GPT-6 Astra og det nye Codex: Hvad kan virksomheder bruge det til?

OpenAI har lanceret GPT-6 Astra og udvidet mulighederne for at arbejde med filer, kode og tilsluttede systemer. Her er det dokumenterede nye og tre konkrete opgaver, danske virksomheder kan begynde med.

Redaktionel illustration: Fra opgavebeskrivelse til et resultat, der kan kontrolleres. Billedet viser ikke en produktgrænseflade.

Har du allerede brugt AI til at skrive annoncetekster, opsummere et møde eller finde en fejl i kode, er det naturlige næste spørgsmål: Hvor meget af den samlede opgave kan værktøjet overtage?

Det er også den relevante vinkel på Astra. OpenAI beskriver modellen som rettet mod krævende arbejde på tværs af blandt andet analyse, software, research og dokumenter. API-lanceringen står i virksomhedens ændringslog den 3. september. Det er dermed et dokumenteret produktnavn og en faktisk lancering. OpenAI: API-ændringslog↗.

For en virksomhed bør vurderingen begynde med en tilbagevendende opgave, der har et tydeligt slutprodukt. Kan rapporten bruges til et budgetmøde? Kan udvikleren gennemgå ændringen? Kan sælgeren forstå kundens behov? Artiklen tager udgangspunkt i netop de spørgsmål.

Hvad er forskellen på GPT-6 Astra, ChatGPT og Codex?

Navnene bliver let blandet sammen. Det giver problemer, når man forventer, at en modelopgradering automatisk tilføjer adgang til en mailkonto, et CRM-system eller virksomhedens hjemmeside.

OpenAI beskriver selv forskellen mellem Chat, Work og Codex ud fra opgaven og den ønskede arbejdsform. Det betyder ikke, at alle funktioner findes på alle platforme. OpenAI: Brug ChatGPT↗.

Astra understøtter tekst ind og ud samt billeder som input. Billedgenerering kan ske gennem et understøttet værktøj; det er ikke det samme som, at modellens direkte output er billeder. Modellens API-kontekst er oplyst til 1.050.000 tokens. Det er en kapacitetsgrænse, ikke en garanti for, at en konkret app giver adgang til hele vinduet eller husker alt på tværs af chats. OpenAI: GPT-6 Astra-modelkort↗.

Det afgørende i praksis er kombinationen af model, kilder, værktøjer og rettigheder. Et godt prompt kan beskrive opgaven, men kan ikke i sig selv oprette en integration eller give adgang til en kundedatabase.

Hvad er konkret nyt med Astra?

OpenAI fremhæver arbejde, hvor modellen skal holde sammen på flere trin og indarbejde brugerens rettelser. Det er leverandørens beskrivelse af modellen. Vi har ikke gennemført en selvstændig benchmarktest som grundlag for denne artikel. OpenAI: Vejledning til Astra↗.

Tre dokumenterede API-ændringer er særligt relevante for virksomheder, der får udviklet egne AI-løsninger:

Arbejdet kan fortsætte, mens et værktøj bliver færdigt

Med asynkrone værktøjskald kan modellen fortsætte med uafhængige dele af opgaven, mens virksomhedens program eksempelvis henter oplysninger. Programmet skal stadig udføre værktøjskaldet og håndtere arbejdet i baggrunden. OpenAI overtager ikke automatisk driften af integrationen. OpenAI: Asynkrone værktøjskald↗.

Et tænkt eksempel er en rapport, hvor systemet afventer kampagnedata. Imens kan det behandle en allerede tilgængelig produktliste eller forberede rapportens struktur. Det kan gøre ventetiden mere nyttig, men den endelige konklusion skal stadig vente på de nødvendige data.

En bruger kan ændre retning under arbejdet

Den nye API-funktion til styring under en igangværende besvarelse gør det muligt at tilføre krav via en WebSocket-forbindelse. En bruger kan eksempelvis præcisere målgruppen, mens opgaven kører. En sådan besked ophæver ikke allerede udførte handlinger eller stopper automatisk værktøjer, der er startet. OpenAI: Mid-turn steering↗.

Det er en vigtig forskel i en virkelig arbejdsgang. Hvis teamet ændrer et krav til en kladde, kan resten af arbejdet tilpasses. Hvis noget allerede er sendt til en kunde, kræver en rettelse sin egen handling.

Modellen kan få mere eller mindre tid til at ræsonnere

API'et understøtter også ændring af modellens ræsonneringsniveau under samtalen, mens den cachede begyndelse af prompten bevares. Den tekniske mulighed giver udvikleren mere kontrol over, hvilke dele af arbejdet der kræver særlig grundighed. OpenAI: Vejledning til Astra↗.

Disse muligheder skal indarbejdes i den konkrete applikation. En virksomhed bør derfor spørge leverandøren, hvilke funktioner løsningen faktisk bruger, og hvordan fejl eller manglende svar bliver håndteret.

