AI-marknaden flyttar fokus från modellen till agentplattformen

Under stora delar av AI-boomen har diskussionen kretsat kring en relativt enkel fråga:

Vilken modell är bäst?

GPT, Claude, Gemini, Grok, Qwen, DeepSeek och andra modeller har kontinuerligt jämförts utifrån resonemang, kodning, multimodalitet, context windows och benchmarkresultat.

Men under andra halvan av 2026 börjar en annan utveckling bli minst lika viktig.

Det handlar om vad som byggs runt modellen.

Fyra aktuella förändringar illustrerar utvecklingen särskilt tydligt:

  1. Nvidia gör en enorm strategisk satsning på open-weight genom Poolside och Nemotron.
  2. ChatGPT Tasks kan triggas automatiskt av verkliga händelser via webhooks.
  3. GitHub Copilot förändrar hur nya AI-modeller blir tillgängliga inom företag.
  4. OpenClaw fortsätter utvecklas från chatbotramverk till fullständig agent-runtime.

Gemensamt för dem är att AI-systemet i allt större utsträckning börjar se ut så här:

Event → Agent → Tools / MCP / Browser → Model Router → Local AI / Open-weight / Cloud frontier model → Action

Det är en betydligt större förändring än ännu ett modellsläpp.

Nvidia satsar omkring sex miljarder dollar på Poolside

Den största strategiska nyheten kommer från Nvidia.

Enligt uppgifter från The Wall Street Journal genomför Nvidia en affär värd omkring sex miljarder dollar kopplad till AI-bolaget Poolside.

Affären uppges bland annat omfatta:

  • licensiering av Poolside-teknik
  • en investering på omkring en miljard dollar
  • över 100 Poolside-ingenjörer som kopplas till Nvidias utveckling
  • fortsatt utveckling av Nemotron
  • målet att skapa en av världens kraftfullaste open-weight-modeller

Det här innebär inte att Nvidia redan har lanserat någon ny Poolside-baserad Nemotron-modell.

Det är alltså framför allt en strategisk satsning, snarare än ett nytt modellsläpp.

Men riktningen är mycket intressant.

Nvidia vill äga mer än GPU-lagret

Nvidia bygger successivt uppåt i AI-stacken – från GPU och CUDA till Nemotron, quantization, lokala runtimes och agentlager.

Historiskt har Nvidias roll i AI-stacken framför allt kunnat beskrivas som:

AI-modell → CUDA → Nvidia GPU

Men bolaget bygger successivt vidare uppåt i stacken.

Nemotron är redan en familj av öppna AI-modeller där Nvidia tillhandahåller betydligt mer än bara modellvikter.

Bolaget publicerar bland annat:

  • open weights
  • träningsdata
  • post-training-data
  • reinforcement learning-data
  • tekniska rapporter
  • recipes och deployment-guider

Nvidia uppger dessutom att Nemotron kan köras genom öppna ramverk som:

  • Ollama
  • llama.cpp
  • vLLM
  • SGLang

Det gör strategin särskilt intressant för lokal AI.

Istället för:

Nvidia GPU → OpenAI API

kan Nvidia i allt högre grad erbjuda:

Nvidia GPU → Nemotron → Quantization → Ollama / llama.cpp / vLLM → Agent → Application

Det är ett betydligt mer komplett erbjudande.

Varför är Nvidia + Poolside viktigt?

Nvidia har redan en unik position eftersom en mycket stor del av världens AI-infrastruktur körs på företagets hårdvara.

Om Nvidia dessutom kan erbjuda konkurrenskraftiga open-weight-modeller får företaget kontroll över ännu fler lager i AI-stacken.

Det kan framför allt bli intressant för organisationer som vill:

  • köra modeller lokalt
  • kontrollera sina data
  • finjustera modeller själva
  • undvika permanent API-beroende
  • bygga privata AI-agenter
  • optimera modeller för Nvidia-hårdvara

För homelab och lokal AI blir den stora frågan därför inte nödvändigtvis om Nvidia bygger den absolut största modellen.

Det mest intressanta blir om satsningen leder till mindre modeller och distillat i storleksklassen 20–40B som kan quantiseras och köras genom exempelvis Ollama eller llama.cpp.

Där kan satsningen få direkt praktisk betydelse.

ChatGPT Tasks får webhooks

Samtidigt genomför OpenAI en förändring som på ytan kan verka betydligt mindre.

Men arkitektoniskt är den mycket viktig.

ChatGPT Scheduled Tasks har tidigare framför allt arbetat tidsbaserat.

Exempel:

Varje måndag 08:00 → kör denna uppgift

Nu kan ChatGPT Work istället reagera på externa händelser genom webhooks.

Initialt stöds händelser från:

  • Gmail
  • Slack
  • GitHub Pull Requests

Det gör att ett flöde exempelvis kan se ut så här:

Nytt Gmail-meddelande → Webhook → ChatGPT Task → Analysera innehållet → Sammanfatta → Föreslå nästa åtgärd

Det är en fundamental skillnad mot klassisk schemalagd automation.

