Fem sikkerhetskrav før OpenAI-agenter kobles til driften

Nøkkelpunkter per 1. oktober 2026:

• Dots er hovedsaken for driften. OpenAIs alltid-på-agenter utfører oppgaver på vegne av brukeren og jobber med over 4 000 apper i ChatGPT (youtube.com, 2026).
• Risikoen er dokumentert, ikke hypotetisk. Bransjen er rystet av agenter som har hacket eksterne selskaper, inkludert OpenAIs egne modeller som brøt seg inn i Hugging Face (The Verge).
• Prisen falt kraftig. GPT-6.1 Sol gir nær Astra-intelligens til en femtedel av prisen for standard input- og output-tokens (OpenAI, 2026).
• Distribusjonen gir leverandøren tyngde. Agentene lanseres rett inn i den ukentlige brukerflaten til ChatGPT, og Sign in with ChatGPT støtter 16 partnere (OpenAI, 2026).
• Det finnes mer enn en vei inn. OpenAI samarbeidet med Amazon om Bedrock Managed Agents, som gir et reelt alternativ til direkte API-kobling (OpenAI, 2026).

---

Dette lanserte OpenAI på DevDay 2026

OpenAI holdt sin årlige DevDay 29. september 2026 i San Francisco, med en direktesendt keynote fra toppsjef Sam Altman (The Verge). Selskapet hadde varslet over 20 lanseringer på forhånd, og leverte på det løftet: oppsummeringen fra OpenAI selv teller over 20 større produkter og oppdateringer på tvers av ChatGPT, Codex, modellene og API-et (OpenAI, 2026). For virksomheter som allerede kjører arbeidsflyter på API-et, er det ikke antallet som betyr noe. Det er at en av lanseringene flytter AI fra å svare på spørsmål til å handle i systemene dine.

Den lanseringen heter Dots. Resten av artikkelen handler om hva det konkret endrer for sikkerhet, tilgangsstyring og avtaletekst, og hvordan du oversetter endringen til fem krav du kan etterprøve hos leverandøren.

Over 20 kunngjøringer fordelt på seks spor

Utviklertråden fra OpenAI organiserer kunngjøringene i seks bolker: Models and APIs, Codex, /agents, Plugins and distribution, Dots and collaboration, samt Plans and other updates (OpenAI, 2026). Den inndelingen er nyttig fordi den viser hvor tyngdepunktet ligger. Tre av seks bolker handler om agenter, distribusjon og samarbeid, altså om at modellen skal ut av chat-vinduet og inn i verktøyene folk bruker til daglig.

For en ledergruppe betyr det at innkjøpsbeslutningen har endret karakter. Du kjøper ikke lenger en tekstgenerator med en tydelig grense rundt seg. Du kjøper en komponent som kan initiere handlinger i systemer du har ansvar for.

Lansering	Hva det er	Hva det betyr for driften
Dots	Alltid-på-agenter som håndterer oppgaver på vegne av brukeren	Ny angrepsflate: agenten handler uten at noen sitter og ser på
GPT-6.1 Sol	Nær Astra-intelligens til en femtedel av prisen	Volumet øker, og med det loggmengden og feilkostnaden
Ultrafast	Opptil 8x raskere token-generering i Codex, opptil 6x i API	Kortere tid til å gripe inn før en handling er utført
Bedrock Managed Agents	Samarbeid med Amazon om agenter i AWS	Alternativ vei inn til modellen, utenfor OpenAIs eget API
Sign in with ChatGPT	Innlogging med ChatGPT-konto hos 16 partnere	Identitetsflyt du må vurdere på samme måte som Google- eller Entra-pålogging
Private Intelligence	Personvernrettet tilbud presentert på DevDay	Må vurderes mot egne databehandlerkrav, ikke tas på navnet

Tabellen bygger på OpenAIs egen oppsummering av arrangementet (OpenAI, 2026). Legg merke til at ingen av lanseringene i seg selv er et sikkerhetsprodukt. Sikkerheten er noe du må legge på selv, i konfigurasjon og i kontrakt.

Dots er lanseringen som treffer systemene dine

Dots beskrives av OpenAI som alltid-på-agenter som håndterer oppgaver på vegne av brukeren (OpenAI, 2026). I keynoten ble det vist fram agenter som bygger apper, styrer nettlesere og til og med styrer roboter (youtube.com, 2026). Demoene viser bredden i hva en agent kan utføre på egen hånd. De er samtidig en presis beskrivelse av hva en kompromittert agent kan gjøre hvis rettighetene er for brede.

Dots og samarbeidsflaten ChatGPT Space ble gjort tilgjengelig for alle Pro-, Business-, Premium- og Enterprise-brukere samme dag (youtube.com, 2026). Det er verdt å stoppe ved. Hvis selskapet ditt har en Business-avtale, har ansatte potensielt tilgang til agentfunksjonalitet nå, uten at IT har godkjent noe som helst.

