GPT-6 Astra låste ute betalende brukere ved lansering

Nøkkelpunkter per 7. september 2026:

• 130 modellanseringer ble sporet på tolv måneder frem til 26. august 2026, og 45 prosent av dem hadde åpne vekter (benchlm.ai).
• GPT-6 Astra ble hyllet som et «generational leap in capability», men betalende abonnenter ble stående uten tilgang ved lansering (The Verge).
• Transparensreglene i AI Act gjelder fra 2. august 2026: brukere må informeres tydelig når de snakker med en chatbot eller AI-agent (EU-kommisjonen, 2026).
• Bøtene for brudd kan nå 15 millioner euro, eller en andel av global årsomsetning dersom det gir et høyere beløp (EU-kommisjonen, 2026).
• Modeller pensjoneres raskt: o3 fikk 90 dagers varsel og GPT-4.5 bare 30 dager før de forsvant fra ChatGPT (OpenAI, 2026).

---

Det GPT-6 Astra avslørte om modellmarkedet

OpenAI beskrev GPT-6 Astra som et «generational leap in capability» og starten på «the AGI era». Kort tid etter måtte Sam Altman beklage en utrulling han selv kalte rotete, der betalende brukere som forventet tilgang ble stående og vente (The Verge). Selskapet ga ingen klar tidslinje for når abonnentene ville få modellen.

Utrullingen skjedde i etapper og prioriterte bedriftskunder først. Det irriterte mange som allerede betalte, og Altman kunne bare håpe at de fikk bruke Astra i løpet av helgen uten å love det. Codex-lederen Thibault Sottiaux sa at teamet jobbet hardt for å gi tilgang så raskt som mulig (The Verge).

For en norsk SMB er poenget ikke at OpenAI hadde en dårlig uke. Poenget er hva hendelsen sier om planlegging: tilgang til en modell er ikke en garanti, selv når dere betaler for den. Det gjelder like mye for konkurrentene.

Lanseringen som satte abonnentene på vent

Mønsteret er gjenkjennelig. En modell annonseres med store ord, pressen skriver om den samme dag, og så viser det seg at tilgangen ruller ut over dager eller uker, sortert etter kundesegment. GPT-6 Astra fulgte akkurat dette løpet, og forgjengeren GPT-5 hadde også en problematisk lansering (The Verge).

Konsekvensen for en bedrift er praktisk, ikke prinsipiell. Hvis dere har planlagt en intern lansering, en kundedemo eller en prosessendring rundt en modell som ennå ikke er tilgjengelig for deres kontotype, står dere med et løfte dere ikke kontrollerer. Datoen i pressemeldingen er ikke datoen dere kan bygge på.

Det gjelder også motsatt vei. Sikkerhetsforkjempere kritiserte lanseringen, og kritikk kan i seg selv utløse begrensninger, endrede vilkår eller nye rate limits i etterkant. Historisk har OpenAI satt harde grenser ved lansering, som 30 meldinger i uken for o1-preview og 50 for o1-mini (OpenAI, 2026). Kapasitet er en variabel, ikke en konstant.

Lanseringsretorikk er ikke dokumentasjon

Alura mener at lanseringsretorikk ikke er dokumentasjon. Krev tall og tilgangsgarantier fra leverandøren før dere flytter kritiske oppgaver til en ny modell. «Generational leap» er en markedsføringsformulering, ikke en servicenivåavtale, og den forteller ingenting om hvordan modellen presterer på deres fakturagrunnlag eller deres kundehenvendelser.

De tallene som faktisk finnes, er ofte mer nyanserte enn overskriftene. GPT-5.5 Instant reduserte hallusinerte påstander sammenlignet med GPT-5.3 Instant, og GPT-5.4 matcher eller slår menneskelige fagpersoner 83 prosent av tiden i evalueringer (ZDNet, 2024). Det er en betydelig forbedring. Det er ikke det samme som at feilraten er null på deres oppgaver.

Spør leverandøren om tre ting skriftlig: hvilken kontotype som får modellen når, hvilke rate limits som gjelder, og hvor lang varslingstid dere får når modellen pensjoneres. Får dere ikke svar, er det svaret.

Modellstrømmen i tall

Det er lett å tro at hver ny modell er en begivenhet. Tallene sier noe annet. BenchLM sporet 130 modellanseringer i tolvmånedersperioden som endte 26. august 2026, og august 2026 alene sto for 22 av dem (benchlm.ai). Tellingen er på familienivå, ikke hver enkelt oppdatering, så det reelle antallet endringer er høyere.

Aktør	Sporede lanseringer siste tolv måneder
Alibaba	13
OpenAI	12
Google	10
Anthropic	10
Z.AI	4
Meta	4
NVIDIA	4
DeepSeek	3

Kilde: benchlm.ai. Tallene er familielanseringer, ikke enkeltmodeller.