Från schemalagd AI till eventdriven AI

ChatGPT Tasks kan nu reagera på externa händelser från exempelvis Gmail, Slack och GitHub och därefter analysera, sammanfatta och initiera nästa steg.

En traditionell Scheduled Task fungerar ungefär som cron:

08:00 → kör

En eventdriven agent fungerar istället:

Något händer → kör

Det gör att ChatGPT börjar närma sig klassiska automationsplattformar och agentramverk.

Exempelvis skulle ett framtida arbetsflöde kunna se ut så här:

GitHub Pull Request uppdateras → ChatGPT triggas → Ändringarna analyseras → Risker identifieras → Testförslag skapas → Sammanfattning skickas till teamet

Agenten behöver alltså inte längre vänta på att någon människa manuellt startar konversationen.

ChatGPT Work får en allt mer kapabel Cloud Browser

OpenAI bygger samtidigt vidare på ChatGPT Work.

Cloud Browser kan nu arbeta på vissa webbplatser där användaren behöver vara inloggad.

När autentisering behövs får användaren själv hantera inloggningen.

Därefter kan agenten fortsätta arbeta på webbplatsen.

Det innebär att ett agentflöde i praktiken kan bli:

Webhook → ChatGPT Work → Cloud Browser → Inloggad webbapplikation → Utför arbetsflöde → Begär bekräftelse vid känsligt steg

Det börjar därmed likna managed computer-use snarare än traditionell chatbot-användning.

Skillnaden är betydande.

Tidigare:

Fråga AI → få svar

Nu:

Ge AI mål → AI använder system → AI genomför arbetsflöde

GitHub Copilot ändrar modellpolicyn från 26 augusti

En annan förändring som framför allt är viktig för Enterprise-miljöer sker hos GitHub.

Från 26 augusti 2026 börjar en ny standardpolicy för AI-modeller i GitHub Copilot Business och Enterprise gälla.

Tidigare behövde administratörer i större utsträckning explicit aktivera nya modeller.

Nu införs istället ett system där modeller kan:

inherit default

Det innebär att organisationens centrala modellpolicy avgör om framtida modeller automatiskt blir tillgängliga.

Om standardpolicyn är aktiverad kan alltså nya generellt tillgängliga modeller bli tillgängliga för organisationens användare utan att administratören manuellt aktiverar varje modell.

Viktigt för AI-governance

För mindre miljöer kan detta verka som en administrativ detalj.

För större organisationer är det snarare en governance-fråga.

AI-modeller kan skilja sig när det gäller:

  • datalagring
  • geografisk behandling
  • leverantör
  • licens
  • kostnad
  • compliance
  • modellbeteende
  • informationssäkerhet

Därför bör organisationer som använder Copilot Enterprise kontrollera sin modellpolicy.

GitHub gör samtidigt vissa undantag.

Open-weight-modeller som exempelvis DeepSeek och Kimi omfattas inte automatiskt av standardpolicyn.

Samma sak gäller modeller som inte täcks av GitHubs data-retention-avtal.

Det är ett viktigt säkerhetsmässigt undantag.

Flera Copilot-modeller pensioneras 1 september

GitHub genomför dessutom ytterligare modellförändringar den 1 september 2026.

Bland modellerna som då pensioneras finns:

  • Gemini 3.1 Pro
  • Claude Opus 4.5
  • Claude Opus 4.6
  • Claude Sonnet 4.5
  • Claude Sonnet 4.6
  • Raptor Mini

GitHub rekommenderar migration till nyare alternativ, bland annat:

Gemini 3.1 Pro → Gemini 3.6 Flash

Claude Sonnet 4.x → Claude Sonnet 5

Claude Opus 4.x → Claude Opus 4.7 / 4.8 / 5

Det är ytterligare ett tecken på hur snabbt modellagret håller på att bli utbytbart.

Modellen börjar mer likna en komponent än själva produkten.

OpenClaw fortsätter utvecklas mot en agent-runtime

OpenClaw är ett annat tydligt exempel på samma utveckling.

Projektets 2026.8.x beta-gren fortsätter lägga mer funktionalitet runt själva språkmodellen.

Fokus ligger allt mer på områden som:

  • browser automation
  • Chrome/CDP
  • runtime lifecycle
  • backup och restore
  • plugin-hantering
  • långlivade agentprocesser
  • modellintegration
  • tool execution

Det viktiga är alltså inte enbart vilka modeller OpenClaw kan använda.

Det viktiga är vad OpenClaw kan göra med modellen.

Arkitekturen blir allt mer:

LLM → Agent Runtime → Memory → Tools → Browser → Messaging → Automation → External Systems

Det är samma grundidé som börjar dyka upp hos flera andra aktörer.

Hermes, OpenClaw och ChatGPT börjar konvergera

OpenClaw är inte ensamt.

Hermes från Nous Research bygger också funktioner runt bland annat:

  • persistent memory
  • MCP
  • cron
  • verktyg
  • meddelandeplattformar
  • automation

Det betyder att tre ganska olika ekosystem börjar röra sig åt samma håll:

ChatGPT

Managed cloud-agent med färdiga integrationer och webbläsare.

