Året for AI 2026: Det, der faktisk ændrede sig

2026 blev året, hvor de store AI-produkter for alvor begyndte at love mere end gode svar. De skulle også kunne planlægge, bruge værktøjer og udføre længere opgaver på brugerens vegne.

Det er et mere betydningsfuldt skift end endnu en omgang højere benchmarks. Når en AI får adgang til browser, filer, terminal eller virksomhedens systemer, ændrer både nytten og risikoen karakter. Et forkert svar kan normalt rettes. En forkert handling kan nå at ændre en fil, sende en besked eller bruge data, den ikke burde have haft adgang til.

Denne artikel samler derfor ikke alle årets modelnavne. Den ser på de ændringer i 2026, som påvirkede, hvad AI kunne bruges til, hvordan produkterne blev betjent, og hvor meget kontrol brugeren måtte tage ansvar for. Det er en status over observerede ændringer, ikke en liste med forudsigelser som AIBI’s 2024-udsyn.

2026 i korte træk

Dato	Hvad skete der?	Praktisk betydning	Status og forbehold
5. februar	Anthropic lancerede Claude Opus 4.6 og fremhævede længere agentiske opgaver og værktøjsbrug.	Modeller blev i højere grad præsenteret som arbejdende systemer, ikke kun tekstgeneratorer.	Udgivelse. Evne- og benchmarkpåstande kommer fra Anthropic.
23.-24. april	OpenAI lancerede GPT-5.5 og gjorde modellen tilgængelig via API’en dagen efter.	Flertrinsopgaver, computerbrug og arbejde på tværs af værktøjer blev centrale produktegenskaber.	Udgivelse. Beskrivelser af ydeevne og sikkerhed er leverandørpåstande.
19. maj	Google gjorde Gemini 3.5 Flash generelt tilgængelig i API’en og lancerede Managed Agents samt Antigravity Agent i offentlig preview.	Udviklere fik en administreret ramme til agenter, som kan arbejde i et isoleret miljø.	Gemini 3.5 Flash var GA. Agentfunktionerne var preview. Den første Antigravity-version blev senere erstattet.
28. maj	Google gjorde to native billedmodeller generelt tilgængelige og tilføjede video som input til billedgenerering i én af dem.	Multimodale arbejdsgange blev mindre opdelt mellem analyse og produktion.	API-udgivelse. Den konkrete video-til-billede-funktion gjaldt én angivet model.
30. juni	Anthropic lancerede Claude Sonnet 5 med planlægning og værktøjsbrug som en del af produktfortællingen.	Agentiske funktioner flyttede fra de tungeste modeller til en bredere produktklasse.	Udgivelse. Anthropic rettede samme dag metoden bag en offentliggjort evalueringsgraf.
9. juli	OpenAI lancerede GPT-5.6-familien som generelt tilgængelig og beskrev en indstilling, der koordinerer flere agenter.	Flere samtidige arbejdsstrømme blev en synlig produktfunktion, ikke kun en udviklerarkitektur.	GA ifølge OpenAI. Præstations- og effektivitetsudsagn er leverandørpåstande.
2. august	EU-Kommissionens og de nationale myndigheders håndhævelsesbeføjelser under AI-forordningen begyndte at gælde sammen med nye gennemsigtighedskrav.	Mærkning, dokumentation og ansvar blev mere konkrete produkt- og driftskrav i EU.	Reglerne indfases. Ikke alle forpligtelser gælder alle systemer eller organisationer på samme dato.
17. september	Google erstattede den oprindelige Antigravity Agent-preview med en ny preview-version.	Agentprodukter kræver løbende versionsstyring og kan ændre adfærd og grænseflader hurtigt.	Stadig preview, ikke en stabil garanti om langvarig kompatibilitet.

Fra chat til handling

AI-agenter var ikke et nyt ord i 2026. De var allerede et tema i AIBI’s gennemgang af AI-året 2023. Forskellen i 2026 var, at idéen blev pakket ind i konkrete produkter og udviklerplatforme.

En almindelig chatbot venter på et spørgsmål og leverer et svar. Et agentisk system kan få et mål, dele opgaven op, vælge værktøjer og fortsætte gennem flere trin. Det kan for eksempel indsamle materiale, bearbejde det i et regneark og udforme et dokument. Du kan læse en mere grundlæggende forklaring af, hvad AI-agenter er.