Hvem slipper mest, og hva det betyr

Alibaba lå på topp med 13 lanseringer, foran OpenAI med 12 (benchlm.ai). Det er verdt å lese som en markedsstruktur, ikke en rangering av kvalitet. Ingen enkelt leverandør har en posisjon som gjør dem uunngåelig, og ingen har en kadens som er så mye lavere at dere slipper å forholde dere til endring.

Praktisk betyr det at «vi valgte modell i fjor» ikke lenger er et gyldig svar på hva dere kjører på. Med en strøm av denne størrelsen vil både prisen, ytelsen og tilgjengeligheten på deres nåværende oppsett endre seg innen tolv måneder, uten at dere gjør noe. Innkjøpsprosessen må tåle det.

Samtidig er det ingen grunn til å jage hver lansering. De aller fleste av de 130 modellene er irrelevante for en norsk SMB. Jobben er ikke å følge med på alt, men å ha en terskel for når noe er verdt å teste.

Åpne vekter er blitt et reelt alternativ

45 prosent av de klassifiserte lanseringene var modeller med åpne vekter (benchlm.ai). Det er den mest oversette utviklingen i markedet, fordi den endrer forhandlingsposisjonen. Når en åpen modell er god nok til oppgaven, er det ikke lenger en gitt sak at data må forlate huset.

Moonshots Kimi K3 er den største åpne modellen på markedet med 2,8 billioner parametere, og Nvidias Nemotron 3.5 Lightning er laget for agentiske oppgaver i stort volum og kan kjøres lokalt for bedre sikkerhet (ZDNet, 2024). Thinking Machines slapp sin første modell, Inkling, som en generalist med åpne vekter.

For en SMB er dette først og fremst et prisargument og et personvernargument. Åpne vekter betyr ikke gratis, fordi drift, oppdatering og sikkerhet koster. Men det betyr at dere har et alternativ å måle leverandørprisen mot.

---

Les også: Fem søksmål mot OpenAI norske bedrifter bør følge i 2026. OpenAI møter søksmål om alt fra selvmord og opphavsrett til stjålne forretningshemmeligheter.

---

Et rammeverk for å vurdere en ny AI-modell

En ny modell er ikke en beslutning om teknologi. Det er en beslutning om hvilken oppgave dere vil gjøre annerledes, og hva det koster hvis oppgaven blir gjort dårligere en periode. Rammeverket under er ment å tas på under en time, ikke som et innkjøpsprosjekt.

Kriterium	Spørsmålet dere stiller	Rødt flagg
Oppgave	Hvilken konkret arbeidsoppgave skal modellen gjøre bedre eller raskere?	Svaret er «alt mulig» eller «effektivisering»
Målbarhet	Hva måler vi mot dagens løsning, og hvem godkjenner resultatet?	Ingen baseline finnes
Tilgang	Hvilken kontotype får modellen, med hvilke rate limits?	Leverandøren svarer ikke skriftlig
Data	Hvilke data sendes ut av huset, og er det avklart?	Kundedata brukes uten vurdering
Regelverk	Er løsningen kundevendt, og er den i så fall merket?	Merking er «noe vi tar senere»
Exit	Hva gjør vi hvis modellen pensjoneres om tre måneder?	Ingen har tenkt på det

Legg merke til at bare to av seks kriterier handler om modellen selv. Resten handler om hvordan dere jobber.

Skill mellom nysgjerrighet og drift

Det er sunt at folk prøver nye modeller. Det er ikke sunt at en modell glir inn i drift fordi noen syntes den fungerte godt i en enkelt test. Alura mener at en ny modell hører hjemme i en avgrenset pilot før den blir standardverktøy i hele bedriften, med navngitt eier, definert oppgave og en sluttdato.

Skillet er enkelt å håndheve i praksis. Nysgjerrighet betyr at en person tester på ikke-sensitive data uten at noen andre er avhengige av resultatet. Drift betyr at en kunde, en frist eller et regnskap avhenger av at modellen svarer. Alt som krysser fra det første til det andre skal gjennom piloten.

Uten dette skillet får dere en tredje kategori som er verst: uformell drift. Noen bruker en modell til noe viktig, ingen vet at det skjer, og ingen har vurdert hverken datadeling eller hva som skjer når modellen forsvinner.

Tilgangsgaranti hører hjemme i avtalen

GPT-6 Astra viste hvorfor. Betalende brukere ble stående uten tilgang, mens bedriftskunder ble prioritert i den staggede utrullingen (The Verge). Hvis dere kjøper en plan fordi den lover en bestemt modell, bør avtalen si noe om når modellen faktisk er der.

Be om tre punkter før dere signerer eller oppgraderer: hvilke modeller planen gir tilgang til i dag, hvilken varslingstid dere får ved endringer, og hva som skjer med prisen når en modell erstattes. Dette er standard innkjøpsdisiplin anvendt på et nytt område.

Merk også hvordan tilgang fordeles i dag. GPT-5.6 Sol rulles ut til kvalifiserte betalte ChatGPT-planer, ikke til gratisbrukere eller utloggede brukere, mens GPT-5.4 mini er tilgjengelig for gratis- og Go-brukere via Thinking-funksjonen og fungerer som fallback for betalende ved rate limits (OpenAI, 2026). Kontotype avgjør hvilken modell dere faktisk snakker med.

