Velkommen til det 31. AI-lab.
Der sker en masse på AI-området, og det er jo bare normalt efterhånden.
Den helt store ting er ChatGPT 5.5, der blev frigivet i sidste uge, som igen har placeret OpenAI klart i spidsen.
Den er meget hurtigere og meget bedre end den virkeligt gode forgænger, og den laver billeder så hurtigt og i så god kvalitet, at man reelt tror, at det er løgn, også selvom man har sat den permanent til Thinking - Udvidet, som jeg har.
Den var for eksempel kun 10 sekunder om at tygge sig igennem og svare på en flere hundrede linjer lang prompt plus et vedhæftet screenshot, som jeg havde fodret den med, og svaret var både langt, korrekt, detaljeret og imponerende fsa. forståelse for situationen.
Den meget lange prompt var én, som jeg indtalte, skal jeg skynde mig at sige.
At OpenAI nu fører igen var jo også, hvad man kunne forvente, fordi Anthropic i dén grad har stjålet scenen siden efteråret, hvor Claude Code for alvor tog fat, og ikke mindst efter deres frigivelse til nogle få, betroede kunder af Mythos-modellen for en uge eller to siden.
Deres nye model, Opus 4.7, er også fremragende, men den vakte stort set ingen opsigt.
Google er bare bagud
Google? De er bare bagud.
De kan ikke finde ud af at håndtere en situation, der i den grad blev fejlbedømt af dem fra starten.
ChatGPT til pøblen var slet ikke Googles idé med AI - de ville løse store problemer (kræft, og den slags) og bruge AI til Google Maps og andre produkter inde fra deres elfenbenstårn.
Og derfor hallucinerer Gemini stadig, også når man sætter den til Thinking, mens de andre er holdt op med det pjat for længst.
Den eneste fordel ved at bruge Gemini er, at den har et større context window, så den kan arbejde længere end de andre top-modeller.
Men for lige at gøre Anthropic og deres Claude-ting færdig.
På det seneste har de også holdt nogle foredrag, der har vakt opsigt hos mine venner i Silicon Valley and beyond. To af foredragene er værd at beskæftige sig med.
Det ene er blevet refereret meget fint af en gut, men det er lidt langt at læse, så det er blevet til mit PS nedenfor, som I kan hygge jer med på et passende tidspunkt.
Et citat derfra er meget sjovt: “Claude er designet til at være ydmyg, positiv, kompetent og oprigtig”.
Det lyder unægteligt som en person, som man godt kunne holde ud. Gad vide, hvad Elon Musk tænker om det?
Det andet er en optagelse (med PowerPoints ind imellem) på 14 minutter om, hvordan vi skal tænke på og udføre vibe-kodning fra nu af. Det kan I se her.
Nogle pointer:
- Man skal glemme, at der findes kode, men huske, at der er et produkt.
- Vi har også ting, som vi styrer i dag uden at forstå dem til bunds (programmer mm)
- Ask what you can do for Claude, not what Claude can do for you.
- Betragt dig selv som en product manager.
Den kan skrive håndskrift
Nå ja, min danske AI-helt, professor Claus Nygaard, fandt på at bede ChatGPT 5.5 skrive en skolestil. Det er sjovt, men også imponerende.
AI’s største gevinst ligger ikke hos dem, der bygger modellerne
Selv om man med nogen ret kan sige, at AI påvirker alt og alle, så er det ikke ensbetydende med, at alle beskæftiger sig med det. Faktisk tværtimod.
Det læste jeg noget interessant om forleden - frit efter den kendte, amerikanske investor Mark Cuban, der plejer at være klog, og jeg har valgt at bringe hele teksten, selv om den er lang, fordi vi alle kan lære noget af det 🙂.
“Meget af samtalen om kunstig intelligens handler stadig om dem, der bygger de store modeller. OpenAI, Anthropic, Google, Microsoft. Hvem har den stærkeste model? Hvem vinder kapløbet? Hvem kontrollerer infrastrukturen?
Det er en vigtig diskussion. Men den risikerer også at få os til at kigge det forkerte sted hen.
For den største værdiskabelse i AI-æraen kommer næppe til at ligge hos dem, der alene bygger “hjernen”. Den kommer til at ligge hos dem, der formår at koble intelligensen til virkelige forretningsproblemer.
Mark Cuban formulerede det for nylig skarpt:
Der findes millioner af virksomheder, som aldrig får et egentligt AI-budget, aldrig ansætter AI-specialister og aldrig kommer til at bygge deres egne modeller.
Det er ikke de hypede startups, men de almindelige virksomheder, som holder økonomien i gang: Produktionsvirksomheden, transportfirmaet, den mindre rådgivningsforretning, klinikken, kommunen, grossisten og værkstedet.
De ved godt, at AI er på vej. Men de ved ikke nødvendigvis, hvad de skal gøre med den.
Og netop dér ligger den virkelige mulighed.
