GPT-6 Astra er OpenAIs nye frontier-model til komplekse opgaver, hvor AI både ræsonnerer og bruger computerens værktøjer. Modellen kan arbejde med kode, dokumenter, browser og faglige analyser, men den er ikke et selvstændigt arbejdssystem: adgang, rettigheder, kontrolpunkter og menneskelig godkendelse afgør, hvad den reelt kan gøre forsvarligt.
GPT-6 Astra udvider OpenAIs frontier-model fra avanceret dialog til computerbrug, kode og flertrinsarbejde i digitale værktøjer. Få overblik over modellens adgang, benchmarkresultater og cyberklassifikation samt de praktiske grænser for rettigheder, data, kontrol og afprøvning på dansk.
Hvad har OpenAI lanceret?
OpenAI lancerede GPT-6 Astra den 3. september 2026. Selskabet beskriver modellen som en samlet opgradering inden for computerbrug, browsing, softwareudvikling, cybersikkerhed, forskning og professionelt vidensarbejde. Det er den offentlige produktlancering af Astra-navnet, som tidligere blev brugt om en intern model bag AI-genererede matematiske beviser.
OpenAI begyndte med adgang til en begrænset gruppe organisationer og oplyste, at udrulning til ChatGPT Plus, Pro, Business og Enterprise samt OpenAI API, Microsoft Azure og AWS Bedrock ville følge over de næste dage. Enterprise-administratorer skal selv aktivere modellen, fordi den var slået fra som standard ved lanceringen. Kilden dokumenterer ikke særskilt adgang i Danmark på alle disse flader.
Hvad betyder en computerbrugende model?
En computerbrugende model kan fortolke indhold på en skærm og vælge handlinger i en brugerflade. Den kan eksempelvis udfylde formularer, opdatere poster i et CRM-system, arbejde i regneark, teste en webside eller bruge specialsoftware til analyse. Funktionen rækker derfor ud over at formulere et tekstsvar.
Modellen bliver først til et handlende system, når den forbindes med en agentramme, værktøjer og brugerrettigheder. En AI-agent omfatter også instruktioner, tilstand, adgangskontrol, fejlhåndtering og regler for, hvornår et menneske skal godkende en handling. GPT-6 Astra er motoren i en sådan løsning, ikke hele løsningen.
Hvordan adskiller Astra sig fra en almindelig chatbot?
| Lag | Opgave | Typisk begrænsning |
|---|---|---|
| Chat | Besvarer spørgsmål og producerer indhold | Handler normalt ikke direkte i andre systemer |
| Model med værktøjer | Kan søge, køre kode og betjene brugerflader | Afhænger af de værktøjer og rettigheder, den får |
| Agentløsning | Planlægger og udfører en flertrinsproces | Kræver kontrol af tilstand, fejl og konsekvensfulde handlinger |
Astra kan bevare noter på tværs af fyldte kontekstvinduer i Codex og søge i ældre kontekst. Den eksperimentelle funktion skal mindske tab af krav og testresultater i lange opgaver. Ved lanceringen skulle den aktiveres i konfigurationen, og OpenAI skrev, at den senere ville blive standard for Astra.
Hvad viser modellens tekniske rammer?
API-dokumentationen angiver et kontekstvindue på 1.050.000 tokens og højst 128.000 outputtokens. Modellen tager tekst og billeder som input og leverer tekst som output. Den understøtter blandt andet funktionskald, strukturerede svar, websøgning, filsøgning, kodefortolker, shell, computerbrug og MCP gennem Responses API.
Et stort kontekstvindue gør det muligt at medtage mere materiale, men dokumenterer ikke, at modellen bruger alle detaljer korrekt. Lange sager kræver stadig kildehenvisninger, stikprøver og kontrol af, om svaret bygger på den relevante version af et dokument. Input over 272.000 tokens udløser desuden højere API-priser efter OpenAIs aktuelle prisstruktur.
Hvad fortæller benchmarkresultaterne?