Når er en modell god nok

Benchmarks er nyttige som filter, ikke som bevis. GPT-5.5 fikk en ekspertscore på 93 av 100, og GPT-5.3-Codex er omtrent 25 prosent raskere enn forgjengeren på agentisk koding (ZDNet, 2024, OpenAI, 2026). Ingen av disse tallene sier hvor godt modellen leser deres tilbudsmaler.

Den eneste testen som teller, er femti til hundre reelle eksempler fra egen drift, kjørt gjennom både dagens løsning og den nye modellen, vurdert av en person som kan faget. Det tar en ettermiddag. Det er billigere enn å oppdage feilen i produksjon.

Sett terskelen på forhånd. Hvis modellen ikke er merkbart bedre på den oppgaven dere valgte, er svaret nei, uansett hvor godt den gjør det på andres tester.

Slik ser de to første pilotukene ut

En pilot som ikke har sluttdato blir aldri evaluert. Den blir bare gradvis til drift. Under er et fjorten dagers løp som er stramt nok til å bli ferdig, og løst nok til at en SMB uten AI-team klarer det ved siden av vanlig jobb.

Periode	Aktivitet	Leveranse
Dag 1 til 2	Velg en oppgave med volum og målbart utfall	Skriftlig oppgavebeskrivelse og eier
Dag 3 til 4	Samle reelle eksempler fra egen drift	Testsett med fasit
Dag 5	Mål dagens løsning på samme sett	Baseline i tid og kvalitet
Dag 6 til 9	Kjør modellen, juster instruksjoner, logg feil	Feillogg med kategorier
Dag 10 til 11	Fagperson vurderer resultatene blindt	Kvalitetsscore mot baseline
Dag 12	Regn ut kostnad per oppgave	Kostnadsark
Dag 13	Vurder merkeplikt og datadeling	Kort compliance-notat
Dag 14	Beslutning: skalere, justere eller stoppe	Signert beslutning

Det viktigste feltet i tabellen er den siste raden. En pilot uten beslutningspunkt er et abonnement.

Uke en: velg oppgaven, ikke modellen

Den vanligste feilen er å starte med «vi skal teste GPT-6 Astra». Start i stedet med en oppgave som skjer ofte, tar tid og har et utfall noen kan bedømme. Kundehenvendelser på e-post, tilbudsutkast, kategorisering av bilag og oppsummering av møtereferater er typiske kandidater i norske SMB-er.

Kravet til oppgaven er at den har volum og fasit. Volum, fordi en forbedring på noe som skjer to ganger i året ikke er verdt et prosjekt. Fasit, fordi dere ellers ikke kan avgjøre om modellen gjorde det bra.

Samle mellom femti og hundre reelle eksempler før dere kjører noe som helst. Uten baseline ser alle resultater bra ut.

Uke to: mål mot det dere gjør i dag

Kjør de samme eksemplene gjennom både dagens arbeidsmåte og modellen, og la en fagperson vurdere resultatene uten å vite hvilket som er hvilket. Blindvurdering er den enkleste beskyttelsen mot at entusiasme leser bedre resultater inn i utskriften enn det som er der.

Logg feilene i kategorier, ikke som en samlet prosent. Faktafeil, tonefeil, format som må rettes og oppgaver som ikke ble gjort i det hele tatt er fire helt ulike problemer, og bare noen av dem kan løses med bedre instruksjoner.

Regn deretter ut hva en oppgave koster i modellbruk, og legg til tiden en person bruker på å kontrollere resultatet. Kontrolltiden er nesten alltid den største posten i starten, og den er den som avgjør om regnestykket går opp.

Beslutningen på dag fjorten

Tre utfall er lov: skalere til flere brukere, justere og kjøre en runde til, eller stoppe. Det fjerde utfallet, å la piloten leve videre uten beslutning, er det som gjør at bedrifter ender opp med syv verktøy ingen har oversikt over.

Hvis dere skalerer, skriv ned hvem som eier løsningen, hvordan feil rapporteres, og hva som skjer hvis modellen forsvinner. Det siste punktet er ikke teoretisk, som pensjoneringsavsnittet lenger ned viser.

Hvis dere stopper, skriv ned hvorfor. Om seks måneder kommer en ny modell, og notatet fra denne piloten er det som gjør at dere kan teste raskt i stedet for å starte fra null.

Oppgavene som er modne for dagens modeller

Spørsmålet er sjelden om modellen kan gjøre oppgaven. Det er om feilraten er lav nok til at kontrollen ikke spiser gevinsten. Det trekker et ganske tydelig skille mellom oppgaver som er modne nå og oppgaver som fortsatt krever mye tilsyn.

Generelt er oppgaver der et utkast er nyttig selv om det må rettes, modne. Oppgaver der en feil går rett ut til kunde eller inn i regnskapet uten mellomledd, er det ikke, med mindre dere har bygget kontrollen inn.