I mange år har softwarebranchen fungeret efter en ret enkel logik: Man udvikler et generisk produkt, standardiserer processer og får kunderne til at tilpasse sig systemet. Det har været selve motoren i SaaS-æraen.
Men AI vender i stigende grad den logik på hovedet.
Nu er det ikke længere kun virksomheden, der skal bøje sig efter softwaren. Nu kan softwaren i højere grad bøje sig efter virksomheden.
Løsninger kan tilpasses arbejdsgange, fagsprog, dokumenttyper, kundedialoger og beslutningsprocesser på en måde, som tidligere var alt for dyr eller tung at bygge.
Det betyder ikke, at klassisk software forsvinder i morgen. Men det betyder, at standardproduktets dominans bliver udfordret af noget langt mere fleksibelt: Intelligens, der kan formes efter konteksten.
Spørgsmålet er så: Hvem skal gøre det for alle de virksomheder, som ikke selv kan?
Det er et langt mere interessant spørgsmål, end mange tror.
For lige nu bliver der brændt enorme summer af på at bygge fundamentet. Datacentre, chips, modeller, platforme og infrastruktur.
Det er nødvendigt, og det vil uden tvivl skabe store vindere. Men når støvet har lagt sig, er det ikke sikkert, at de største gevinster ligger i selve grundmodellen.
De kan meget vel ligge i det næste led.
Hos dem, der forstår både teknologien og virkeligheden ude i driften. Hos dem, der kan gå ind i en organisation, forstå dens processer, identificere flaskehalse, se hvor medarbejderne spilder tid, og derefter sætte AI ind præcis dér, hvor den skaber bedre kvalitet, højere hastighed eller ny omsætning.
Det kræver ikke kun teknisk indsigt. Det kræver forretningsforståelse, organisationsforståelse og evnen til at oversætte mellem teknologi og praksis.
Det er også derfor, at alt for mange stadig misforstår AI-muligheden. Mange tror, at fremtiden tilhører dem, der får en plads hos modeludbyderne eller bygger næste store platform. Men der er en mindst lige så stor fremtid i at forstå, hvordan en virksomhed med 50, 500 eller 5.000 medarbejdere faktisk fungerer i virkeligheden — og derefter integrere AI i dens hverdag.
Ikke som demo. Ikke som PowerPoint. Men som reel forbedring.
Historien giver os et godt sammenligningspunkt. De største vindere i elektricitetens tidsalder var ikke nødvendigvis kun dem, der byggede generatorerne. Det var også dem, der gik ind i fabrikkerne, forstod driften og viste ejerne, hvordan elektriciteten konkret kunne bruges til at ændre produktionen.
Det samme mønster kan meget vel gentage sig med AI.
Silicon Valley konkurrerer lige nu om at skabe den mest kraftfulde intelligens. Men de langsigtede gevinster kan ende hos dem, der lærer den at udføre et konkret stykke arbejde i en konkret forretning.
Det er her, mange virksomheder bør rette blikket.
Ikke alle skal bygge modeller. Ikke alle skal have et stort AI-lab. Men langt flere bør spørge sig selv: Hvor i vores forretning ville det skabe reel værdi, hvis teknologien faktisk blev tilpasset os — og ikke omvendt?
Det er måske det vigtigste spørgsmål i AI-æraens næste fase.
For den store gevinst ligger ikke nødvendigvis hos dem, der bygger hjernen.
Den ligger hos dem, der bygger nervesystemet.”
Det var dét! Skriv gerne til mig på mogensxy@gmail.com, hvis I har bemærkninger, betragtninger, beklagelser eller beskeder 🙂.
PS: Claude Code’s Produkt-chef fortæller alt
Hvis man vil vide, hvorfor vi er lidt bagud i Europa, så læs hovedpunkterne fra et foredrag givet af “Head of Product” fra Claude Code-divisionen (oversat til dansk af mig og ChatGPT):
1) Anthropics produktudviklingstidslinjer er gået fra seks måneder til én måned – nogle gange én uge, nogle gange én dag. En del af denne acceleration skyldes adgang til de nyeste modeller (for eksempel Mythos).
En anden del er, at man lancerer nye produkter i “research preview”, hvor det tydeligt fremgår, at det er tidligt, eksperimentelt og måske ikke bliver understøttet permanent.
Derudover har de et vedvarende “launch room”, hvor ingeniører lægger færdige funktioner op, og marketing følger op med annonceringer allerede dagen efter.
2) Produktlederrollen (PM) er ved at ændre sig fra at koordinere fler-måneders roadmaps til at muliggøre, at teams kan lancere noget dagligt.
Som Cat siger: “Der bør være mindre fokus på at sikre, at du afstemmer dine fler-kvartals roadmaps med partnerteams, og mere fokus på: hvordan finder vi den hurtigste måde at få noget ud ad døren på?”
3) Den mest effektive enhed til at levere produkter er en ingeniør med god produktfornemmelse.
På Cats team går mange ingeniører hele vejen fra at se brugerfeedback på Twitter til at lancere et produkt inden for en uge – uden en PM involveret.