OpenAI beskrev i april GPT-5.5 som en model, der kunne håndtere rodede flertrinsopgaver, bruge værktøjer og arbejde videre uden at blive styret gennem hvert trin. I maj lancerede Google administrerede agenter i Gemini API’en i offentlig preview. De kunne køre i isolerede, Google-hostede miljøer. Anthropic lagde tilsvarende vægt på planlægning og værktøjsbrug ved lanceringen af Claude Sonnet 5 i juni.

Det fælles mønster er vigtigere end den enkelte lancering: AI-produktet bevæger sig fra samtalefelt til arbejdsproces.

Det gør adgangen afgørende. En agent, der kun kan læse et offentligt dokument, har et andet risikoniveau end en agent, der kan redigere kundedata eller sende e-mails. Jo flere handlinger systemet kan udføre, desto vigtigere bliver afgrænsede tilladelser, godkendelsestrin og logning.

En lancering er dog ikke dokumentation for, at autonomt arbejde er pålideligt i enhver situation. Flere af årets funktioner blev lanceret som preview, og Google erstattede allerede i september sin første Antigravity Agent-version fra maj. Det er et konkret tegn på, at integrationer til nye agentprodukter skal behandles som bevægelige dele.

Stærkere modeller gjorde ikke sammenligningen enklere

Årets store modeludgivelser kom fra flere leverandører. Anthropic lancerede blandt andet Claude Opus 4.6 og Sonnet 5. OpenAI fulgte GPT-5.5 med GPT-5.6-familien. Google gjorde Gemini 3.5 Flash generelt tilgængelig i sin API.

Leverandørerne offentliggjorde samtidig egne benchmarkresultater og beskrev modellerne med formuleringer som mere intelligente, effektive eller agentiske. Den slags resultater kan være nyttige, men de er ikke en facitliste for den bedste model til alle opgaver.

Et benchmark måler et afgrænset setup. Resultatet kan påvirkes af værktøjer, tids- eller tokenbudget, graderingsmetode og den indsatsindstilling, modellen kører med. Anthropic rettede eksempelvis på lanceringsdagen for Sonnet 5 en graf, fordi den første metode ikke svarede til virksomhedens normale metode for agentisk søgning. Rettelsen gør ikke evalueringer værdiløse. Den viser, hvorfor metode og kontekst bør følge med tallet.

For en dansk bruger er det derfor mere nyttigt at spørge:

• Kan modellen løse den konkrete opgave med et acceptabelt resultat?
• Virker de nødvendige værktøjer og integrationer i den løsning, vi bruger?
• Kan vi styre dataadgang og kræve menneskelig godkendelse?
• Er kvaliteten stabil nok til opgaven, og kan fejl opdages, før de får konsekvenser?
• Hvad koster hele arbejdsgangen, inklusive kontrol og rettelser?

Det er også nyttigt at skelne mellem selve sprogmodellen, eller LLM’en, og produktet omkring den. To løsninger kan bruge beslægtede modeller og alligevel være meget forskellige på grund af værktøjer, hukommelse, tilladelser og brugerflade. Det er en af grundene til, at en universel modelvinder giver mindre mening i 2026.

Multimodal AI blev en arbejdsgang, ikke bare en funktion

Multimodal AI kan behandle flere typer input eller output, for eksempel tekst, billeder, lyd og video. Det bredere begreb hænger sammen med det, generativ AI dækker, men årets ændring lå især i sammensætningen af funktionerne.

Et konkret eksempel kom fra Googles API-opdatering den 28. maj. Her blev to native billedmodeller gjort generelt tilgængelige, og én af dem kunne bruge en videofil eller en offentlig YouTube-video som kontekst for at skabe blandt andet miniaturebilleder eller oversigtsgrafik. Det er ikke bare endnu en billedgenerator. Videoen kan indgå som kildemateriale i samme proces som tekstinstruktionen og det nye billede.

Googles Gemini-app viste en lignende retning på produktsiden med annonceringen af Gemini Omni, som ifølge Google kunne omsætte tekst-, billed- og videoprompter til video. Her var udrulningen imidlertid afhængig af produkt, abonnement og geografi. Den officielle annoncering dokumenterer ikke specifikt dansk adgang, og funktionen bør derfor ikke omtales som generelt tilgængelig i Danmark.