Kundedialog og tekstarbeid

Utkast til svar på kundehenvendelser, oppsummering av lange tråder, oversettelse og omskriving av produkttekst er de tydeligste gevinstene i norske SMB-er. Modellene er gode nok til at en saksbehandler går fra å skrive til å redigere, og redigering er raskere.

En kundevendt chatbot er et større steg, både teknisk og juridisk. Den krever kontroll på hvilke kilder den svarer fra, en plan for hva den skal nekte å svare på, og fra 2. august 2026 tydelig informasjon til brukeren om at det er AI de snakker med (EU-kommisjonen, 2026). Vi har skrevet mer om valg og bygging av chatbot for bedrifter.

Hallusinasjoner er fortsatt den styrende risikoen. Reduksjonen i hallusinerte påstander fra GPT-5.3 Instant til GPT-5.5 Instant er reell fremgang (ZDNet, 2024), men en lavere feilrate er ikke ingen feilrate, og kundevendte svar er der feil koster mest.

Egne data, kode og prosesser

De fleste norske SMB-er har verdien sin i egne dokumenter: avtaler, prosedyrer, tilbudsarkiv, teknisk dokumentasjon. En generell modell kjenner ikke disse. Løsningen er å koble modellen til deres egne kilder, og vi har beskrevet hvordan i artikkelen om RAG og egne data.

På utviklingssiden er fremgangen konkret. GPT-5.3-Codex er en agentisk kodemodell som er omtrent 25 prosent raskere enn forgjengeren (OpenAI, 2026), og Microsofts MAI-Cyber-1-Flash er bygget for å finne krevende sårbarheter i komplekse kodebaser til en lavere pris enn ledende modeller tar (ZDNet, 2024).

For rene regelstyrte prosesser er ofte tradisjonell automatisering fortsatt riktig svar. En modell som skal flytte data mellom to systemer etter faste regler, er dyrere og mindre forutsigbar enn en robotisert prosess. Bruk AI der oppgaven krever skjønn, ikke der den krever presisjon.

Leverandørbildet fra OpenAI til åpne modeller

Markedet har tre lag: de store lukkede leverandørene, de åpne vektene, og spesialistene som gjør en ting billigere eller bedre enn generalistene. De fleste SMB-er trenger ikke velge ett lag for alltid, men de bør vite hvilket lag hver arbeidsflyt hviler på.

Det er også verdt å skille mellom hvem som lager modellen og hvem som selger den til dere. Skyleverandører, integratorer og programvare med innebygget AI er alle mellomledd, og de har ulike vilkår for hva som skjer når modellen under endres.

De store lukkede leverandørene

OpenAI, Google og Anthropic slapp henholdsvis 12, 10 og 10 sporede modellfamilier i tolvmånedersperioden (benchlm.ai). De tilbyr høy kvalitet, ferdig drift og en dokumentert utviklingstakt, men dere kjøper også deres prioriteringer: hvilke kunder som får hva først, og når noe pensjoneres.

Prisen på toppmodeller er ikke triviell. Claude Opus 5 ligger på 5 dollar per million input-tokens, mens Fable 5 ligger på 50 dollar per million output-tokens (ZDNet, 2024). Forskjellen mellom input og output er viktig når dere regner: oppgaver som leser mye og skriver lite, er billige.

Fordelen er at dere slipper å drifte noe selv. Ulempen er at dere er avhengige av at leverandøren holder det de sier om tilgang, og GPT-6 Astra viste at det ikke alltid stemmer med dagen i kalenderen.

Åpne vekter og spesialister

Med 45 prosent av lanseringene i åpne vekter finnes det nå reelle alternativer for bedrifter som ikke vil sende data ut, eller som har volum nok til at prisen betyr noe (benchlm.ai). Kimi K3 koster 15 dollar per million output-tokens og er den største åpne modellen på markedet (ZDNet, 2024).

Regelverket behandler åpne modeller mildere, men ikke fritt. Gratis og åpne GPAI-modeller har færre forpliktelser, men må fortsatt overholde opphavsrett og publisere et sammendrag av treningsdata, med mindre de utgjør en systemisk risiko (artificialintelligenceact.eu, 2024).

Spesialistene er den mest oversette kategorien for SMB-er. En modell bygget for kodesikkerhet, agentiske oppgaver i volum eller lokal kjøring løser ofte problemet billigere enn den største generalisten. Nvidias Nemotron 3.5 Lightning er laget nettopp for høyt volum og kan kjøres lokalt (ZDNet, 2024).

Kostnadsbildet og prisen per million tokens

Token-priser er den delen av AI-økonomien som er lettest å finne og lettest å misforstå. Prisen per million tokens sier hva modellbruken koster, ikke hva løsningen koster.