Næsten alle PM’er på Claude Code-teamet har enten været ingeniører eller skriver selv kode, og designerne har været frontend-ingeniører. Roller smelter sammen, og den vigtigste kompetence er produktfornemmelse – ikke jobtitel.
4) Byg produkter, der ligger på kanten af at virke. Claude Codes code review-produkt fejlede flere gange, fordi tidligere modeller ikke var præcise nok.
Men fordi prototypen allerede var bygget, kunne de udskifte modellen med Opus 4.5 og 4.6 og straks teste, om problemet var løst. Teams, der venter på, at modellen er klar, vil altid være en cyklus bagud.
5) Den mest undervurderede færdighed i udvikling af AI-produkter er at få modellen til at reflektere over sine egne fejl. Cat spørger jævnligt modellen, hvorfor den traf en uventet beslutning.
Modellen kan forklare, at noget i systemprompten var uklart, eller at den overlod verifikation til en underagent, der ikke kontrollerede sit arbejde. Det afslører, hvad der førte modellen på afveje, så teamet kan rette opsætningen.
6) Hver modelopdatering tvinger teamet til at genbesøge eksisterende produkter og gennemgå deres systemprompter for at fjerne funktioner, modellen ikke længere har brug for.
Claude Codes to-do-liste var en krykke for tidligere modeller, som ikke kunne holde styr på deres eget arbejde.
Med Opus 4 klarer modellen det selv. Funktioner, der blev bygget som støtte til svagere modeller, bliver til teknisk gæld, når modellen indhenter dem – så teamet fjerner dem aktivt.
7) Anthropics medarbejdere bygger interne værktøjer i stedet for at købe SaaS-løsninger. En medarbejder i salgsteamet byggede en webapp, der trækker data fra Salesforce, Gong og opkaldsnoter for automatisk at tilpasse præsentationer – arbejde, der før tog 20–30 minutter, tager nu sekunder. Deres kerneværktøjer er Claude Code, Cowork og Slack. Ingen Notion, ingen Linear, ingen Figma.
8) Folk undervurderer, hvor meget Claudes personlighed bidrager til dens succes. Som Cat beskriver det: “Når du tænker på alle, du har arbejdet med, er der bare nogle mennesker, hvor du tænker: jeg kan virkelig godt lide deres energi og deres vibe.”
Claude er designet til at være ydmyg, positiv, kompetent og oprigtig – egenskaber, der får den til at føles som en god kollega, ikke bare et værktøj. Det er ikke kosmetisk; det er det, der får folk til at bruge Claude i timevis hver dag. Teamet har en dedikeret person, Amanda, som “former Claudes karakter”, og det er en af de sværeste roller i virksomheden, fordi succes er så subjektiv.
9) Fremtidens arbejde handler om at styre flåder af AI-agenter – ikke om selv at udføre arbejdet. Cat ser en klar udvikling: først bliver individuelle opgaver løst succesfuldt.
Derefter begynder folk at køre flere opgaver samtidig (multi-Clauding). Næste skridt er at køre 50 eller 100 opgaver parallelt, hvilket kræver ny infrastruktur – fjernkørsel, bedre grænseflader til opgavestyring, agenter der fuldt ud verificerer deres arbejde, og selvforbedrende systemer, der indarbejder feedback.
Menneskets rolle ændrer sig fra at udføre arbejdet til at vide, hvilke opgaver man skal kigge nærmere på, verificere output og give feedback, der løbende forbedrer systemet
10) Ansæt mennesker, der trives i kaos og møder enhver udfordring med et smil. Hos Anthropic er der uger, hvor en P0 om søndagen bliver til en P00 mandag og en P000 mandag eftermiddag.
Hvis man bliver for stresset over enkelte ting, brænder man ud. Teamet søger folk, der kan se en svær udfordring og sige: “Wow, det bliver svært. Men jeg glæder mig til at tage fat på det og vil gøre mit allerbedste.” Denne tilgang – optimisme, robusthed og komfort med konstant forandring – er i stigende grad afgørende i takt med, at udviklingen inden for AI accelererer.
Og for de af os, der aldrig har hørt om P0, P00 & P000: Det er interne betegnelser for prioritet og alvorlighed af problemer (issues) – typisk brugt i tech- og udviklingsmiljøer.
- P0 (Priority 0): Kritisk problem
→ Noget er helt nede eller ødelagt. Skal fixes med det samme. - P00: Endnu mere kritisk (uformel eskalering)
→ Bruges ikke altid formelt, men signalerer: det her er virkelig slemt - P000: Ekstremt kritisk / “alt brænder”
→ Ofte humoristisk eller kulturelt internt – betyder: drop alt, fix nu
prioriteter kan eskalere meget hurtigt, og det, der var kritisk i går, kan føles endnu mere presserende i dag.
Så P0 er standard – P00 og P000 er en slags “forstærkede” versioner, ofte brugt lidt uformelt for at understrege alvoren.
