Marknaden spretar – Apple höjer priserna

Patronus AI, grundat av tidigare Meta-forskare, har tagit in 50 miljoner dollar för att bygga simulerade testmiljöer där AI-agenter utsätts för verkliga scenarion innan de driftsätts. Tanken är enkel men viktig: innan en AI-agent släpps lös i skarp miljö bör den testas ordentligt – något som visat sig vara ett hett område just nu, enligt bolagets investerare.

Forskare pekar på ett växande glapp: multimodala AI-modeller (som kan hantera text, bild, ljud och video samtidigt) utvecklas snabbare än verktygen för att utvärdera dem. De flesta befintliga tester mäter uppgifter isolerat och missar om modellen faktiskt förstår hur modaliteterna hänger ihop – exempelvis rumslig och tidsmässig sammanhang eller fysisk världsförståelse. Det är lite som att bedöma en tolks förmåga genom att bara testa varje språk separat, aldrig i faktisk konversation.

Forskare föreslår 'Clinical Harness', en arkitektur för att registrera, styra och övervaka AI-förmågor inom sjukvården – istället för dagens isolerade modeller som saknar kontinuitet. Tanken är att AI-verktyg ska kunna följas och regleras under hela patientens vårdprocess, med osteoporos som konkret exempel. Det är i grunden ett styrningsproblem snarare än ett tekniskt: vem är ansvarig när AI:n fattar kliniska beslut över tid?

OpenAI rapporterar att den interna användningen av Codex – deras AI-verktyg för kodgenerering – har exploderat sedan november 2025: forskarteamet genererar 56 gånger mer output, kundsupport 32 gånger mer, och ingenjörerna 27 gånger mer. Det intressanta här är inte bara siffrorna utan vad de antyder – att AI-assisterade arbetsflöden faktiskt har förändrat hur folk jobber på riktigt, inte bara i demos.

Amerikansk lagstiftning (H.R. 238) och en pilotprojekt i Utah börjar ge AI rätt att självständigt skriva ut mediciner – men en enkät med 136 förskrivande läkare visar att de inte accepterar det utan tydliga säkerhetsventiler. Läkarna krävde att systemet ska kunna kommunicera sin egen osäkerhet (om den beror på kunskapsluckor hos modellen eller på genuint medicinskt svåra fall) och eskalera till en människa när trösklarna överskrids. Slutsatsen är lite ironisk: ett AI-system som uppfyller dessa krav skulle i praktiken fungera som ett välövervakat beslutsstöd snarare än en autonom agent.

General Intuition har tagit in 320 miljoner dollar för att träna AI på speldata – tanken är att det enorma flödet av beslutsfattande i actionspel kan lära AI att reagera mer intuitivt, ungefär som människor gör. Det är ett intressant experiment: spel erbjuder täta, väldefinierade feedback-loopar som traditionella träningsdata sällan matchar.

LangChain har uppdaterat sin plattform LangSmith med bland annat en 'on-call copilot' för att sortera systemlarm automatiskt samt röstbaserad felsökning av AI-agenter (program som självständigt utför uppgifter). Uppdateringen inkluderar även så kallade Deep Agents Rubrics – ett ramverk för att utvärdera hur väl agenter presterar – plus stöd för att programmatiskt skapa underagenter. Det är i grunden en verktygslådeuppdatering för utvecklare som bygger agentbaserade system, men röstfelsökning och larmhantering pekar på att LangChain siktar mot mer driftkritisk användning.

Simon Willison dyker ner i frågan om juridiskt ansvar när AI-system orsakar skada – ett område som fortfarande saknar tydliga svar. Kärnfrågan är om ansvaret ska ligga hos utvecklarna, företagen som driftsätter modellerna, eller slutanvändarna, och hur befintlig lagstiftning överhuvudtaget passar på teknik som ingen riktigt förutsåg.

Hugging Face har lanserat stöd för att köra vLLM (ett verktyg för att snabbt servera AI-modeller) direkt via deras HF Jobs-tjänst – med ett enda terminalkommando. Det gör det betydligt enklare att sätta upp en egen inferensserver (alltså en server som svarar på AI-förfrågningar) utan att behöva hantera komplex infrastruktur. Smidigt för utvecklare som vill testa eller driftsätta öppna modeller utan krångel.

General Intuition har tagit in 320 miljoner dollar på en ovanlig idé: att träna AI på miljontals timmar av speldata från spel som Fortnite, i hopp om att det ska ge AI mer intuitivt beslutsfattande. Tanken är att spelarnas snabba, situationsanpassade val är ett bättre råmaterial än traditionella dataset – ungefär som att låta AI:n lära sig av mänsklig reflex snarare än mänsklig logik.

Databricks tidigare AI-chef har lanserat Un-0, ett system för bildgenerering som påstås kunna minska AI:s energiåtgång med hela 1 000 gånger jämfört med konventionella metoder. Systemet är det första konkreta beviset på att tekniken faktiskt kan matcha traditionella AI-modeller – och om siffrorna stämmer är det här ett sällsynt fall där energieffektivitet och prestanda går hand i hand.

OpenAI presenterar sitt första egenutvecklade AI-chip, framtaget i samarbete med halvledartillverkaren Broadcom, och det ska heta Jalapeño. Det är ett tydligt steg mot att minska beroendet av Nvidia, som idag dominerar marknaden för AI-träningshårdvara. Namnvalet är lite oväntat – men kanske passande för ett bolag som vill sätta lite hetta i chipbranschen.

Trots att AI pekas ut som orsak till uppsägningar i techbranschen visar en ny rapport från riskkapitalbolaget Signalfire att utvecklare faktiskt håller ställningen. Hos tolv av världens största techbolag stod utvecklare för 55 procent av alla nyanställningar 2025, jämfört med 46 procent 2019 – och rekryteringen av utvecklare minskade bara med 11 procent mot branschsnittet på 25 procent under toppåret 2019. Rapporten bygger på karriärdata från över 80 miljoner företag, så det är inte en liten datamängd.