Lederne AI
Tilbage til oversigt
Nyhed

AI-landskabet juni 2026: agenter, kinesiske modeller og nye arbejdsgange

For dig der: Skal forklare hvad der sker i AI lige nu uden at ende i modelnavne og hype.

Den vigtigste ændring er ikke én enkelt model. Det er at AI bevæger sig fra chat til arbejdsgange: agenter, længere kontekst, værktøjsbrug, kildebaseret research, automatisering og tydeligere sikkerhedsvalg.

🧭 Kort overblik: hvad ændrer sig?

TL;DR: AI bliver mere agentisk. De bedste værktøjer kan planlægge, bruge filer, kalde værktøjer, køre flere spor parallelt og aflevere noget til menneskelig review.

Hvad betyder det i praksis: Fokus flytter fra "hvilken chatbot svarer bedst?" til "hvilken arbejdsgang kan vi trygt gentage?".


🤖 Prøv agentisk arbejde: Codex eller Claude Code

Anbefaling: Overvej at prøve et agentværktøj på en ufarlig, gentagen opgave. Start ikke med følsomme medlemsdata. Start med en standardopgave, en testmappe og et tydeligt reviewpunkt.

Codex passer godt til at vise agentarbejde med flere opgaver, worktrees, skills, automations og cloud-/app-workflows.

Claude Code passer godt til at vise en terminal-/IDE-agent, der kan læse en mappe, foreslå en plan, ændre filer og arbejde efter godkendelser.

OpenAI — Codex app → OpenAI — Codex web/cloud → Anthropic — Claude Code quickstart →


🇨🇳 Kinesiske modeller er blevet svære at ignorere

TL;DR: DeepSeek, Alibaba Qwen, Moonshot Kimi, Z.ai GLM og MiniMax gør open-weight landskabet langt mere konkurrencedygtigt. De vinder ikke altid på absolut topkvalitet, men de presser markedet på pris, åbenhed, lang kontekst og agent/coding-performance.

Hvad er aktuelt: DeepSeek V4-Pro/V4-Flash har 1M kontekst og open weights. Qwen3.6-Plus fokuserer på real-world agents. Kimi K2.6 profilerer sig på coding og lange agentløb. GLM/MiniMax dukker ofte op i open-weight benchmark-sammenligninger.

Rådgiverpointe: Det bliver mindre holdbart kun at sige "brug ChatGPT". Fremover bør man kunne forklare forskellen på lukket model, open-weight model, lokal model, cloud-model og data-/governance-konsekvens.

DeepSeek — V4 Preview Release → Qwen — Qwen3.6-Plus → Kimi — K2.6 tech blog →


📊 Performance: benchmarks er pejlemærker, ikke facit

TL;DR: Benchmarkbilledet viser en vigtig bevægelse: open-weight modeller, især fra Kina, ligger tættere på de lukkede frontier-modeller end tidligere. Men benchmarks må ikke stå alene.

Benchmark-snapshot for udvalgte AI-modeller i juni 2026

Brug billedet sådan: Spørg ikke kun "hvem scorer højest?" Spørg også: Hvad koster det? Hvor ligger data? Kan vi kontrollere output? Kan værktøjet bruges i en gentagelig arbejdsgang?

Artificial Analysis — DeepSeek V4 snapshot → SWE-bench leaderboard →


🔐 Sikkerhed bliver et produktvalg

TL;DR: OpenAI har gjort Lockdown Mode tilgængelig for logged-in users. Det begrænser web og eksterne services for at reducere risikoen for prompt injection og dataudtræk.

Praktisk sætning: "Mere adgang giver ofte bedre output, men også større risiko. Vælg værktøj og indstillinger efter datafølsomhed."

OpenAI — Release notes →


💼 Jobmarkedet er igen på dagsordenen

TL;DR: Anthropic har sat ekstra fokus på AI's økonomiske effekt og jobmarkedet. Det er relevant, fordi karriererådgivning skal handle om både konkrete AI-værktøjer og større arbejdsmarkedsforandringer.

Samtalespørgsmål: Hvilke opgaver bliver automatiseret først, og hvilke menneskelige styrker bliver vigtigere: dømmekraft, relationer, kontekst, etik, kvalitetssikring og læring?

Anthropic — Economic Research → AP — Anthropic economic impact fund →


🧪 Mini-øvelse: fra chat til agentisk workflow

Vælg én ufarlig opgave:

  1. Beskriv opgaven og "definition of done".
  2. Angiv hvilke filer/kilder AI må bruge.
  3. Angiv hvilke data AI ikke må se.
  4. Bed agenten vise plan før ændringer.
  5. Review output: fakta, tone, kilder, risiko og næste handling.

Eksempel: "Lav en tjekliste til at vurdere et anonymiseret CV mod et jobopslag. Brug kun de vedlagte filer. Marker usikre antagelser. Afslut med hvad en rådgiver bør kontrollere."

5 ideer til samtalen

  1. Agentarbejde: Hvilke gentagne rådgiveropgaver kan blive til en standardiseret AI-workflow?
  2. Modelvalg: Hvornår er en billig/open-weight model nok, og hvornår kræver opgaven en stærkere lukket model?
  3. Datagrænser: Hvilke medlemsdata må aldrig ind i et generelt AI-værktøj?
  4. Kildekontrol: Hvornår skal NotebookLM eller kildebaseret research bruges i stedet for en åben chat?
  5. Jobmarked: Hvilke kompetencer skal medlemmer styrke, når AI kan overtage mere rutinearbejde?