De seneste Codex-ændringer, der er værd at kende

Flere relevante ændringer kom i august, før Astra-lanceringen. Det er vigtigt at skelne de nye modelmuligheder fra funktioner, som allerede fandtes i produktet.

Genbrugelige plugins og arbejdsinstruktioner

Codex CLI fik understøttelse af portable Agent Plugins den 7. august 2026. Plugins kan samle arbejdsinstruktioner, forbindelser og værktøjer. Det gør det muligt at genbruge en defineret fremgangsmåde frem for at forklare hele processen igen. OpenAI: Produktændringslog↗.

En relevant virksomhedsanvendelse er en rapporteringsprocedure med faste kilder, definitioner og kontrolpunkter. En forbindelse til et eksternt system kræver fortsat den nødvendige autorisation. Plugin-understøttelsen varierer også: OpenAI oplyser blandt andet, at IDE-udvidelsen ikke understøtter plugins. OpenAI: Plugins↗.

Import fra Claude og Cursor

En opdatering den 11. august introducerede import af eksisterende opsætning og arbejde fra andre AI-værktøjer. OpenAI: Produktændringslog↗.

Desktopappen kan importere understøttede instruktioner, indstillinger, projekter og nyere arbejde fra Claude Code, Claude Cowork og Cursor. CLI'en understøtter Claude Code og Cursor. Den oprindelige opsætning bliver ikke slettet, og nogle importerede forbindelser skal godkendes på ny. Import er ikke i sig selv dokumentation for, at to samtidige agenter automatisk deler hele deres aktuelle arbejdsstatus. OpenAI: Import fra en anden agent↗.

For et team, der bruger flere værktøjer, er den praktiske gevinst mulighed for at genbruge relevant kontekst. Teamet bør stadig have ét sted, hvor gældende filer, opgaver og ændringer kan findes.

Arbejde i flere browsere

Browserudvidelsen blev udvidet den 25. august. Den dokumenterede understøttelse omfatter Chrome, Edge, Brave, Opera og Vivaldi. OpenAI: Produktændringslog↗.

Fra desktopappen kan værktøjet arbejde på sider, hvor brugeren allerede er logget ind. Det kræver opsætning og de relevante rettigheder. Den indbyggede browser har sin egen profil, så en cloudsession eller separat browser overtager ikke uden videre login fra din computer. Opera har heller ikke samme sidechat som de øvrige nævnte browsere. OpenAI: Browserudvidelse↗.

Opgaver kan starte ved en hændelse

Den 25. august kom også opgaver, der kan starte ved understøttede hændelser i Gmail, Slack og GitHub. OpenAI: Produktændringslog↗.

Det kan eksempelvis være en indgående mail. Funktionen er dokumenteret for berettigede abonnementer på ChatGPT web og mobil, ikke som en tilsvarende hændelsesfunktion i desktopappen, CLI'en eller IDE-udvidelsen. Kilden skal være tilsluttet. Det er derfor upræcist blot at sige, at alle Codex-installationer nu kan automatisere alle indbakker. OpenAI: Planlagte og hændelsesbaserede opgaver↗.

Eksperimentel hjælp til lange opgaver

På understøttede Codex-klienter kan Plus- og Pro-brugere aktivere eksperimentel konteksthåndtering. Astra kan holde noter mellem kontekstvinduer og søge i tidligere beskeder og værktøjsresultater fra samme opgave. Funktionen er slået fra som udgangspunkt og er ved lanceringen ikke tilgængelig med Business-, Enterprise- eller API-login. Det er en afgrænset forsøgsfunktion, ikke ubegrænset hukommelse. OpenAI: Modeller og kontekst↗.

Hvem har adgang, og hvad koster det?

Kontrollér tre ting, før virksomheden planlægger et forløb: abonnementet, den konkrete app eller klient og den model, der faktisk kan vælges.

OpenAI viser Astra-forbrugsestimater for blandt andet Plus, Pro og Standard Business. Samtidig beskriver modelsiden en særskilt udrulning af nye Astra-valg til berettigede Pro-, Business ($100)- og Enterprise-konti. En række i en pristabel er derfor ikke en garanti for samme modelmenu hos alle brugere. OpenAI: Priser og forbrug↗, OpenAI: Modeladgang↗.

For Enterprise er den første udrulning mere specifik: Organisationen skal have Daybreak-adgang, og Astra er som udgangspunkt slået fra de første to uger efter lanceringen. En administrator i et berettiget arbejdsområde kan aktivere adgangen. API-adgang følger separat den tilknyttede API-organisation og dens projekt. OpenAI: Modeladgang i arbejdsområder↗.

