OpenAI åbner Agents API

DOKUMENTERET — Hvad skete der? OpenAI introducerede i uge 37 Agents API i public beta. Ifølge produktbeskrivelsen håndterer tjenesten kontekst, værktøjer, underagenter, vedvarende kørsler, filer og kodekørselsmiljøer. Det er infrastrukturen bag Codex gjort tilgængelig for udviklere, som vil bygge længerevarende agentforløb uden selv at samle alle driftsdelene.

LEARNAI-ANALYSE — Hvorfor er det vigtigt? Forskellen fra et almindeligt modelkald er driften rundt om modellen. Når en opgave kan fortsætte, bruge værktøjer og fordele arbejde mellem underagenter, bliver logning, adgangskontrol og stopmekanismer vigtigere end prompten alene. En administreret platform sænker den tekniske tærskel, men flytter også en større del af afhængigheden til leverandøren.

PRAKTISK KONSEKVENS — Hvad betyder det for læseren? Organisationer bør begynde med et afgrænset forløb med tydelige godkendelsespunkter. Registrér værktøjskald, omkostninger og fejl, og giv agenten mindst mulige rettigheder. En agent, der kan arbejde længe, skal også kunne standses hurtigt.

Meta gør personlige agenter til et forbrugerprodukt

DOKUMENTERET — Hvad skete der? Meta lancerede Muse som en personlig agent, der blandt andet skal kunne hjælpe med rejsebookinger og e-mails. Meta beskriver en særlig sikker virtuel maskine og en overvågende agent som dele af løsningen. Tilgængeligheden blev annonceret til iOS, Android og web i USA.

LEARNAI-ANALYSE — Hvorfor er det vigtigt? Muse viser, at de store platforme vil eje forbindelsen mellem brugerens hensigt og den faktiske handling. Det kan gøre agentbrug mere tilgængelig, men skaber spørgsmål om dataadgang, fejlansvar og platformslåsning. Metas beskrivelser af sikkerheden er leverandørudsagn, ikke en uafhængig revision.

PRAKTISK KONSEKVENS — Hvad betyder det for læseren? Hvis virksomheden vil teste personlige agenter, bør testen begynde med reversible opgaver. Brug separate konti, beløbsgrænser og menneskelig godkendelse ved eksterne beskeder eller køb.

Apple vælger Google-teknologi under Siri

DOKUMENTERET — Hvad skete der? Ugens nyhedsbreve rapporterede, at Apple anvender Google-teknologi som en del af fundamentet for en ny Siri-generation. Apples egen lancering af iPhone 18 Pro dokumenterer produktgenerationen, mens detaljerne om leverandørrelationen fortsat bør læses med det forbehold, at alle tekniske lag ikke er beskrevet offentligt.

LEARNAI-ANALYSE — Hvorfor er det vigtigt? Historien udfordrer forestillingen om, at hver platform nødvendigvis skal bygge alle modeldele selv. Konkurrencen kan lige så meget handle om integration, distribution og brugerdata som om én bestemt grundmodel.

PRAKTISK KONSEKVENS — Hvad betyder det for læseren? Indkøb bør vurdere hele leverandørkæden. Et produkt med Apples navn kan stadig have afhængigheder, der påvirker databehandling, funktionstilgængelighed og pris over tid.

DeepSeek presser pris og ydelse

DOKUMENTERET — Hvad skete der? Latent Space beskrev DeepSeek v4.1 Flash som en multimodal model med en ny arkitektur og fokus på lavere inferenceomkostninger. Ugens kilder fremhævede benchmarkresultater, men de er ikke det samme som dokumenteret kvalitet på tværs af konkrete arbejdsgange.

LEARNAI-ANALYSE — Hvorfor er det vigtigt? Modelmarkedet bliver mindre egnet til ét permanent standardvalg. Pris, latenstid, datakrav og opgavetype kan pege på forskellige modeller i samme organisation.

PRAKTISK KONSEKVENS — Hvad betyder det for læseren? Sammenlign modeller på egne, versionerede testopgaver. Gem både kvalitet, svartid og samlet pris; en billig tokenpris er ikke billig, hvis arbejdet kræver gentagelser eller mere efterkontrol.

Kontekst: Ugens lanceringer handler mindre om én ny chatbot og mere om infrastrukturen mellem model, værktøj og handling. Det gør arkitektur og styring til redaktionelt vigtigere spørgsmål end enkeltstående benchmarkplaceringer.