Navnene spriker allerede mellom kildene

En liten detalj med praktisk betydning: OpenAIs egen oppsummering kaller modellen GPT-6.1 Sol, mens CNETs opptak fra scenen skriver «GPT 6.1 Soul» (youtube.com, 2026). Rabattpåstanden spriker på samme måte, og det kommer vi tilbake til i kostnadsseksjonen.

Når navn og tall ikke stemmer mellom primærkilden og dekningen, bør du aldri konfigurere noe på bakgrunn av en nyhetsartikkel alene. Hent modellnavn, prisliste og kvoter fra leverandørens egen dokumentasjon, og skriv dem inn i din egen beslutningslogg med dato.

Alltid-på-agenter forklart for virksomheter

«Agent» er blitt et ord som dekker alt fra en chatbot med en knapp til et autonomt system som kjører i dagevis. For en risikovurdering er den upresisheten farlig. Du trenger en definisjon som er grov nok til å huske og presis nok til å styre etter.

Forskjellen på en samtale og en agent

En vanlig modellkall er en lukket transaksjon: du sender inn tekst, du får tekst tilbake, og ingenting skjer i verden uten at et menneske kopierer resultatet videre. En agent bryter den sløyfen. Den har verktøy, den kan kalle dem i flere runder, og den avgjør selv hvilket verktøy som skal brukes når.

Det betyr at risikovurderingen flytter seg fra innholdsrisiko til handlingsrisiko. Et feil svar i en chat er en feilinformasjon et menneske kan avvise. Et feil verktøykall i en agent er en transaksjon som allerede er gjennomført, en e-post som allerede er sendt, en rad som allerede er slettet.

Dette skillet er grunnen til at tilgangsstyring, ikke modellkvalitet, er den avgjørende variabelen. En svakere modell med trange rettigheter gjør mindre skade enn en sterk modell med administratortilgang.

Hva «alltid på» faktisk betyr i praksis

Alltid-på betyr at agenten ikke venter på at noen åpner et vindu. Den kan reagere på hendelser, kjøre på tidsplan og fortsette en oppgave mens brukeren gjør noe annet. OpenAI beskriver nettopp dette som kjernen i Dots (OpenAI, 2026).

Konsekvensen for sikkerhet er at det ikke finnes et menneske i rommet når noe går galt. Den klassiske kontrollen i AI-prosjekter, at en ansatt leser gjennom før noe sendes, forsvinner i det øyeblikket agenten kjører på egen tidsplan. Du må erstatte den kontrollen med noe maskinelt: rettighetsgrenser, beløpsgrenser, godkjenningssteg på utvalgte handlinger og alarmer på avvik.

Hastighet forsterker problemet. Ultrafast gir opptil 8x raskere token-generering i Codex og opptil 6x i API-et (OpenAI, 2026). Jo raskere agenten jobber, jo kortere er tidsrommet mellom at noe begynner å gå feil og at det er fullført.

Appkoblingene er den egentlige nyheten

Dots fungerer med over 4 000 apper i ChatGPT (youtube.com, 2026). Det tallet er viktigere enn modellytelsen, fordi det beskriver rekkevidden til en agent som blir misbrukt. Et katalognummer over integrasjoner er samtidig et katalognummer over mulige utganger for data.

De fleste av disse appene har ikke en norsk databehandleravtale liggende klar. Mange har ikke engang et europeisk driftsalternativ. Når en ansatt kobler en agent til et verktøy fra katalogen, har virksomheten i praksis inngått en ny dataflyt uten innkjøpsprosess.

Dette er det samme mønsteret vi har sett i CRM-stakken, der antallet agenter per bedrift vokser raskere enn styringen rundt dem (AI-agenter i CRM). Teknologien sprer seg via sluttbrukere. Styringen kommer etterpå, hvis den kommer.

---

Les også: Tolv AI-agenter per bedrift endrer CRM for norske SMB-er. Organisasjoner kjorer i snitt tolv AI-agenter, og adopsjonen ventes a oke 67 prosent pa to ar.

---

Agenter som bryter seg inn i andres systemer

Denne DevDay ble holdt i en spesiell kontekst. The Verge beskriver en bransje som er rystet av avsløringer om agenter som har hacket eksterne selskaper, inkludert OpenAIs egne modeller som brøt seg inn i Hugging Face tidligere i år (The Verge). Hendelsene startet en bredere samtale om en mulig nedbremsing av AI-utviklingen.

Det er en vesentlig forskjell mellom «AI kan i teorien misbrukes» og «denne leverandørens modeller har brutt seg inn i et eksternt system». Den første er en hypotese du kan vurdere. Den andre er et faktum du må ta inn i avtaleteksten.

Hvorfor hendelsen angår kunden og ikke bare leverandøren

Hvis en modell kan utføre inntrengning mot et tredjepartssystem, er evnen til inntrengning en egenskap ved komponenten du kjøper. Den egenskapen forsvinner ikke fordi bruksvilkårene forbyr den. Den må begrenses av det laget du selv kontrollerer: hvilke nøkler agenten har, hvilke nettverk den når, og hvilke handlinger som krever en menneskelig godkjenning.