De annoncerede abonnementspriser omfatter Plus til 20 USD om måneden og Pro fra 100 USD om måneden. Work og Codex deler forbrugsramme. Det er OpenAI-sidens dollarpriser, ikke danske tilbud inklusive moms. Brug med egen API-nøgle afregnes efter API-forbrug. OpenAI: Priser og forbrug↗.

For udvikling via API er Astras Standard-priser pr. 8. september 2026:

Priserne gælder den nævnte Standard-behandling. Cache-skrivning, værktøjer og andre behandlingsformer kan påvirke regningen. Regional behandling kan give tillæg. Fast mode er ikke tilgængelig for Astra med EU-dataresidens. OpenAI: API-priser↗.

Som et rent regneeksempel koster én anmodning med 100.000 almindelige inputtokens og 10.000 afregnede outputtokens 1,50 USD ved de korte Standard-satser, før øvrige gebyrer. Det er ikke et estimat på prisen for en hel rapport. En opgave kan omfatte flere anmodninger, værktøjskald og revisioner.

Sammenlign derfor den samlede udgift med det godkendte resultat. Et billigt udkast, der kræver omfattende rettelser, kan være mindre nyttigt end en dyrere kørsel, der giver et bedre arbejdsgrundlag. Virksomheden skal måle forskellen på egne opgaver.

Tre konkrete anvendelser i en dansk virksomhed

De følgende eksempler er tænkte arbejdsgange. De er ikke Manids-kundecases, og der er ikke knyttet dokumenterede tidsbesparelser eller salgsresultater til dem.

1. En kampagnerapport, der kan efterprøves

Opgaven: Marketingansvarlige skal forklare månedens udvikling i Google Ads, Meta Ads og de efterfølgende henvendelser. Data ligger i flere eksportfiler, og definitionerne er ikke nødvendigvis ens.

En afgrænset første leverance kan være en rapport med én oversigtstabel, forklaring af de største ændringer og tre forslag til videre undersøgelse. Den skal vise, hvilke data hver konklusion bygger på. Funktionen til at arbejde med filer kan bruges til at skabe dokumenter og regneark ud fra vedlagte kilder. OpenAI: Arbejd med filer↗.

Redaktionel illustration: En rapport skal kunne føres tilbage til sine kilder. Der vises ingen faktiske kampagnedata.

Giv værktøjet et ordentligt udgangspunkt. Vedlæg eksporterne for samme periode, forklar valuta og tidszone, og beskriv, hvad virksomheden kalder et kvalificeret lead. Hvis CRM-eksporten har et andet datointerval, skal det fremgå som en begrænsning.

Det er især vigtigt at skelne mellem platformenes registrerede konverteringer og virksomhedens faktiske henvendelser. Bed ikke modellen lægge forskellige typer konverteringer sammen uden en forklaring. En bruger kan være registreret flere steder, og en platformskonvertering behøver ikke være et kvalificeret lead.

Et anvendeligt prompt kan lyde sådan:

Lav en rapport fra de vedlagte eksportfiler for august. Vis spend og registrerede konverteringer pr. platform, og hold CRM-leads i en særskilt opgørelse. Forklar afvigelser i perioder og definitioner. Angiv datakilden bag hver tabel. Afslut med tre hypoteser, vi bør undersøge; ændr ingen kampagner.

Hvad kan gøres direkte? Arbejdet kan begynde med filer, som brugeren vedlægger. Her er det ikke nødvendigt at bygge en løbende forbindelse til annoncekontiene for at afprøve rapportens værdi.

Hvad kræver integration? Hvis rapporten selv skal hente nye data hver måned, skal der være fungerende forbindelser til kilderne, en aftalt køreplan og håndtering af fejl. Automatisk adgang til Google Ads, Meta Ads eller CRM må først regnes som tilgængelig, når den konkrete forbindelse er testet.

Hvad skal kontrolleres? Afstem totalerne mod eksporterne, stikprøv beregningerne, og kontrollér, at en påstået forklaring ikke blot er et sammenfald. Et fald i leads kan eksempelvis kræve undersøgelse af formular, sæson eller datakvalitet. Rapporten bør kunne sige, at grundlaget er utilstrækkeligt.

Den første gevinst er en rapport, som teamet kan diskutere og efterprøve. Den generelle arbejdsmetode kan forankres i virksomhedens brug af AI i marketing.

2. En landingsside med en klart afgrænset leverance

Opgaven: En virksomhed har brug for en kampagneside med ét tilbud, én formular og et klart mål. Der findes allerede en hjemmeside, et design og en måde at modtage henvendelser på.

Codex er relevant til softwarearbejdet: at læse projektet, implementere ændringer og gennemføre relevante kontroller i de tilgængelige omgivelser. OpenAI beskriver blandt andet fejlrettelse, tests og implementering som Codex-opgaver. OpenAI: Arbejdsformer i ChatGPT og Codex↗.

