AI Enablement Radar vecka 28: ge AI ett riktigt uppdrag och ett rättvist test

AI har fått större arbetsuppgifter den här veckan. OpenAI lanserar ChatGPT Work för projekt som pågår i timmar, UST låter Claude arbeta i industriprocesser och Alberta använder ett femtiotal agenter för att granska myndighetskod. Det intressanta är inte att agenterna gör mer. Det är att bra införanden börjar med ett riktigt uppdrag och ett test som visar om resultatet håller.

Toppsignaler denna vecka

• ChatGPT Work tar ansvar för längre arbetsflöden. Agenten kan arbeta över appar och filer, skapa dokument, kalkylblad och presentationer samt stanna för frågor och godkännanden. OpenAI uppger att fler än fem miljoner använder Codex varje vecka och att över en miljon använder tekniken utanför programmering. (Källa: ChatGPT is now a partner for your most ambitious work)
• UST kombinerar tekniken med omfattande utbildning. Företaget ska utbilda 20 000 ingenjörer, arkitekter och konsulter i Claude. I plattformen iDEC har den befintliga slutna valideringsloopen kortat chipvalidering med 50 till 70 procent, från fyra dagar till 48 timmar, och Claude blir nu resonemangslagret i flödet. (Källa: UST is bringing Claude to physical AI)
• Alberta visar hur ett stort uppdrag kan delas upp och granskas. Ett team använde omkring 50 Claude Code-agenter för att gå igenom 466 miljoner kodrader på 20 timmar. Varje fynd pekade ut fil och rad, och människor godkände patchar före driftsättning. (Källa: Government of Alberta uses Claude to find and fix cybersecurity vulnerabilities)
• GitHub mäter effekten efter att koden har skrivits. Copilots användnings-API visar nu tid till första granskning och antal granskningsrundor för pull requests som faktiskt har slagits ihop. Det är närmare verksamhetsnytta än antal promptar eller aktiva användare. (Källa: Add review cycles and time to adoption phases in the usage API)
• EU kopplar ihop AI-införande och cyberförmåga. Kommissionens nya handlingsplan föreslår bland annat kapacitet för modellutvärdering före marknadsintroduktion och en säker testplattform för kritiska sektorer. (Källa: EU Action Plan on Cybersecurity and Artificial Intelligence)

Vad företag faktiskt gör med AI

UST:s exempel är ovanligt konkret. Claude Code ska läsa kretsscheman och pin-konfigurationer, skriva regressionstester, köra dem och jämföra mätdata med en digital tvilling. I vård- och telekomflöden ligger mänskliga godkännanden kvar innan rekommendationer når en medlem eller en åtgärd går vidare. Det är ett agentiskt arbetsflöde: AI hanterar flera steg och verktyg mot ett mål, medan människor äger beslutspunkterna.

Källa: UST is bringing Claude to physical AI

Alberta valde också en avgränsad men verklig uppgift: hitta, förklara och föreslå korrigeringar i äldre kod. Agenterna använde först regler för att hitta kända mönster och gjorde sedan en andra granskning med exakta hänvisningar. Upplägget gjorde resultatet möjligt att kontrollera. Provinsen utbildar samtidigt anställda och allmänhet genom Alberta AI Academy; fler än 10 000 personer ur allmänheten har använt plattformen.

Källa: Government of Alberta uses Claude to find and fix cybersecurity vulnerabilities

OpenAI beskriver samma rörelse i kontorsarbete. I tidiga tester använde RingCentral ChatGPT Work för att granska lanseringsplaner, Jira-uppgifter och tidplaner och gå från stöd till en produktchef till omkring 50. Virgin Atlantic kortade en jämförelseanalys från veckor till timmar. NVIDIA ersatte ett Excel-flöde som tog ungefär 40 procent av förberedelsetiden inför GTC.

Källa: ChatGPT is now a partner for your most ambitious work

Lärdomen för ett nordiskt team är rätt jordnära: välj inte "använd AI mer" som mål. Välj ett jobb med tydliga indata, ett synligt resultat och en person som kan avgöra om resultatet duger.

Verktygslagret: plattformar, agenter och arbetsflöden

GPT-5.6 blir föredragen modell i Microsoft 365 Copilot för Word, Excel, PowerPoint, Chat och Cowork. Modellen kommer alltså in i verktyg många redan betalar för, inte i ännu en separat pilotmiljö. För en verksamhet betyder det att modellbyte och kvalitet behöver testas i befintliga dokument- och analysrutiner.

Källa: GPT-5.6 is now the preferred model in Microsoft 365 Copilot

Röst får också en annan roll. GPT-Live kan lyssna och tala samtidigt och lämna sökning eller tyngre resonemang till en annan modell i bakgrunden. API-stöd är aviserat men inte lanserat. För skolor, fältteam och personer som hellre pratar än skriver är signalen intressant: röst kan bli ett arbetsgränssnitt, inte bara diktering.