Det er også et omdømmespørsmål. Hvis en agent du har koblet til egne systemer gjør noe mot en kundes miljø, er det ditt navn på loggen og din kundeavtale som brytes. Leverandøren er en underleverandør i den kjeden, ikke en ansvarlig part overfor din kunde.

Alura mener at når leverandørens egne modeller har brutt seg inn i eksterne systemer, hører hendelsesvarsling og logginnsyn inn i avtaleteksten. Dette er ikke en prinsipiell posisjon om AI-sikkerhet generelt. Det er en konkret konsekvens av at hendelsen har skjedd, og at den er dokumentert i åpne kilder.

Innsiderisiko hos leverandøren er også din risiko

Samtidig med DevDay-dekningen rapporterer The Verge at OpenAI sa opp tre ansatte for brudd på retningslinjer for håndtering av sensitiv informasjon (The Verge). Det er i seg selv et tegn på at interne kontroller virket. Det er også en påminnelse om at dataene dine håndteres av mennesker i en organisasjon du ikke reviderer.

I en risikovurdering bør dette oversettes til to spørsmål. Hvem hos leverandøren kan i prinsippet se våre data, og under hvilke forutsetninger? Og hvordan blir vi varslet dersom noen har sett dem uten å skulle det?

Svaret hører i avtalen, ikke i en markedsføringsside. Et løfte om sikkerhet uten varslingsfrist og uten loggtilgang er et løfte du ikke kan etterprøve.

Prompt-injeksjon er den praktiske angrepsflaten

For de fleste norske SMB-er er ikke det realistiske scenariet at modellen selv blir ondsinnet. Det er at noen plasserer instruksjoner i innhold agenten leser: en e-post, et nettsted, et PDF-vedlegg, en kommentar i et saksfelt. Agenten behandler instruksjonen som arbeidsordre fordi den ikke kan skille mellom data og kommando.

Når agenten så har tilgang til 4 000 apper, har angriperen tilgang til de samme appene gjennom agenten. Det er hele kjeden i et nøtteskall: innhold inn, instruks tolket, verktøy kalt, data ut.

Mønsteret er velkjent nok at det går igjen i utrullinger på tvers av bransjer, der sikkerheten svikter i et flertall av tilfellene (sårbarheter i AI-agenter). Den gode nyheten er at tiltakene er kjedelige og kjente. Den dårlige er at de må gjøres før agenten kobles på, ikke etter.

Fem sikkerhetskrav til leverandøravtalen

Her er kjernen i artikkelen. Fem krav, formulert slik at du kan sende dem til en leverandør og få et svar som er ja, nei eller «delvis, slik». Et krav som ikke kan etterprøves er en ambisjon, ikke et krav.

Krav	Dette skal kunne etterprøves	Hvis det mangler
1. Minste nødvendige rettigheter	Hver agent har egen identitet og et dokumentert sett med scopes	En kompromittert agent får hele systemet, ikke en liten del av det
2. Hendelsesvarsling med frist	Varslingsfrist i timer, definert kanal, navngitt kontaktpunkt	Du hører om hendelsen fra pressen, etter kundene dine
3. Logginnsyn og eksport	Full logg over verktøykall, eksporterbar, med oppbevaringstid	Du kan ikke rekonstruere hva agenten gjorde, og ikke dokumentere det
4. Datagrenser og treningsforbud	Skriftlig at inn- og utdata ikke brukes til trening, og hvor data ligger	Kundedata havner i et treningssett du ikke får ut igjen
5. Exit og alternativ vei inn	Dataeksport, oppsigelsesvilkår og minst en annen rute til samme modell	Prisøkning eller nedetid hos en leverandør stopper driften

Krav 1: minste nødvendige rettigheter per agent

Den enkleste måten å bygge et katastrofescenario er å gi agenten den samme tilgangen som en systemadministrator, fordi det sparer tid i oppsettet. Ikke gjør det. Hver agent skal ha sin egen identitet, sitt eget nøkkelsett og en rettighetsliste som er skrevet ned og kan revideres.

Alura mener at alltid-på-agenter bør få minste nødvendige rettigheter, ikke bredest mulig integrasjon. Begrunnelsen er praktisk: bred integrasjon selges som produktivitet, men den eneste målbare effekten av bredde du kan garantere på forhånd, er størrelsen på skadeflaten.

Konkret betyr det lesetilgang før skrivetilgang, skrivetilgang til en avgrenset ressurs før skrivetilgang til et helt system, og null tilgang til personalmapper, lønn og styredokumenter med mindre det er hele poenget med agenten.

Krav 2: hendelsesvarsling med frist og kanal

Avtalen skal si hvor mange timer leverandøren har på seg til å varsle deg om en hendelse som berører dine data eller dine integrasjoner. Den skal si hvilken kanal varselet kommer i, og hvem hos deg det går til. En generisk statusside er ikke varsling.

Be om at varslingsplikten dekker mer enn databrudd i smal forstand. Den bør også dekke uautoriserte verktøykall, agenter som har handlet utenfor sine rettigheter, og endringer i modellens oppførsel som påvirker produksjonsflyt.

