AI-modeller försvinner: bygg en kalender innan era flöden går sönder

Det är lätt att missa modellpensioneringar tills något slutar fungera. En bildkampanj renderar inte längre. En intern utbildningsfilm fastnar i kö. Ett supportflöde som brukade svara på rätt sätt börjar returnera fel för att någon fortfarande anropar ett gammalt modell-ID.

Det här är inte en fråga för AI-labbet längre. När AI sitter i kursmaterial, marknadsproduktion, offertarbete, support, analys eller agentflöden behöver någon äga en ganska tråkig sak: en kalender över vilka modeller som får användas, när de byts ut och vem som testar ersättaren.

Vad som hände: Claude och Gemini skärper modellbytena

Anthropic skriver i sina Claude Platform release notes att claude-sonnet-4-20250514 och claude-opus-4-20250514 nu är pensionerade. Anrop till de modell-ID:na returnerar fel. Rekommendationen är att gå till Claude Sonnet 4.6 respektive Claude Opus 4.8.

Källa: Claude Platform release notes

Google gjorde samma typ av signal tydlig i Gemini API:s release notes den 15 juni. Imagen-ID:na imagen-4.0-generate-001, imagen-4.0-ultra-generate-001 och imagen-4.0-fast-generate-001 stängs 17 augusti 2026. Veo-ID:na veo-2.0-generate-001, veo-3.0-generate-001 och veo-3.0-fast-generate-001 stängs redan 30 juni 2026. Google pekar videoanvändare mot veo-3.1-generate-preview, veo-3.1-fast-generate-preview eller Veo 3.1-modeller via Gemini Enterprise Agent Platform.

Källa: Gemini API release notes

Det är datum och modellnamn, ja. Men för en organisation är det egentligen en driftfråga. Har ni ett flöde som säger "använd den här modellen" någonstans i koden, i ett no-code-verktyg, i ett kalkylark, i en promptmall eller i en extern leverantörs konfiguration? Då behöver bytet planeras som vilken annan liten systemförändring som helst.

En modellkalender är enklare än den låter

En modellkalender är inte ett stort styrprogram. Börja som en lista. Varje rad bör svara på sju frågor:

• Vilket modell-ID används?
• Var används det: app, script, agent, kampanj, kurs, plugin eller leverantör?
• Vem äger flödet?
• Finns ett stoppdatum eller en nedstängningsnotis?
• Vilken ersättningsmodell ska testas?
• Vilka exempel måste jämföras före byte?
• Vem godkänner produktion och rollback?

Det räcker långt. Poängen är att slippa upptäcka beroendet först när användare, elever, kunder eller kollegor väntar på output.

Bild och video kräver mer än ett nytt namn

För textmodeller kan ett modellbyte ibland märkas som ton, format eller kostnad. För bild och video kan skillnaden bli mer synlig: stil, ansikten, text i bild, längd, format, tidsättning, ljud och varumärkeskänsla.

Därför ska ett marknads- eller utbildningsflöde inte bara byta veo-3.0-generate-001 till nästa namn och hoppas på det bästa. Kör några fasta testfall först:

• en typisk kampanjbild
• en svår prompt med varumärkeskrav
• ett videoexempel med rörelse och tidsättning
• ett exempel där text i bilden brukar bli fel
• ett kostnads- och väntetidstest

Spara gammalt och nytt resultat bredvid varandra. Beslutet blir mycket lättare när någon kan se skillnaden, inte bara läsa en versionsrad.

Lägg ägarskap nära flödet

Samma dag som Google listade mediamodeller som ska stängas lade Gemini Enterprise också till observability settings för enskilda Agent Designer-agenter i Public Preview. Mätvärden kan skickas till Metrics Explorer och traces till Trace Explorer. Det är ett annat produktområde, men signalen är relevant: AI-flöden håller på att få ägare, loggar och driftspår, inte bara prompts.

Källa: Gemini Enterprise release notes

Om ingen äger modellen, äger ingen heller felet. Lägg därför modellkalendern där arbetet faktiskt händer. Marknad äger kampanjbilder. Utbildning äger kursvideo. Support äger kundsvar. En extern partner kan sköta tekniken, men verksamheten måste kunna säga vilka resultat som är godkända.

Praktisk första vecka

Välj inte alla AI-flöden direkt. Börja med de fem som skulle störa mest om de stannade på måndag morgon. För varje flöde:

1. Hitta modell-ID eller leverantörsinställning.
2. Skriv ned ägare och ersättare.
3. Kör tre testexempel med gammal och ny modell om det går.
4. Bestäm vad som pausas om den nya modellen blir sämre.
5. Sätt nästa kontroll i kalendern, inte i någons minne.

Om det här känns som en liten, tråkig rutin är det ett bra tecken. AI som används i verkligt arbete behöver några tråkiga rutiner. Hammer kan hjälpa till att bygga en lätt Tool Forge-process för modellregister, testfall, fallback och ägarskap utan att göra det till ett tungt IT-projekt.