Modell	Oppgitt pris	Type
Claude Opus 5	5 dollar per million tokens	Input
Kimi K3	15 dollar per million tokens	Output
Fable 5	50 dollar per million tokens	Output
MAI-Cyber-1-Flash	Lavere enn ledende modeller	Spesialist på kodesårbarheter

Kilde: ZDNet, 2024. Prisene er oppgitte listepriser og endrer seg.

Hva token-prisen faktisk forteller

Et token er omtrent en kort ordbit. Input er alt dere sender inn, inkludert instruksjoner og vedlagte dokumenter. Output er det modellen skriver tilbake. Spennet fra 5 til 50 dollar per million tokens i tabellen over er nesten en tidobling, og forskjellen slår ulikt ut avhengig av hva oppgaven ser ut som.

En oppsummering av et langt dokument er input-tung og output-lett, og derfor billig selv på en dyr modell. En agent som jobber seg gjennom mange steg og skriver mye underveis, er output-tung, og der blir prisforskjellen merkbar raskt.

Regn derfor på oppgaven, ikke på modellen. Ta et representativt eksempel fra piloten, se hvor mange tokens det faktisk brukte, og gang opp med volumet dere har i året.

Kostnadene som ikke står i prislisten

Fire poster mangler nesten alltid i det første budsjettet: tiden folk bruker på å kontrollere resultatene, tiden på å skrive og vedlikeholde instruksjoner, integrasjonsarbeidet mot eksisterende systemer, og opplæring. I en pilot er disse større enn modellkostnaden, ofte med god margin.

Den femte posten er den som overrasker mest: arbeidet med å bytte modell når leverandøren pensjonerer den dere bruker. Det er en tilbakevendende kostnad, ikke en engangskostnad, og den bør inn i totalbildet fra start.

Legg til lisenser dere allerede betaler for. Mange SMB-er oppdager at de har AI-funksjoner i verktøy de allerede eier, og at den reelle merkostnaden ved et nytt abonnement er høyere enn de trodde fordi den erstatter lite.

Regnestykket som avgjør

Formelen er enkel: tid spart per oppgave, minus tid brukt på kontroll, ganget med antall oppgaver, minus modellkostnad og oppsett. Hvis dere ikke kan fylle inn alle fire feltene med tall fra egen drift, er dere ikke ferdige med piloten.

Vær ærlig om kontrolltiden. En modell som gjør oppgaven på ti sekunder, men krever fem minutters gjennomlesning fra en fagperson, sparer lite hvis oppgaven tok syv minutter i utgangspunktet. Gevinsten kommer først når tilliten er høy nok til at kontrollen kan bli stikkprøvebasert.

Og sett en grense oppover. Et tak for hva løsningen får koste per måned, med varsling, er den enkleste beskyttelsen mot at en feilkonfigurert integrasjon spiser budsjettet i stillhet.

---

Les også: AI-chatbot for bedrifter: hvordan velge, bygge og implementere i 2026. 80 % av bedrifter implementerer AI-chatbot innen 2026.

---

Transparenskravene som gjelder fra 2. august 2026

EUs AI Act er den første omfattende juridiske rammen for AI i verden, og den klassifiserer systemer etter risiko: uakseptabel risiko er forbudt, høy risiko er strengt regulert, begrenset risiko utløser transparenskrav, og minimal risiko er uregulert (EU-kommisjonen).

For de aller fleste norske SMB-er er det begrenset risiko som gjelder. Generativ AI som ChatGPT er ikke klassifisert som høyrisiko, men må overholde transparenskrav og EUs opphavsrettslovgivning (EU-kommisjonen). Det gjør kravene enklere, ikke valgfrie.

Hva loven krever av kundevendte løsninger

Fra 2. august 2026 må brukere informeres tydelig når de interagerer med AI, enten det er en chatbot, en AI-agent eller en avatar (EU-kommisjonen, 2026). Dette er ikke en fotnote i vilkårene. Det er informasjon brukeren skal få der og da.

I praksis betyr det en synlig setning i chatvinduet, ikke en lenke tre klikk unna. Hvis en kunde kan komme til å tro at de skriver med et menneske, har dere en jobb å gjøre. Det gjelder også e-postsvar som sendes automatisk uten at et menneske har lest dem.

Alura mener at merking og informasjonsplikt i kundevendte AI-løsninger bør på plass nå, ikke når tilsynet spør. Det er en av de billigste tiltakene i hele AI-porteføljen, og det er det mest synlige hvis det mangler.

Merking av AI-generert innhold

AI-generert innhold som ligner ekte personer, objekter, steder eller hendelser skal merkes tydelig og synlig (EU-kommisjonen, 2026). Deepfakes er det åpenbare tilfellet, men bestemmelsen treffer også markedsføringsmateriell med AI-genererte mennesker og produktbilder som fremstiller noe som ikke finnes.

Kravet om tydelig merking av AI-generert innhold er også slått fast i Europaparlamentets gjennomgang av forordningen (EU-kommisjonen). For en SMB som bruker generative bildeverktøy i markedsføringen, er dette den mest konkrete endringen i det daglige.