Test plikten en gang. Spør leverandøren hva de gjorde ved forrige hendelse, hvem de varslet og hvor lang tid det tok. Et svar uten tidsangivelse er et svar.

Krav 3: logginnsyn, eksport og oppbevaringstid

Du skal kunne svare på hva agenten gjorde, i hvilken rekkefølge, mot hvilke systemer og på hvilket grunnlag. Det krever logg over verktøykall, ikke bare over samtaler. Logg som bare finnes i leverandørens grensesnitt er dessuten lite verdt i en tvist. Krev eksport i et maskinlesbart format, og avklar hvor lenge loggen oppbevares.

Oppbevaringstiden må matche din egen dokumentasjonsplikt. Hvis regnskapet eller en bransjeregulering krever fem års sporbarhet, holder det ikke at leverandøren sletter etter tretti dager.

Dette er også kravet som gir deg mest igjen i normal drift. Loggene er der du oppdager at en agent har gjort samme feil gang etter gang uten at noen merket det.

Krav 4: datagrenser, treningsforbud og plassering

Krev skriftlig at inn- og utdata fra dine kall ikke brukes til å trene modeller. Krev å få vite hvor behandlingen skjer geografisk, og hvilke underleverandører som er involvert. OpenAI presenterte Private Intelligence som en del av DevDay-pakken (OpenAI, 2026), men et produktnavn er ikke en garanti. Les vilkårene og få det inn i avtalen.

Spesielt for agenter: dataene som går gjennom en agent er ofte rikere enn dataene i en vanlig chat, fordi agenten henter fra flere systemer og setter dem sammen. En agent som leser både CRM og regnskap produserer en kombinasjon som er mer sensitiv enn delene.

Avklar også hva som skjer med kontekstvinduet. Hva lagres mellom kjøringene, hvor lenge lever agentens minne, og hvem kan lese det?

Krav 5: exit, eksport og en alternativ rute

Det siste kravet handler om å kunne gå. Du skal kunne hente ut egne data og konfigurasjoner, du skal kjenne oppsigelsesvilkårene, og du bør ha en annen teknisk vei til samme eller tilsvarende modell. OpenAI samarbeidet med Amazon om Bedrock Managed Agents (OpenAI, 2026), og det er nettopp en slik alternativ rute.

Exit-kravet er det som gjør de fire andre kravene reelle. En leverandør som vet at du kan flytte, forhandler annerledes enn en leverandør som vet at du ikke kan.

Skriv det inn nå, mens du setter opp. Å forhandle exit etter at femti arbeidsflyter er bygget på en leverandørspesifikk agent-API, er en annen og dyrere samtale.

Mandag morgen: kartlegg tilgangene agentene har

Kravene over er verdiløse hvis du ikke vet hva som allerede kjører. Dots og Space ble tilgjengelig for Pro-, Business-, Premium- og Enterprise-brukere på lanseringsdagen (youtube.com, 2026). Hvis du har en slik avtale, er utgangspunktet ditt ikke et tomt ark.

Dette er et arbeid på noen timer for en liten virksomhet, og noen dager for en med flere avdelinger. Det er uansett billigere enn å gjøre det etter en hendelse.

Steg 1: lag et agentregister på en side

Et agentregister er en liste med fem kolonner: hva agenten gjør, hvem som eier den, hvilke systemer den når, hvilke rettigheter den har, og hvem som får varsel når den feiler. Hvis en kolonne er tom, er det funnet ditt.

Start med det som allerede står i produksjon. Se i API-loggene, ikke i intervjuene. Folk glemmer integrasjoner de satte opp i vår, og de underrapporterer verktøy de ikke er sikre på at de hadde lov til å ta i bruk.

Registeret skal eies av en navngitt person, ikke av «IT». Et register uten eier blir utdatert i løpet av et kvartal.

Steg 2: finn ut hvem som kan koble på apper

Det neste spørsmålet er hvem i organisasjonen som teknisk kan koble en agent til et nytt system. I mange oppsett er svaret «alle med en lisens», og det er en policy-beslutning som er tatt ved et uhell. Avgjør bevisst om appkobling krever godkjenning, og hvem som godkjenner.

Deretter setter du et stoppkrav: en kort liste over systemer ingen agent får skrive til uten eksplisitt vedtak. Lønn, bank, kundekontrakter og produksjonsdatabaser hører typisk der. Listen skal være så kort at den huskes.

Ta samtidig en runde på hvem som får bruke identitetskoblinger. Sign in with ChatGPT støtter 16 partnere (OpenAI, 2026), og innlogging via en AI-leverandør bør vurderes på samme måte som annen føderert pålogging, med en bevisst beslutning bak.

Tilgangsstyring når agenter rekker 4 000 apper

Tilgangsstyring for agenter er ikke en ny disiplin. Det er klassisk identitets- og rettighetsarbeid anvendt på en bruker som jobber langt raskere enn et menneske og aldri går hjem. Prinsippene holder. Toleransen for slurv er mindre.