OpenAI oplyser blandt andet 72,6 procent på en offlineversion af OSWorld 2.0 mod 65,7 procent for GPT-5.6 Sol. I leverandørens tidsmåling tog Astra cirka 40 minutter pr. opgave mod cirka 75 minutter for Sol. På ARC-AGI-3 opnåede Astra 99,9 procent med en særlig Responses API-opsætning.
Resultaterne viser fremgang på de konkrete tests, ikke en generel succesrate for kontorarbejde. OpenAI skriver selv, at evalueringerne blev kørt i et forskningsmiljø eller via API, og at produktionsversionen kan afvige på grund af systeminstruktioner og tilgængelige værktøjer. ARC-AGI-3 måler desuden løsning af nye interaktive miljøer; det er ikke en direkte måling af pålidelighed i dokumenter, e-mail eller økonomisystemer. AI Mentors tidligere gennemgang af ARC-AGI-3 og agenthukommelse forklarer denne afgrænsning.
Hvorfor har cybersikkerhed en særlig rolle?
OpenAI klassificerer GPT-6 Astra på niveauet Critical for cybersikkerhed i sin egen Preparedness Framework. Modellen fandt under evaluering to hidtil ukendte sårbarheder, som OpenAI er ved at videregive til de ansvarlige vedligeholdere. På ExploitBench opnåede den 100 procent, mens resultatet på ExploitGym var 42,4 procent. Testene blev kørt uden de sikkerhedsværn, som begrænser normal produktbrug.
Den lancerede version kan bruges til blandt andet sikker kodegennemgang og rettelser, men afviser mere avancerede opgaver som at skabe proof-of-concept-angreb for sårbarheder. OpenAI planlægger en særskilt, kontrolleret adgang gennem Daybreak til flere defensive arbejdsformer. En høj testscore er derfor hverken fri adgang til offensive funktioner eller dokumentation for, at modellen finder alle fejl i en bestemt kodebase.
Hvilke sikkerhedsbegrænsninger dokumenterer OpenAI?
Systemkortet viser en blandet profil. Astra overholdt oftere end GPT-5.6 Sol eksplicitte begrænsninger i OpenAIs tests og forsøgte ikke at omgå en afvist Auto-Review-handling i den interne omgåelsestest. Samtidig faldt modellens monitorerbarhed: dens skrevne ræsonnement gav generelt mindre information, som en kontrolmodel kunne bruge til at opdage uønsket adfærd.
OpenAI skriver, at fuldkontekst-monitorering også var lavere på tværs af de fleste målte outputlængder, selv om handlingerne alene var lettere at overvåge. Eksterne evalueringer var tidsbegrænsede og foregik i simulerede miljøer. Lav forekomst af uønsket adfærd i disse tests beviser derfor ikke, at problemet er løst i virkelige arbejdsgange.
Det giver to separate kontrolspor: modellen kan være bedre til at respektere grænser og samtidig være sværere at overvåge gennem sit interne ræsonnement. Logning af handlinger, værktøjsresultater og ændringer får dermed større betydning end en forventning om, at en tekstlig begrundelse alene afslører fejl.
Hvad betyder Astra for arbejdspladser i praksis?
Den mest direkte ændring er, at flere dele af en digital opgave kan samles i én arbejdsgang. En udvikler kan lade modellen læse en fejlrapport, ændre kode og køre test. En analytiker kan få den til at undersøge data og opdatere et regneark. En redaktør kan bruge den til research og et udkast i et dokumentmiljø.
Besparelsen afhænger af, hvor meget efterkontrol der er nødvendig. En hurtigere model kan stadig øge det samlede arbejde, hvis den foretager for brede ændringer, bruger forældede kilder eller kræver omfattende rettelser. Mål derfor hele opgaven fra instruktion til godkendt resultat, ikke kun svartid eller benchmarkscore.
- Afgræns opgaven og de systemer, modellen må bruge.
- Giv kun de rettigheder, som opgaven kræver.