OpenClaw

Självhostad agent-runtime med stor flexibilitet.

Hermes

Öppet agentlager med minne, verktyg, MCP och automation.

De skiljer sig i deploymentmodell och kontroll, men arkitekturen blir allt mer likartad.

Lokal AI blir ett naturligt lager i agentstacken

En modellrouter kan välja olika AI-modeller beroende på kostnad, latens, integritet och uppgiftens komplexitet.

Detta gör samtidigt lokal AI mer intressant.

En AI-agent behöver inte använda världens kraftfullaste modell för varje uppgift.

Ett framtida system kan istället välja modell beroende på vad som ska göras.

Exempel:

Event → Agent → Router → lokal 3B–8B för enkel klassificering / lokal 14B–30B för sammanfattning / kraftigare Nemotron eller Qwen för komplex analys / frontiermodell via moln-API för avancerad reasoning

Det gör modellen till en utbytbar compute-resurs.

Det är sannolikt en betydligt mer kostnadseffektiv arkitektur än att skicka varje rutinuppgift till den dyraste molnmodellen.

Ett möjligt framtida homelab-flöde

Exempel på hur eventdriven AI kan användas för VMware- och backupdrift, från vCenter-larm och ESXi-loggar till lokal AI-analys, incidentrapport och mänskligt godkännande.

För LabOps- och homelab-miljöer kan samma princip användas praktiskt.

Exempel:

vCenter alarm → Webhook → AI-agent → Kontrollera ESXi-host → Hämta loggar → Lokal Nemotron/Qwen analyserar → Agent bedömer allvarlighetsgrad → Kraftigare modell anropas endast vid behov → Skapa incidentrapport → Skicka notifiering

Eller:

Veeam backup misslyckas → Event → Agent → Läs jobblogg → Identifiera känt fel → Kontrollera dokumentation → Föreslå åtgärd → Människa godkänner → Agent utför

Det är här agentutvecklingen blir betydligt mer intressant än ännu en chatbot.

Fyra förändringar att hålla koll på

⭐⭐⭐⭐⭐ Nvidia + Poolside

Den strategiskt största nyheten.

Om Nvidia lyckas kombinera sina GPU:er med starka open-weight-modeller, quantization och färdiga agentverktyg kan företaget bli en betydligt större del av hela AI-stacken.

⭐⭐⭐⭐⭐ ChatGPT Tasks + webhooks

Den funktionellt viktigaste förändringen.

ChatGPT Tasks går från tidsstyrda prompts till eventdriven automation.

⭐⭐⭐⭐☆ GitHub Copilot-modellpolicy

Viktigast för Enterprise.

Organisationer behöver börja behandla AI-modeller ungefär som andra externa IT-tjänster och styra vilka som får användas.

⭐⭐⭐⭐☆ OpenClaw

Fortsätter vara ett av de mest intressanta projekten för självhostade AI-agenter.

Utvecklingen av browser automation, lifecycle och runtime-funktioner är viktigare än stöd för ytterligare en modell.

LabOps IT:s bedömning

Den viktigaste AI-utvecklingen just nu sker inte nödvändigtvis inne i själva språkmodellen.

Den sker ovanför den.

Vi håller på att gå från:

User → Prompt → Model → Answer

till:

Event → Agent → Tools → Router → Model → Action

Det förändrar hur AI kommer användas fundamentalt.

Modellen blir mindre av en produkt och mer av en utbytbar komponent i en större automationsplattform.

Det är också här lokal AI kan få en mycket större roll.

En liten lokal modell behöver inte slå GPT, Claude eller Gemini på alla benchmarks för att vara användbar.

Den behöver bara vara:

  • tillräckligt bra för uppgiften
  • snabb
  • billig
  • privat
  • alltid tillgänglig

Agenten kan sedan eskalera de få uppgifter som verkligen behöver frontier-prestanda till en större modell.

Det mest intressanta arkitekturmönstret för resten av 2026 kan därför mycket väl bli:

Event → Agent → Router → lokal modell för rutinjobb → open-weight-modell för tyngre uppgifter → frontier-API endast när det behövs

Nvidias Nemotron-satsning passar nästan perfekt in i den utvecklingen.

Om Poolside-samarbetet senare resulterar i högkvalitativa modeller som kan destilleras och köras i mer realistiska lokala storlekar kan det bli betydligt mer intressant för Ollama, llama.cpp, LM Studio och lokala agentmiljöer än ännu en gigantisk modell som kräver ett datacenter.

Källor

  • OpenAI: ChatGPT Release Notes – Scheduled Tasks, webhooks och ChatGPT Work, 25 augusti 2026.
  • OpenAI: Using cloud browser in ChatGPT.
  • GitHub: Default model enablement for Copilot Business and Enterprise.
  • GitHub: Upcoming August 2026 model deprecations in GitHub Copilot.
  • NVIDIA: Nemotron AI Models.
  • NVIDIA: Local AI Developer resources.
  • The Wall Street Journal: Nvidia Is Spending $6 Billion to Build a Powerful U.S. Alternative to Chinese AI.
  • OpenClaw: GitHub releases.