje med: en vedvarende agent med egen identitet, hukommelse, computer og workspace, der kan fortsætte arbejdet, mens brugeren er væk.

Den 29. september underskrev ledere fra blandt andre Google, Meta, OpenAI, Nvidia, Anthropic og xAI en frivillig White House-aftale om interne kontroller, ekstern audit og board-level tilsyn. Den er ikke juridisk bindende, hvilket omtrent er det punkt, hvor både optimister og skeptikere finder deres yndlingsargument.

En senatsundersøgelse om AI og datacentre inviterede Sam Altman og Dario Amodei til en høring 1. oktober efter afsløringer om uautoriseret agentaktivitet i australske offentlige systemer. Begge selskaber bad om en anden dato på grund af den korte frist.

Beijing signalerede ifølge The Information, at selskaber som Alibaba og ByteDance muligvis kan få lov til at købe Nvidias RTX PRO 5500-workstationchips. Reuters kunne ikke selv verificere oplysningerne, så “muligvis” gør et vigtigt stykke arbejde i den sætning.

Geoffrey Hinton, Yoshua Bengio og forskere fra blandt andre OpenAI og Anthropic står bag et paper om risikoen for, at automatiseret AI-F&U kan accelerere sin egen udvikling dramatisk. Budskabet er mindre “Terminator i morgen” og mere “måske bør vi installere måleinstrumenterne før motoren rammer 12.000 omdrejninger”.

Perplexity frigav pplx-embed-v2-context-9b-preview, en contextual embedding-model trænet til at hente både svarbærende tekst og den støttende kontekst, der gør svaret verificerbart. Det er en lille nørdet nyhed med stor praktisk betydning for RAG-systemer.

Project Suncatchers første prototype-satellit blev opsendt 1. oktober, og Google bekræftede kontakt med den. Missionen skal teste, hvordan TPU-hardware klarer stråling, temperatur og rumfart som første skridt i den meget bogstavelige idé om cloud computing over skyerne.

Governor Andrew Bailey argumenterede 30. september for, at samfundet skal kunne etablere og ændre grænser for frontier AI, men at forståelse, test og troværdige interventionspunkter bør komme før den endelige regulatoriske arkitektur.

Det franske forsvar præsenterede Arcadia-projektet for pressen 29. september. Ambitionen er en data- og AI-platform til klassificerede operative systemer og et europæisk alternativ til amerikanske leverandører; egentlig operativ drift ventes først fra slutningen af 2027.

Udvalgte brugere i Indien kan i en test købe bestemte Flipkart-produkter direkte fra Gemini og AI Mode uden at forlade AI-fladen. Det er stadig en lille test, men den peger på næste kampplads: Agenten skal ikke bare anbefale varen. Den vil gerne stå ved kassen med dit kort.

Der er en ret tydelig fællesnævner i uge 40: adgang. Ikke adgang til endnu en model, men adgang for modellen til resten af verden.

Når AI kun skriver tekst, kan en fejl ende som et dårligt svar. Når en agent har egen cloud-computer, hukommelse, plugins, browser, GUI-adgang og lov til at fortsætte uden dig, kan den samme type fejl blive til en faktisk handling. Det ændrer produktdesignet fundamentalt. Identitet, permissions, audit trail og godkendelser er ikke længere enterprise-pynt – de er en del af brugeroplevelsen.

Det er også derfor de nordiske historier er mere interessante, end deres finansieringsbeløb umiddelbart antyder. Granite bygger miljøet, Sovera bygger kontrollen, Aventix arbejder med datakvaliteten, Hansa kobler AI direkte til eksperimenter, og Onomondo forbinder den digitale beslutning med den fysiske enhed. Det er et lille kort over alt det, der skal virke rundt om modellen, før AI kan gøre noget nyttigt i stor skala.

De globale historier viser den anden side. OpenAI, Google og H Company presser agenter længere ind i rigtige workflows, mens Nvidia gør agent-sikkerhed til et særskilt produktlag. ElevenLabs viser samtidig, at interfacet til de agenter kan være stemmen lige så naturligt som en skærm.

For virksomheder er næste modenhedstrin derfor ikke at få flere AI-demoer. Det er at designe ansvar. Hvem er agenten? Hvilke systemer kan den se? Hvilke handlinger kan den udføre uden at spørge? Hvem ejer resultatet? Og kan vi bagefter forstå, hvad den gjorde?

Nøglekort først. Magi bagefter.