Den praktiske gevinst er færre manuelle skift mellem analyse- og produktionsværktøjer. Den praktiske udfordring er, at kildematerialets rettigheder, fortrolighed og nøjagtighed følger med ind i processen. En bekvem multimodal arbejdsgang er ikke automatisk en forsvarlig arbejdsgang.

Sikkerhed og regulering blev en del af produktvalget

Når AI kun skriver et forslag, kan et menneske læse det før brug. Når AI handler gennem andre systemer, bør kontrollen placeres før de handlinger, der er svære at rulle tilbage.

Leverandørerne fremhævede egne sikkerhedsevalueringer i forbindelse med årets modeller. OpenAI kaldte eksempelvis sikkerhedsforanstaltningerne omkring GPT-5.6 sine hidtil mest robuste, mens Anthropic beskrev egne vurderinger af Sonnet 5. Det er relevante oplysninger fra leverandørerne, men ikke uafhængig dokumentation for, at enhver konkret implementering er sikker.

Samtidig gik EU’s AI-forordning ind i en ny fase. Fra 2. august 2026 begyndte EU-Kommissionens AI-kontor og medlemsstaternes myndigheder at håndhæve bestemte dele af reglerne. Nye gennemsigtighedskrav begyndte også at gælde, blandt andet for visse interaktive AI-systemer og syntetisk indhold.

Det betyder ikke, at alle danske virksomheder har de samme pligter fra samme dato. Kravene afhænger blandt andet af systemets rolle og anvendelse, og dele af reglerne for højrisikosystemer har senere anvendelsesdatoer. Virksomheder med en konkret compliance-vurdering bør bruge den aktuelle EU-tekst og juridisk rådgivning frem for en generel årsartikel.

Fem spørgsmål før en AI får lov til at handle

1. Hvilke data kan systemet se? Giv kun adgang til det, opgaven kræver.

2. Hvilke eksterne handlinger kan det udføre? Skeln mellem at læse, foreslå og ændre.

3. Hvor skal et menneske godkende? Kræv godkendelse før økonomiske, juridiske, personalemæssige eller svært reversible handlinger.

4. Kan forløbet efterprøves? Gem relevante logs, versioner og beslutningsgrundlag.

5. Kan handlingen rulles tilbage? Test fejlvejen, ikke kun den vellykkede demonstration.

Listen er generel risikostyring, ikke juridisk rådgivning. Den er til gengæld anvendelig, uanset hvilket modelnavn der står øverst på leverandørens produktside.

Hvad ændrede sig for danske brugere?

2026 gjorde det mindre relevant kun at vælge AI efter kvaliteten af et enkelt svar. Værktøjsadgang, godkendelser, logning og versionsstyring er blevet en større del af valget.

For privat brug kan det være så enkelt som at kontrollere, hvilke tjenester en assistent får forbindelse til, før den får adgang til kalender, mail eller filer. På en arbejdsplads bør en afgrænset opgave med ufølsomme data være udgangspunktet. Først derefter giver det mening at udvide adgangen trinvis og måle både nytte og fejl.

Det taler også imod at vælge ét værktøj til alt. En lukket skriveopgave har andre krav end research med kilder eller en proces, der må ændre data. AIBI’s oversigt kan hjælpe med at vælge AI-værktøj efter opgaven, men den endelige vurdering bør tage udgangspunkt i data, handlinger og konsekvenser.

Det varige skift efter 2026

Tre forhold står tydeligere ved udgangen af september:

1. AI bevæger sig fra svar til handling. Agentiske funktioner er blevet en del af almindelige produktlanceringer og udviklerplatforme.
2. Benchmarks kan ikke stå alene. Leverandørtal siger noget om afgrænsede tests, men ikke automatisk noget om stabiliteten i en bestemt arbejdsgang.
3. Kontrol er en del af produktet. Dataadgang, menneskelig godkendelse, logning og mulighed for at fortryde er ikke ekstra pynt, når AI får lov til at handle.

Det vigtigste spørgsmål efter 2026 er derfor ikke kun, hvad en model kan. Det er, hvad den får lov til at gøre, og hvordan vi opdager det, når den tager fejl.