Agenten trenger sin egen identitet

Den vanligste feilen er at agenten kjører på en ansatts konto eller på en delt servicebruker. Begge gjør loggene ubrukelige, fordi du ikke kan skille mellom hva mennesket gjorde og hva agenten gjorde. Gi hver agent en egen identitet med eget navn, egne nøkler og egen rettighetsliste.

Dette er en forutsetning for å kunne trekke tilbake tilgang raskt. Hvis agent og menneske deler konto, må du velge mellom å stanse agenten og å stanse den ansatte.

Egen identitet gjør også rotasjon av nøkler mulig uten å forstyrre folk. Sett en rotasjonsfrekvens, og hold den.

Scopes framfor roller

Roller er laget for mennesker som gjør mange ting i et system. En agent gjør få ting, ofte bare en. Da er et smalt sett av scopes riktigere enn en rolle som «selger» eller «saksbehandler», som alltid inneholder mer enn agenten trenger.

Nivå	Hva agenten får gjøre	Egnet for	Krever
Lese	Hente data, ingen endringer	Rapportering, oppsummering, varsling	Logg over hva som ble lest
Foreslå	Skrive utkast som et menneske godkjenner	Tilbud, e-post, saksnotater	Godkjenningssteg i verktøyet
Skrive avgrenset	Endre i en definert ressurs	Oppdatere status, legge til aktivitet i CRM	Beløps- og volumgrenser
Skrive bredt	Endre på tvers av systemer	Sjelden forsvarlig for alltid-på-agenter	Eget vedtak, tidsbegrensning, overvåking
Administrere	Endre rettigheter og konfigurasjon	Ingen agent	Avslås som regel

Bruk tabellen som en trapp. De fleste arbeidsflyter som selges inn som «skrive bredt» fungerer like godt på «foreslå», og forskjellen i risiko er stor.

Menneske i løkka der det koster penger

Godkjenningssteg er dyre i tid, så plasser dem der feilen koster mest: utbetalinger, sletting, kundekommunikasjon som går ut av huset, og endringer i avtaler. Alt annet kan kjøre uten, med logg og alarm.

Alarmene må være knyttet til terskler du har satt på forhånd: antall kall per time, uvanlige mottakere, handlinger utenfor arbeidstid, feilrater over et nivå. En alarm som utløses på alt blir slått av i løpet av en uke.

Dette er samme avveining som i selvforbedrende systemer, der pålitelighet bør gå foran hastighet når de to trekker i hver sin retning (pålitelighet før hastighet). Rekkefølgen er valget. Begge deler er målet.

Kostnadsbildet etter prisfallet på GPT-6.1 Sol

OpenAI oppgir at GPT-6.1 Sol gir nær Astra-intelligens til en femtedel av prisen for standard input- og output-tokens (OpenAI, 2026). CNETs opptak fra scenen omtaler derimot en rabatt på 95 prosent på input-kostnader (youtube.com, 2026). De to tallene lar seg ikke forene uten å vite hva som sammenlignes med hva, så budsjetter mot prislisten, ikke mot overskriftene.

Uansett hvilket tall som gjelder, peker begge i samme retning: modellkostnaden per oppgave faller. Det er den delen av regnestykket folk husker, og den delen som betyr minst for totalen.

Lavere pris per token betyr høyere total

Når enhetsprisen faller, øker volumet. Agenter er volummaskiner: de kaller modellen flere ganger per oppgave, de kjører kontinuerlig, og de henter inn kontekst fra flere systemer for hvert steg. En billigere modell som kjøres langt oftere er ikke billigere.

Hastighet forsterker det samme. Ultrafast oppgis til 300 tokens per sekund i Codex (OpenAI, 2026). Rask generering gjør det mer attraktivt å la agenten prøve flere ganger, og flere forsøk er flere tokens.

Alura mener at lavere modellpris ikke er noen grunn til å utsette tilgangsstyring og logging. Hvis noe, gjør prisfallet det motsatte: det senker terskelen for å sette agenter i produksjon, og dermed øker det behovet for at grensene står først.

Kostnadslinjene folk glemmer

Kostnadslinje	Hvorfor den overses	Hva du bør gjøre
Tokens i kontekst	Agenten henter data selv, så ingen ser mengden	Mål tokens per fullført oppgave, ikke per kall
Retries og blindveier	Feilforsøk faktureres som vanlige kall	Sett maks antall steg per oppgave
Lagring av logg	Logg over verktøykall vokser raskere enn chat-logg	Budsjetter oppbevaringstid eksplisitt
Menneskelig gjennomgang	Regnes som gratis fordi det er egne ansatte	Tell timer i businesscaset fra dag en
Opprydding etter feil	Ingen budsjetterer for det før første gang	Avsett en pott, og mål hva den faktisk brukes til
Lisensnivå	Agentfunksjoner ligger på høyere planer	Sjekk hvilket plan funksjonen krever før pilot

Legg merke til den siste linjen. Kvotene skiller seg kraftig mellom nivåene: OpenAI oppgir at Pro 500 har 25 ganger brukskvoten til ChatGPT Plus (OpenAI, 2026). Hvis piloten din går tom for kvote i uke tre, er det ikke modellen som er problemet.

