OpenAI og Anthropic starter en priskrig

Hvad skete der?

DOKUMENTERET: Anthropic lancerede Claude Opus 5.5 til 4 dollar pr. million inputtokens og 20 dollar pr. million outputtokens. Selskabet siger, at typiske workloads koster omkring 40 procent mindre end med Opus 5. OpenAI lancerede samme dag GPT-6 Sol og Luna, hvor Sol er prissat til 2/10 dollar og Luna til 0,10/0,50 dollar pr. million input/outputtokens. Seks udgivere i ugepakken dækkede den samtidige lancering. Benchmarkfordele er overvejende leverandør- eller testmiljøspecifikke påstande.

Hvorfor er det vigtigt?

LEARNAI-ANALYSE: Lavere tokenpris gør højvolumenopgaver mulige, men den billigste model er ikke nødvendigvis billigst pr. godkendt resultat. Genkørsler, lange kontekster, værktøjskald og menneskelig kvalitetssikring kan dominere totalomkostningen. Priskrigen gør en todelt modelstack mere realistisk: en stærk model til plan og kontrol, en billigere til afgrænsede opgaver.

Hvad betyder det for læseren?

PRAKTISK KONSEKVENS: Mål pris pr. afsluttet og godkendt opgave på egne data. Gem fejlrate, svartid, tokenforbrug og reviewtid, og undgå at låse prompts og værktøjer til én leverandørs særlige format.

AI og færre nyansættelser i danske virksomheder

Hvad skete der?

DOKUMENTERET: Den danske publikation 3 minutter bragte 22. september artiklen “Danske virksomheder ansætter færre, når de tager AI i brug”. Historien har høj dansk relevans, men ugepakken indeholder kun denne redaktionelle kilde; den underliggende undersøgelse kunne ikke verificeres direkte. Derfor kan retning og kausalitet ikke fastslås ud fra materialet alene.

Hvorfor er det vigtigt?

LEARNAI-ANALYSE: Færre nyansættelser er ikke det samme som masseafskedigelser, og en sammenhæng dokumenterer ikke, at AI er årsagen. Virksomheder, der investerer i AI, kan samtidig ændre strategi, efterspørgsel og processtruktur. Den relevante ledelsesopgave er at forstå, hvilke opgaver der forsvinder, flytter eller kræver nye kompetencer.

Hvad betyder det for læseren?

PRAKTISK KONSEKVENS: Følg stillinger og opgaver separat. Dokumentér tidsforbrug før og efter automatisering, og beslut hvordan frigjort kapacitet omsættes til kvalitet, vækst eller lavere belastning, før bemandingsplanen ændres.

Affirm bruger AI, hvor kreditdata er tyndest

Hvad skete der?

DOKUMENTERET: Linas’ nyhedsbrev analyserede Affirms transformerbaserede underwritingmodel, som ifølge Affirms egen teknikbeskrivelse er sat i drift ved amerikansk checkout. Den største rapporterede gevinst kom hos ansøgere uden en FICO-score. Nyhedsbrevet fremhæver, at tallet på 3,4 procent flere gennemførte køb stammer fra en smallere “second-look”-test end en bred effektmåling. Den bevarede webversion er Fintech Pulse 1130; Affirms direkte engineeringkilde var ikke stabilt bevaret i pakken.

Hvorfor er det vigtigt?

LEARNAI-ANALYSE: Modellen kan udlede signaler fra kreditdata, som en klassisk score ikke opsummerer, men kreditbeslutninger kræver mere end prædiktion. Fairness, forklarbarhed, datakvalitet og tab over tid skal vurderes på tværs af grupper — ikke kun konvertering i en afgrænset test.

Hvad betyder det for læseren?

PRAKTISK KONSEKVENS: Kræv cohort-resultater, afvisningsårsager, drift efter lancering og kontrol for skift i kundemix. Et løft i gennemførte køb bør vurderes sammen med misligholdelse og kundebehandling.