Workflowet skal designes før agenten skaleres

Hvad skete der?

DOKUMENTERET: McKinsey offentliggjorde analysen “Stacking the odds”, der anbefaler at redesigne processer, roller og styring omkring agentisk AI frem for at lægge en agent oven på et eksisterende workflow. Kilden er rådgiveranalyse, ikke en neutral effektmåling.

Hvorfor er det vigtigt?

LEARNAI-ANALYSE: Mange pilotprojekter måler, om modellen kan løse en opgave. Drift kræver også køhåndtering, undtagelser, datakvalitet, ansvar og integrationer. Hvis de elementer ikke ændres, bliver piloten et ekstra lag i stedet for en enklere proces.

Hvad betyder det for læseren?

PRAKTISK KONSEKVENS: Tegn processen før og efter agenten. Mål gennemløbstid, fejl, menneskelig efterbehandling og enhedsomkostning — ikke kun modellens svarprocent.

Anthropic måler AI's bidrag til AI-udvikling

Hvad skete der?

DOKUMENTERET: Anthropic offentliggjorde en metode til at måle tempoet i AI-udvikling. Ifølge virksomhedens eget indeks ledede Claude 26 procent af arbejdet på nye modeller i august, op fra under én procent i februar. “Ledede” betyder her, at en opgave gik fra en kort instruktion til et resultat under menneskeligt opsyn. Målet er udviklet af Anthropic og er ikke uafhængigt valideret.

Hvorfor er det vigtigt?

LEARNAI-ANALYSE: Kurven siger noget om arbejdets organisering, men ikke nødvendigvis om autonom intelligens. Den kan også afspejle bedre værktøjer, flere egnede opgaver og ændret registrering. Virksomhedens definition skal følge med tallet.

Hvad betyder det for læseren?

PRAKTISK KONSEKVENS: Lav et internt mål for agentarbejde, der skelner mellem produceret output, godkendt output og faktisk forretningsværdi.

Novo Nordisk tager Claude ind i laboratoriet

Hvad skete der?

DOKUMENTERET: Tim Frank Andersen rapporterede 17. september, at Novo Nordisk vil afprøve Claude med adgang til videnskabelige databaser i lægemiddeludvikling. Nyhedsbrevet oplyser også, at Claude tidligere er brugt til at skrive forsøgsrapporter. Der var ingen offentlig tidsplan eller kontraktsum i ugepakken, og et hurtigere rapportflow forkorter ikke i sig selv et klinisk forsøg.

Hvorfor er det vigtigt?

LEARNAI-ANALYSE: Casen placerer generativ AI tættere på virksomhedens kernefaglighed. Gevinsten kan ligge i litteratursøgning og dokumentation, mens videnskabelig og regulatorisk godkendelse fortsat kræver kvalificerede mennesker.

Hvad betyder det for læseren?

PRAKTISK KONSEKVENS: Del processen i informationssøgning, analyse og beslutning. Dokumentér datakilder og kræv faglig godkendelse ved hvert skift.

Kapitalbehovet bliver en leverandørrisiko

Hvad skete der?

DOKUMENTERET: Ugens nyhedsbreve beskrev flere store finansieringsbehov: Tim Frank Andersen refererede en Financial Times-oplysning om, at OpenAI forventer et samlet cash burn på 278 milliarder dollar frem mod 2030, mens SoftBank ifølge samme nyhedsstrøm har lånt 11,9 milliarder dollar til sin OpenAI-investering. De underliggende dokumenter var ikke tilgængelige i ugepakken, så tallene skal behandles som sekundært rapporterede.

Hvorfor er det vigtigt?

LEARNAI-ANALYSE: Modelpris og funktioner er ikke de eneste leverandørkriterier. Kapitalbehov, binding til infrastruktur og sandsynlige prisændringer påvirker langsigtet drift.

Hvad betyder det for læseren?

PRAKTISK KONSEKVENS: Bevar dataeksport, dokumentér modelafhængigheder og test en alternativ leverandør til kritiske workflows. Det er almindelig leverandørstyring, ikke en forudsigelse om bestemte selskabers overlevelse.