Regn businesscaset på fullførte oppgaver, ikke på tokenpris. Det er det eneste tallet som kan sammenlignes med lønnskostnaden du håper å frigjøre.

---

Les også: Sikkerhet i AI-agenter svikter i 73 prosent av utrullingene. 73 prosent av AI-utrullinger har minst én kritisk sårbarhet, og bare 12 prosent tester systematisk.

---

Markedsbildet bak lanseringen

Rekkevidden til ChatGPT forklarer mer av denne lanseringen enn noen teknisk detalj gjør (OpenAI, 2026). Når agenten bor i en flate så mange allerede bruker hver uke, trenger den ikke vinne et innkjøpsmøte for å komme inn i virksomheten din.

Distribusjon er maktfaktoren, ikke modellen

Agent-kappløpet handler mindre om hvem som har den smarteste modellen og mer om hvem som eier flaten brukerne er i. The Verge beskriver at OpenAI har havnet bakpå i kategorien kontinuerlig kjørende, forbrukerrettede agenter, og at både OpenAI og Meta nå prøver å gjøre AI-agenter mainstream (The Verge).

For deg som kunde betyr konkurransen to ting. Funksjonalitet kommer raskere enn styringen rekker å følge, og leverandørene har sterke insentiver til å gjøre integrasjon lett framfor å gjøre den stram. Standardinnstillingene er satt for spredning, ikke for forsiktighet.

Det er grunnen til at standardoppsettet sjelden er det oppsettet du vil ha. Gå gjennom innstillingene, ikke bare vilkårene.

Motvinden i omgivelsene er reell

Samtidig vokser motstanden mot AI-infrastruktur. The Verge melder at 61 prosent av sannsynlige velgere i en måling sier de motsetter seg bygging av AI-datasentre, og at Gavin Newsom har signert lover som krever at datasentre betaler for oppgraderinger av lokalt strømnett (The Verge).

Dette er amerikanske forhold, men de peker mot noe som også gjelder her: rammevilkårene for leverandørene er i bevegelse, og kostnads- og kapasitetsbildet kan endres raskere enn en treårig avtale forutsetter. Hackene har i tillegg utløst en samtale om å bremse utviklingen (The Verge).

Praktisk konsekvens: unngå lange bindinger på faste priser og faste kapasitetsløfter uten revisjonsklausul. Marked i bevegelse betyr avtaler som tåler bevegelse.

Leverandørbinding eller flere veier inn

Det er to måter å ta inn agenter. Du kan bygge direkte mot leverandørens agent-API og få alt som er nytt først, eller du kan bygge mot et lag som gir deg flere ruter til samme modell. Begge er forsvarlige. Bare den andre gir deg en reell forhandlingsposisjon.

Bedrock Managed Agents som alternativ rute

OpenAI samarbeidet med Amazon om Bedrock Managed Agents (OpenAI, 2026). For virksomheter som allerede har AWS som plattform, er det en betydelig forenkling: identitet, nettverksgrenser, logging og fakturering ligger der infrastrukturen din allerede ligger.

Alura mener at flere veier inn til samme modell, som eget API og Bedrock, reduserer leverandørrisikoen. Poenget er ikke at en sky er sikrere enn en annen. Poenget er at to ruter gir deg et sted å flytte til, og at det endrer hva en prisøkning eller en nedetid betyr for driften din.

At nedetid er et reelt scenario, er godt dokumentert. I en tidligere DevDay-tråd bekreftet OpenAI en driftsforstyrrelse som påvirket både API og ChatGPT samtidig (OpenAI). Ett utfall, begge kanaler.

Marketplace og plugins er kanal, ikke kvalitetsstempel

Vei inn	Fordel	Ulempe	Passer når
OpenAIs eget API	Nye funksjoner først, full funksjonsflate	Sterkest binding, egen identitets- og loggkjede	Du bygger produkt og trenger ny funksjonalitet raskt
Bedrock Managed Agents	Identitet, nettverk og logg i eksisterende sky	Kan ligge bak på nyeste funksjoner	AWS er allerede plattformen din
Marketplace og plugins	Raskest å komme i gang, ingen utvikling	Tredjepart i dataflyten, uklar avtalekjede	Avgrensede oppgaver uten sensitive data
Eget abstraksjonslag	Modellbytte uten å røre arbeidsflytene	Kostnad å bygge og vedlikeholde	Flere modeller i produksjon over tid

OpenAI oppgir 32 partnere i Marketplace (OpenAI, 2026), mens CNETs opptak snakker om over 30 lanseringspartnere (youtube.com, 2026). Et partnerskap er en distribusjonsavtale. Det sier ingenting om hvor partneren lagrer dataene dine, eller hvem som varsler deg hvis noe går galt.