Källa: Introducing GPT-Live

OpenAI:s granskning av SWE-Bench Pro är veckans nyttiga bromskloss. En eval är ett återupprepningsbart test av hur väl ett AI-system löser en definierad uppgift. Efter agentgranskning och bedömning av fem erfarna utvecklare per flaggad uppgift uppskattar OpenAI att omkring 30 procent av testuppgifterna är trasiga. Ett exakt resultat från ett dåligt test är fortfarande ett dåligt beslutsunderlag.

Källa: Separating signal from noise in coding evaluations

GitHub gör samtidigt driften mer hanterbar. Företag kan styra export av OpenTelemetry-data från Copilot i VS Code och CLI till en godkänd insamlare, inklusive om prompt-, svar- och verktygsinnehåll ska fångas. Inställningar kan också distribueras med Intune, Jamf, Group Policy eller en låst konfigurationsfil.

Källor: Enterprise-managed OpenTelemetry export for VS Code and CLI och Deploy managed Copilot settings via MDM in VS Code and CLI

Styrning och risk: vad som behöver sättas innan skala

EU:s AI-förordning blir fullt tillämplig den 2 augusti 2026 med vissa undantag och senare datum för delar av reglerna om högrisk-AI. Transparenskraven börjar också gälla i augusti 2026. För de flesta vardagsflöden är den praktiska starten enkel: inventera var AI används, vem som ansvarar, vilka källor och system som är anslutna samt var en människa ska granska eller godkänna.

Källa: AI Act

Kontrollerna behöver inte göra AI tandlös. Använd miljövariabler eller en hemlighetshanterare för nycklar, avgränsade behörigheter för anslutna system, redigering av känsliga fält, godkännande före utskick eller skrivning och loggar som går att följa upp. Då kan agenten göra riktigt arbete utan att lösenord eller breda rättigheter hamnar i en chatt.

Kod som bygger AI-funktioner behöver dessutom vanliga säkerhetstester. CodeQL 2.26.0 har fått en fråga som hittar när opålitlig användardata kan flöda in i en systemprompt och påverka modellens beteende. Den täcker även fler promptytor i SDK:er från OpenAI, Anthropic och Google.

Källa: CodeQL 2.26.0 adds Kotlin 2.4.0 support and AI prompt injection detection

Anthropics nya reflektionsvy pekar på en mjukare kontroll: se vad AI faktiskt används till. Vyn sammanfattar användningsmönster över 1, 3, 6 eller 12 månader och kopplar dem till ramverket Delegation, Description, Discernment och Diligence. En teamversion av samma fråga är värd att ställa: vilka uppgifter har vi lämnat över, och blev arbetet bättre?

Källa: Introducing a way to reflect on how you use Claude

Veckans praktiska Hammer-test

Avsätt 40 minuter och ge AI ett riktigt uppdrag med ett rättvist test. Använd ett återkommande jobb som ni redan kan bedöma, till exempel en mötesuppföljning, en offertkontroll, en lektionsöversikt eller en veckovis kundlista.

1. Skriv uppdraget på fem minuter. Ange resultatet ni vill ha, vilka källor AI får använda och vilket format leveransen ska ha.
2. Skriv tre godkännandekriterier. Exempel: alla påståenden har källor, inga obligatoriska fält saknas och nästa ansvarig person framgår.
3. Kör arbetsflödet i 15 minuter. Anslut ett relevant verktyg om det behövs. Ge bara den behörighet jobbet kräver och lägg in godkännande före extern publicering, utskick eller systemändring.
4. Granska i tio minuter. En person som kan jobbet markerar varje kriterium som godkänt eller underkänt och noterar vad som behövde rättas.
5. Bestäm nästa steg. Behåll flödet om det sparar tid utan att sänka kvaliteten. Justera testet om kriterierna var otydliga. Avsluta om nyttan inte går att se.

Kopierbar startprompt:

Du ska hjälpa oss med ett återkommande arbetsflöde. Börja med att fråga efter målet, tillåtna källor, önskat leveransformat och vem som godkänner resultatet. Föreslå sedan tre konkreta godkännandekriterier som en människa kan kontrollera. Kör inte arbetsflödet förrän kriterierna är godkända. När jobbet är klart, redovisa vilka källor du använde, vilka antaganden du gjorde och vad granskaren behöver kontrollera.

Företag och verktyg att hålla koll på

• OpenAI ChatGPT Work: längre uppdrag över filer, appar och schemalagda händelser.
• UST: ett tydligt exempel på att utbildning och verksamhetsintegration behöver gå tillsammans.
• Government of Alberta: storskalig agentanvändning med verifierbara fynd och mänskligt godkända patchar.
• GitHub Copilot: mätning, centrala inställningar och telemetri börjar bli en sammanhängande förvaltningsyta.
• EU AI Office och ENISA: den planerade testkapaciteten kan påverka hur europeiska organisationer provar avancerade modeller.

Om ni vill gå från ett enstaka test till ett anslutet och förvaltat arbetsflöde passar det här naturligt i Hammers Verktygssmide. Börja med jobbet och godkännandekriterierna. Verktygsvalet kommer efteråt.