- Kræv godkendelse før beskeder, økonomiske dispositioner, sletning, publicering og andre konsekvensfulde handlinger.
- Gem spor af kilder, værktøjskald, ændringer og testresultater.
- Kontrollér resultatet med faglige kriterier og en ansvarlig person.
Hvad skal organisationer kontrollere om data?
OpenAI oplyser, at Astra kan bruges med Zero Data Retention af kvalificerede API-kunder. Det er en adgangs- og konfigurationsbetinget mulighed, ikke en generel egenskab ved alle ChatGPT- eller API-forløb. Nogle endpointfunktioner kan desuden gemme applikationstilstand, selv når en organisation har særlige dataregler.
Ved behandling af personoplysninger skal en organisation fortsat kende hele leverandørkæden, formålene, opbevaringstiden, adgangsforholdene og eventuelle tredjelandsoverførsler. Datatilsynet fremhæver, at en dataansvarlig skal kunne påvise et passende sikkerhedsniveau og ofte foretage en ny risikovurdering, når en cloudtjeneste væsentligt ændrer behandlingen.
Computerbrug kan udvide dataflowet, fordi modellen ser indhold i flere systemer og kan flytte oplysninger mellem dem. Testmiljøer bør derfor bruge mindst mulige datasæt og rettigheder, indtil logning, sletning og leverandørvilkår er kontrolleret.
Hvordan spiller EU’s AI-regler ind?
GPT-6 Astra er en generel AI-model, men organisationens konkrete anvendelse afgør mange af dens forpligtelser. EU’s AI Act skelner mellem generelle modeller og de systemer, som bygges oven på dem. Brug i eksempelvis rekruttering, uddannelsesbedømmelse eller adgang til væsentlige ydelser kan høre til højrisikoområder, hvor kravene er mere omfattende end ved almindelig teksthjælp.
AI Act-reglerne for generelle modeller omfatter blandt andet dokumentation, ophavsret og risikovurdering, mens deployere har ansvar knyttet til den konkrete brug. En modelleverandørs sikkerhedstest gør ikke automatisk et lokalt system lovligt eller egnet. AI Mentors forklaring af EU’s AI Act viser den risikobaserede opdeling.
Hvordan bør modellen afprøves på dansk?
OpenAI angiver modellen som flersproget, men lanceringsmaterialet indeholder ikke et særskilt benchmark for dansk fagsprog eller dokumenterer samme kvalitet på tværs af danske arbejdsområder. En lokal afprøvning bør derfor bruge de faktiske dokumenttyper, terminologi og beslutningsgrænser, som modellen møder i drift.
Et afgrænset pilotforløb kan måle faktuelle fejl, manglende kildegrundlag, uønskede handlinger, tidsforbrug og behov for menneskelig rettelse. Test også styrende beskeder på dansk, fordi uklare godkendelsesregler kan få større betydning, når modellen både fortolker en opgave og udfører handlinger.
Hvad er den realistiske konklusion?
GPT-6 Astra flytter frontier-modeller længere fra ren chat og tættere på flertrinsarbejde direkte i digitale værktøjer. De officielle resultater peger på markante fremskridt i computerbrug, kode og cybersikkerhed, men tallene kommer hovedsageligt fra leverandørens evalueringer og særlige testopsætninger.
Modellen bør derfor vurderes som en stærkere komponent, ikke som dokumentation for et selvkørende og sikkert arbejdssystem. Rettigheder, bekræftelser, handlingslog, faglig kontrol og datastyring er stadig nødvendige. OpenAIs tidligere arbejde med deployment simulation illustrerer, hvorfor realistiske miljøtests supplerer almindelige benchmarktal.
Hvilke kilder ligger til grund?
Artiklen bygger på OpenAIs lancering af GPT-6 Astra, det tilhørende systemkort og den officielle API-modelbeskrivelse. Den lokale data- og reguleringsvinkel følger Datatilsynets cloudvejledning og EU-Kommissionens AI Act-oversigt.