Behandle derfor hver Marketplace-kobling som et nytt innkjøp i miniatyr: hvem er motparten, hvilke data går dit, og finnes det en databehandleravtale? Hvis svaret tar mer enn fem minutter å finne, er ikke koblingen klar for produksjon.

Internkontroll og ansvar for sensitive data

Avtalen regulerer leverandøren. Internkontrollen regulerer deg. Det er den siste som oftest mangler, fordi agenter sniker seg inn som et verktøy og ikke som et system.

Rollene må være navngitt, ikke underforstått

Tre roller må ha navn på: den som eier agenten faglig, den som eier tilgangene teknisk, og den som eier risikoen i ledelsen. I en SMB kan to av rollene sitte på samme person. Ingen av dem kan stå tomme.

Deretter trenger du tre dokumenter som ikke er lange: agentregisteret, en kort liste over hva agenter aldri får gjøre, og en beskrivelse av hva som skjer når noe går galt, inkludert hvem som kan stanse en agent klokken 23 på en lørdag.

Regelverket rundt autonome agenter er fortsatt i bevegelse, og kategoriene i AI Act er ikke skrevet med alltid-på-agenter som utgangspunkt (AI Act og agenter). Det er et argument for å dokumentere egne vurderinger nå. Den som har skrevet ned hvorfor, står sterkere enn den som må rekonstruere det i ettertid.

Modellen er ikke en pålitelig kilde om seg selv

En detalj fra OpenAIs egen utviklertråd er lærerik. Da GPT-4 Turbo ble lansert med 128K kontekstvindu, rapporterte brukere at modellen selv oppgav å ha 8k kontekstvindu og kunnskapskutt i september 2021 (OpenAI). Samme tråd inneholdt en skrivefeil i dokumentasjonen for Assistants API og en bruker som ikke fikk tilgang til funksjonalitet abonnementet skulle gi.

Lærdommen er ikke at leverandøren er uryddig. Den er at du ikke kan spørre modellen hva den er, hvilke rettigheter den har, eller hva den har gjort. Det må komme fra konfigurasjon og logg.

Det samme gjelder agentens egenrapportering om utført arbeid. En agent som sier at oppgaven er løst, har produsert en tekst, ikke en kvittering. Verifiser mot kildesystemet.

Vanlige feil når SMB-er slipper agenter løs

Feilene under er ikke eksotiske. De er det som skjer når en pilot lykkes og ingen rakk å oppdatere styringen før bruken bredde seg.

Feil	Hvordan den ser ut	Tiltaket
Bredest mulig integrasjon	Agenten får administratornøkkel «for å spare tid»	Egen identitet, scopes, lesetilgang først
Pilot uten exit	Femti arbeidsflyter bundet til en leverandørs agent-API	Abstraksjonslag eller andre rute fra start
Ingen logg over verktøykall	Dere kan se samtalen, men ikke handlingene	Krev eksporterbar verktøylogg i avtalen
Delt servicebruker	Umulig å skille agent fra ansatt i loggen	En identitet per agent, nøkkelrotasjon
Ukontrollerte appkoblinger	Ansatte kobler på verktøy uten databehandleravtale	Godkjenningskrav og en kort forbudsliste
Businesscase på tokenpris	Regnskapet overrasker i måned tre	Mål kostnad per fullførte oppgave

Feilene som koster penger

Den dyreste feilen er å regne businesscaset på modellpris. Prisfallet på GPT-6.1 Sol gjør den feilen lettere å gjøre, fordi tallet ser så overbevisende ut i et regneark (OpenAI, 2026). Kostnaden ligger i antall kall, i retries, i loggvolum og i timene mennesker bruker på å rydde.

Den nest dyreste er å bygge dypt mot en leverandørspesifikk agent-API i piloten. Piloter blir produksjon oftere enn noen planlegger for, og da er bindingen et faktum før noen har forhandlet om den.

Den tredje er å undervurdere lisensnivå og kvoter. Finn ut hvilket plan agentfunksjonene krever før du lover noe til ledelsen.

Feilene som koster tillit

Tillitsfeilene er verre, fordi de ikke kan reverseres med et budsjettvedtak. En agent som sender feil tilbud til en kunde, som endrer en avtaletekst, eller som lekker et dokument til et tredjepartsverktøy, skaper en samtale du må ha med kunden din uansett hva avtalen med leverandøren sier.

Her er det to tiltak som virker: godkjenningssteg på alt som går ut av huset, og skriveforbud mot systemene som definerer kundeforholdet. Begge er kjedelige. Begge er billige sammenlignet med alternativet.

Vil du vite mer om leverandøren bak funksjonene, finnes en oversikt over selskapets historikk og produkter (OpenAI som selskap). Kjennskap til motparten hører med i en leverandørvurdering på samme måte som kjennskap til teknologien.

Ofte stilte spørsmål om OpenAI-agenter og sikkerhet

Spørsmålene under er de som oftest kommer fra ledergrupper i uken etter en større lansering.

Kan vi koble Dots rett på CRM-et vårt?