Lag en enkel intern regel nå: alt AI-generert innhold som publiseres utad, merkes ved publisering. Det er lettere enn å gå tilbake gjennom arkivet senere.

Er dere leverandør eller bruker

Skillet avgjør hvor mye ansvar dere har. De fleste forpliktelsene i AI Act påhviler leverandører, altså de som utvikler systemene, mens brukere er juridiske eller fysiske personer som anvender et AI-system i profesjonell sammenheng (artificialintelligenceact.eu, 2024).

En SMB som kjøper ChatGPT eller bygger en chatbot på en tredjeparts modell, er typisk bruker. Det gir lettere krav, men ikke null krav, og særlig ikke på transparenssiden mot egne kunder. Bygger dere derimot noe dere selger videre under eget navn, kan dere havne på leverandørsiden.

Alle leverandører av generelle AI-modeller må uansett gi teknisk dokumentasjon og bruksanvisning, overholde opphavsrettsdirektivet og publisere et sammendrag om innholdet brukt til trening (artificialintelligenceact.eu, 2024). Modeller anses å ha systemisk risiko når treningen overstiger 10^25 FLOPs, en terskel ingen norsk SMB kommer i nærheten av.

Bøter, ansvar og dokumentasjon

AI Act trådte i kraft 1. august 2024 og ble gjeldende 2. august 2026, med en trinnvis innfasing som fortsatt pågår (EU-kommisjonen). Tidslinjen under er den delen norske ledere bør ha på veggen.

Dato	Hva som skjer
1. august 2024	AI Act trer i kraft
2. februar 2025	Forbudte AI-praksiser og krav til AI-kompetanse gjelder
2. august 2025	Styringsregler og forpliktelser for GPAI-modeller gjelder
27. juli 2026	AI Omnibus trer i kraft
2. august 2026	AI Act blir gjeldende, transparensreglene slår inn
Desember 2026	Det niende forbudet trer i kraft
2. desember 2027	Strenge forpliktelser for høyrisikosystemer gjelder

Kilde: EU-kommisjonen. Forordningen forbyr til sammen ni praksiser og opererer med fire risikonivåer.

Bøtenivåene

Brudd på transparensreglene kan straffes med bøter på inntil 15 millioner euro, eller en andel av global årlig omsetning dersom det gir et høyere beløp, mens EU-institusjoner, organer og byråer maksimalt kan bøtelegges med 750 000 euro (EU-kommisjonen, 2026).

For en norsk SMB er det den omsetningsbaserte beregningen som er relevant, ikke maksbeløpet. Men den reelle risikoen for en mindre bedrift er sjelden en bot i den størrelsesorden. Den er pålegg, omdømmetap og at en kunde i offentlig sektor stiller spørsmål dere ikke kan svare på i en anbudsprosess.

Håndhevingen bygges opp gradvis. AI Office og medlemsstatenes myndigheter skal implementere regelverket fra 2. august 2026, og økt evalueringskapasitet i EU er ventet operativ i 2027 (EU-kommisjonen).

Ansvaret følger ikke med i innkjøpet

Når dere kjøper en modell fra OpenAI, Anthropic eller Google, kjøper dere ikke fritak fra ansvar overfor egne kunder. Modelleverandøren har sine forpliktelser som GPAI-leverandør, dere har deres som bruker, og disse overlapper ikke (artificialintelligenceact.eu, 2024).

Rettsbildet rundt leverandørene er dessuten i bevegelse, og det er noe norske bedrifter bør følge med på uavhengig av eget compliance-arbeid. Vi har samlet de viktigste sakene i oversikten over søksmålene mot OpenAI.

Dokumentasjonen dere trenger er kortere enn de fleste tror. En liste over hvilke AI-systemer dere bruker, til hva, med hvilke data, hvem som eier hvert av dem, og hvordan kundene informeres. To sider som holdes oppdatert slår tjue sider som ble skrevet en gang.

Pensjonerte modeller er en fast del av driftsbildet

Den underrapporterte siden av modellstrømmen er ikke hva som lanseres, men hva som forsvinner. OpenAI pensjonerte o3 fra ChatGPT 26. august 2026 og GPT-4.5 27. juni 2026, og GPT-5.1-modellene var ikke lenger tilgjengelige i ChatGPT fra 11. mars 2026 (OpenAI, 2026).

Modeller endres også uten å forsvinne. GPT-5.5 Instant ble oppdatert for å forbedre responsstil og kvalitet, og canvas ble samtidig fjernet fra modellen (OpenAI, 2026). En funksjon dere bygde en arbeidsflyt rundt, kan altså bli borte i en oppdatering dere ikke ba om.

Varslene er korte

o3 fikk en pensjoneringsperiode på 90 dager, mens GPT-4.5 fikk 30 (OpenAI, 2026). Tretti dager er kortere enn mange interne endringsprosesser i en SMB, og det er betydelig kortere enn en normal budsjettsyklus.

Planlegg derfor med utgangspunkt i at varselet blir kort. Spørsmålet er ikke om modellen dere bruker i dag blir erstattet, men om dere merker det på en tirsdag eller på en fredag før ferien.