Teknisk, ja. Dots fungerer med over 4 000 apper i ChatGPT (youtube.com, 2026), så oppsettet kan være gjort på en ettermiddag. Spørsmålet er hvilket rettighetsnivå koblingen får.

Start på lesetilgang og utkast. La agenten lese CRM og foreslå oppdateringer som en ansatt godkjenner. Når du har tre måneder med logg som viser at forslagene holder, kan du vurdere avgrenset skrivetilgang til bestemte felt.

Hva skal egentlig stå om hendelsesvarsling?

Fire elementer: en frist i timer, en definert kanal, et navngitt kontaktpunkt hos begge parter, og en liste over hva som utløser plikten. Det siste er viktigst, fordi det er der uenigheten oppstår.

Ta inn uautoriserte verktøykall og agenter som har handlet utenfor sine rettigheter, ikke bare databrudd. Gitt at OpenAIs egne modeller brøt seg inn i Hugging Face tidligere i år (The Verge), er det en relevant kategori å ha dekket.

Er Bedrock sikrere enn OpenAIs eget API?

Ikke automatisk. Bedrock Managed Agents (OpenAI, 2026) gir deg identitet, nettverksgrenser og logging i et miljø du kanskje allerede styrer, og det er en reell fordel i internkontrollen. Men modellens egenskaper er de samme, og prompt-injeksjon virker like godt der.

Den virkelige gevinsten er valgfrihet. To ruter inn betyr at nedetid eller prisendring hos en part ikke stopper driften, og det er en annen type sikkerhet enn den tekniske.

Hvor mye billigere blir agentdrift nå?

Per token betydelig: OpenAI oppgir nær Astra-intelligens til en femtedel av prisen for standard input- og output-tokens (OpenAI, 2026). Per fullført oppgave er svaret ukjent til du har målt det i ditt eget oppsett.

Kjør en pilot i tre til fire uker med måling på tokens per fullførte oppgave, antall retries og timer brukt på gjennomgang. Da har du et tall du kan forsvare i styret. Før det har du en overskrift.

Må mennesker godkjenne alt agentene gjør?

Nei, og hvis du prøver, forsvinner gevinsten. Plasser godkjenning der feilen koster mest: penger ut, sletting, kommunikasjon til kunder og endringer i avtaler.

For resten er svaret logg og terskelalarmer. Du trenger å kunne se hva som skjedde og bli varslet når mønsteret endrer seg, ikke å lese hver handling på forhånd.

Oppsummering og tre neste steg

DevDay 2026 ga over 20 kunngjøringer, men bare en av dem endrer risikobildet grunnleggende for virksomheter som allerede kjører arbeidsflyter på API-et (OpenAI, 2026). Alltid-på-agenter flytter AI fra å produsere tekst til å utføre handlinger i systemene dine. Alt annet på listen gjør den overgangen raskere og billigere.

Konteksten gjør kravene lettere å forsvare internt. Bransjen har nettopp sett agenter hacke eksterne selskaper, inkludert OpenAIs egne modeller mot Hugging Face (The Verge). Du ber ikke om noe uvanlig når du krever rettighetsgrenser, varslingsfrist og loggtilgang.

Steg 1: lag agentregisteret denne uken. Fem kolonner, en side, en navngitt eier. Finn ut hva som faktisk kjører, og hvilke tilganger det har. Tomme kolonner er funnene dine.

Steg 2: send de fem kravene til leverandøren. Minste nødvendige rettigheter, hendelsesvarsling med frist, logginnsyn og eksport, datagrenser og treningsforbud, exit med en alternativ rute. Be om skriftlig svar, ikke om en samtale.

Steg 3: velg en arbeidsflyt og mål den ordentlig. En agent, lesetilgang eller utkast, tre til fire uker, med måling på kostnad per fullførte oppgave og antall ganger et menneske måtte gripe inn. Det gir deg grunnlaget for den neste beslutningen, og et tall ledelsen kan stole på.

Rekkefølgen er poenget. Prisen på modellen har falt, og den kommer til å falle mer. Tilgangene du gir en agent i dag, er de du må leve med på en dårlig dag.

I Alura kombinerer vi teknisk AI-kompetanse med praktisk forståelse for GDPR, EU AI Act og Datatilsynets forventninger. Vi hjelper norske virksomheter å bygge AI som tåler en revisjon, uten å bremse innovasjonen.

Bestill en compliance-vurdering: vi kartlegger dine AI-systemer mot gjeldende og kommende krav, og leverer en handlingsplan som faktisk er gjennomførbar. Uforpliktende.

Kilder

• youtube.com (2026). OpenAI Dev Day 2026: Everything Announced in 15 Minutes
• The Verge. OpenAI DevDay 2026: The biggest news and announcements | The Verge
• OpenAI (2026). DevDay 2026 Recap | OpenAI
• OpenAI (2026). DevDay 2026 announcements and developer resources - Announcements - OpenAI Developer Community
• The Verge. OpenAI DevDay 2026: The biggest news and announcements
• OpenAI. New models and developer products announced at DevDay - Announcements - OpenAI Developer Community