Sett en fast rutine: en person sjekker leverandørens release notes en gang i måneden og melder fra hvis noe dere bruker står på pensjoneringslisten. Det tar et kvarter.

Prompt-drift ved modellbytte

Instruksjoner som er finslipt mot en modell, oppfører seg ofte annerledes på neste versjon. Endringer i responsstil er dokumentert som en villet del av oppdateringene: GPT-5.3 Instant ble justert for å redusere teaser-aktige formuleringer, og GPT-5.5 Instant fikk endret responsstil (OpenAI, 2026).

Det betyr at et modellbytte ikke er en konfigurasjonsendring. Det er en liten pilot i seg selv. Behold testsettet fra den opprinnelige piloten, kjør det gjennom den nye modellen, og se om resultatene fortsatt holder mål før dere bytter i produksjon.

Nye modeller er ikke bare stilendringer. GPT-5.4 Thinking kan legge frem en plan på forhånd og la brukeren justere underveis (OpenAI, 2026), noe som endrer hvordan folk faktisk jobber med verktøyet. Opplæringen må følge etter.

Abstraksjonslaget som gjør bytte billig

Alura mener at dere bør bygge arbeidsflyter som tåler modellbytte, fordi leverandørene pensjonerer modeller med korte varsler. I praksis betyr det at modellnavnet skal stå ett sted i oppsettet, ikke være vevd inn i hver eneste integrasjon og hvert eneste skript.

For en SMB uten utviklingsteam er dette enklere enn det høres ut. Hold instruksjonene i et dokument dere eier, ikke bare i en chattetråd. Bruk verktøy som lar dere velge modell i en nedtrekksmeny. Unngå løsninger der leverandøren har låst dere til en bestemt modellversjon uten å si hva som skjer når den utgår.

Testsettet er den andre halvdelen av forsikringen. Med femti reelle eksempler og en fasit tar et modellbytte en ettermiddag i stedet for en måned med usikkerhet.

Vanlige feil når bedrifter bytter modell for tidlig

Feilene under er ikke tekniske. De handler om beslutningsrekkefølge, og de går igjen uavhengig av hvilken leverandør bedriften har valgt.

Fellesnevneren er at noen har gjort en investering i tid eller penger før de visste hva den skulle måles mot.

Å måle på demo i stedet for produksjon

En modell som gjør det bra på et eksempel valgt av leverandøren, sier lite om hvordan den håndterer deres tredje vanligste kundeklage. Benchmark-tall som at o3-mini ble foretrukket over o1-mini i 56 prosent av ekspertevalueringene er nyttige for å sammenligne modeller mot hverandre (OpenAI, 2026), ikke for å forutsi resultatet i deres drift.

Motgiften er kjedelig og virker: eget testsett, egen fasit, blind vurdering. Alt annet er inntrykk.

Å rulle ut til alle samtidig

Bred utrulling uten opplæring gir høy førstegangsbruk og lav vedvarende bruk. Folk prøver verktøyet, får et middelmådig resultat fordi de ikke vet hvordan de skal spørre, og går tilbake til gammel arbeidsmåte. Vi har skrevet om hva en stor bedriftsutrulling av ChatGPT lærer norske selskaper.

Start med en avdeling som har et reelt problem, la dem lykkes, og la dem være de som lærer opp neste avdeling. Intern troverdighet er raskere enn kursing.

Å binde arbeidsflyten til en modellversjon

Jo mer arbeid som legges i å optimalisere mot en spesifikk modell, jo dyrere blir det når den pensjoneres. Med 30 dagers varsel som et dokumentert utfall (OpenAI, 2026), er dette en risiko som materialiserer seg, ikke en hypotetisk en.

Regelen er å optimalisere oppgaven, ikke modellen. Klare instruksjoner, gode eksempler og et definert utfall overlever et bytte. Triks som utnytter en bestemt modells særegenheter gjør det ikke.

Å utsette merking til tilsynet spør

Transparenskravene trådte i kraft 2. august 2026 (EU-kommisjonen, 2026). Å legge det på en liste over ting som skal ordnes «når vi har tid» er en beslutning om å bære risikoen, selv om det sjelden formuleres slik i ledermøtet.

Kostnaden ved å merke en chatbot er en setning og et kvarters arbeid. Kostnaden ved å ikke ha gjort det når en kunde eller et tilsyn spør, er vesentlig høyere, og den kommer på et tidspunkt dere ikke velger.

Spørsmål og svar om GPT-6 Astra og nye AI-modeller

Under er svarene på spørsmålene vi oftest får fra norske ledere når en ny modell dominerer nyhetsbildet.

Bør vi vente på GPT-6 Astra før vi gjør noe

Nei. Å vente på en bestemt modell er å gjøre bedriftens fremdrift avhengig av en annen bedrifts utrullingsplan, og lanseringen viste at den planen kan skli uten klar tidslinje (The Verge).

Start piloten på det som er tilgjengelig i dag. Hvis Astra viser seg å være bedre på deres oppgave, kjører dere testsettet på nytt og bytter. Da har dere allerede baseline, eier og målemetode på plass.

Hvor mye bedre er de nyeste modellene egentlig

Forbedringene er reelle og målbare, men gjelder spesifikke egenskaper. GPT-5.5 fikk en ekspertscore på 93 av 100, og GPT-5.4 matcher eller slår menneskelige fagpersoner i 83 prosent av evalueringene (ZDNet, 2024).

Historisk har tilsvarende sprang blitt dokumentert underveis, som at o3 gjorde 20 prosent færre alvorlige feil enn o1 på vanskelige oppgaver (OpenAI, 2026). For en SMB er spørsmålet likevel om forbedringen treffer akkurat deres oppgave, og det finner dere bare ut ved å teste.

Må vi merke chatboten på nettsiden vår

Ja. Brukere må informeres tydelig når de interagerer med AI, inkludert chatboter, AI-agenter og avatarer, og reglene har vært gjeldende siden 2. august 2026 (EU-kommisjonen, 2026).

Praktisk løser dere det med en synlig melding i chatvinduet før første svar. Bruker dere AI-genererte bilder av mennesker i markedsføringen, gjelder også merkeplikten for slikt innhold.

Er vi høyrisiko etter AI Act

Sannsynligvis ikke. Generativ AI som ChatGPT er ikke klassifisert som høyrisiko, men må overholde transparenskrav og opphavsrettsregler (EU-kommisjonen).

Høyrisikoklassifisering treffer bruk i sammenhenger som rekruttering, kredittvurdering, utdanning og kritisk infrastruktur. Systemene må da vurderes før de settes på markedet og gjennom hele livssyklusen, og de strengeste forpliktelsene gjelder fra 2. desember 2027 (EU-kommisjonen). Bruker dere AI i ansettelser, bør dere sjekke dette spesifikt.

Bør vi velge en åpen modell i stedet

Det avhenger av data og volum. Åpne vekter utgjorde 45 prosent av lanseringene det siste året, og alternativene er reelle (benchlm.ai). Har dere data som ikke bør forlate huset, eller volum som gjør token-prisen merkbar, er det verdt å regne på.

Har dere hverken det ene eller det andre, er en lukket leverandør nesten alltid billigere totalt sett, fordi driften er inkludert. Beslutningen bør tas på data og volum, ikke på prinsipp.

Oppsummering og neste steg

GPT-6 Astra er verdt oppmerksomhet, men ikke av grunnen overskriftene antyder. Lanseringen er en påminnelse om at tilgang, tidslinje og tilgjengelighet er leverandørens beslutninger, ikke deres. Med 130 sporede modellanseringer på tolv måneder er dette et marked som endrer seg raskere enn de fleste innkjøpsprosesser er bygget for (benchlm.ai).

Det praktiske svaret er ikke å velge riktig modell en gang for alle. Det er å bygge en arbeidsmåte der modellvalget er en variabel dere kan endre på en ettermiddag: et testsett fra egen drift, en baseline, et modellnavn som står ett sted, og en person som følger med på pensjoneringslistene.

På regelverkssiden er jobben avgrenset og bør gjøres nå. Transparenskravene har vært gjeldende siden 2. august 2026, bøtene kan nå 15 millioner euro eller en andel av global omsetning, og en synlig melding i chatvinduet koster et kvarter (EU-kommisjonen, 2026). Lag samtidig en to siders oversikt over hvilke AI-systemer dere bruker, til hva, og med hvilke data.

Konkret neste steg: velg en oppgave med volum og fasit, sett en eier og en sluttdato fjorten dager frem, og mål mot dagens løsning. Beslutningen på dag fjorten skal være skalere, justere eller stoppe. Alt annet blir et abonnement ingen har vurdert.

I Alura bygger vi AI-infrastruktur for norske virksomheter, fra dataplattformer til agentiske systemer i produksjon. Vi er ikke en SaaS-leverandør. Vi er håndverkere som setter sammen byggesteinene som faktisk fungerer for din situasjon.

Bestill en arkitektur-samtale: vi går gjennom din nåværende infrastruktur, identifiserer integrasjonspunkter, og foreslår en pragmatisk vei videre. Uforpliktende, 45 minutter.

Kilder

• benchlm.ai. AI Model Release Statistics (2026): Launch Cadence by Lab
• The Verge. Sam Altman apologizes for ‘messy’ GPT-6 Astra rollout that’s locked out paying users
• EU-kommisjonen (2026). Safer and more transparent AI - European Commission
• OpenAI (2026). Model Release Notes | OpenAI Help Center
• ZDNet (2024). Anthropic just upgraded Fable and Mythos – why that matters
• artificialintelligenceact.eu (2024). High-level summary of the AI Act
• EU-kommisjonen. AI Act | Shaping Europe's digital future - European Union
• EU-kommisjonen. EU AI Act: first regulation on artificial intelligence | Topics