Redaktionel illustration: En afgrænset side bygges og kontrolleres i dele. Motivet er ikke et screenshot af Codex.

Start med sidens opgave. Hvem er målgruppen? Hvilket tilbud må der kommunikeres? Hvilke oplysninger skal formularen indsamle? Hvor skal henvendelsen ende? En AI-assistent bør ikke udfylde manglende kommercielle vilkår med noget, der blot lyder sandsynligt.

En konkret bestilling kan være:

Byg en kampagneside i det eksisterende projekt med vores godkendte tilbudstekst, tre fordele og en kontaktformular. Genbrug de eksisterende designkomponenter. Formularen skal bruge den eksisterende modtagelse af leads. Vis løsningen i et testmiljø, og dokumentér de kontroller, du faktisk gennemfører. Publicér ikke.

Hvad er leverancen? En gennemgåelig ændring med kode, en visning af siden og en kort forklaring af, hvad der er afprøvet. En flot skærmvisning er kun én del af resultatet.

Hvad kræver integration? Projektadgang, et kørbart miljø og eksisterende formular- eller mailforbindelser skal være tilgængelige. Hvis de ikke findes, er en visuelt færdig formular stadig en prototype. Hosting, domæne, CRM-forbindelse og eventuel betalingsløsning er særskilte dele af implementeringen.

Hvad skal kontrolleres? Test siden på relevante skærmstørrelser, gennemfør en formularindsendelse med testdata og se, hvor den lander. Kontroller fejlbeskeder, tastaturbetjening, links og de aftalte oplysninger. Hvis tracking er en del af opgaven, skal den konkrete registrering afprøves i den valgte opsætning.

Vær også præcis med publiceringen. Teamet bør kunne se forskellen mellem en kladde, en ændring i testmiljøet og en side, som besøgende faktisk møder. Det gør det lettere at arbejde hurtigt uden at miste overblikket.

Den samme tilgang kan bruges på en mindre rettelse i en eksisterende løsning. Et godt første projekt behøver ikke være et helt nyt website. Det kan være en formularfejl eller et filter, hvor korrekt adfærd kan beskrives og efterprøves.

3. Leadbehandling med et tydeligt punkt for menneskelig vurdering

Opgaven: Virksomheden får henvendelser i en indbakke. En medarbejder læser dem, finder det vigtigste, opretter en note og skriver et svar. Informationen er ofte ustruktureret.

En første AI-løsning kan lave et resumé med behov, ønsket tidspunkt, manglende oplysninger og et svarudkast. Den skal kunne markere tvivl og lade felter stå åbne. Hvis kunden ikke har oplyst et budget, skal resultatet eksempelvis være “ikke oplyst”.

Eksempel på en arbejdsgang: AI forbereder, mens en medarbejder afgør næste handling. CRM og afsendelse kræver en fungerende integration.

På berettigede web- og mobilabonnementer kan en understøttet Gmail-hændelse starte en opgave. Det er en mulig indgang til arbejdet; den siger ikke i sig selv noget om, hvilke CRM-handlinger der er tilgængelige. OpenAI: Hændelsesbaserede opgaver↗.

Begynd med testmateriale. Udvælg eksempelvis 20 anonymiserede eller syntetiske henvendelser. Medtag både klare forespørgsler, mangelfulde beskeder, eksisterende kunder og henvendelser, som virksomheden ikke skal behandle som nye salgsleads.

En afgrænset instruktion kan være:

Læs disse testhenvendelser. Udtræk kun oplysninger, som står i materialet. Beskriv behov, ønsket tidspunkt og manglende oplysninger. Lav et kort svarudkast og markér sager, som kræver medarbejderens vurdering. Send ikke noget, og opret ingen rigtige kunder.

Hvad er leverancen? En ensartet oversigt og et forslag pr. henvendelse. Medarbejderen skal kunne forstå, hvorfor en sag er markeret, og finde den oprindelige besked uden at lede i flere systemer.

Hvad kræver integration? Automatisk CRM-oprettelse, opdatering af eksisterende kontakter, ejertildeling og afsendelse kræver understøttede systemforbindelser. Der skal også være kontrol af dubletter og en måde at håndtere afbrudte kørsler på. Det er det konkrete arbejde med integrationer mellem virksomhedens systemer.

Hvad skal kontrolleres? Se, om resuméet udelader vigtige forbehold, opfinder oplysninger eller foreslår noget, virksomheden ikke tilbyder. Et tænkt svarudkast må eksempelvis ikke love en pris, en leveringstid eller en ledig tid uden et bekræftet grundlag.

Udvid først omfanget, når resultatet er stabilt på virksomhedens egne eksempler. En nyttig første version kan godt slutte ved en godkendelseskø. Det giver teamet en konkret mulighed for at lære, hvor AI hjælper, og hvor de vanskelige sager findes.

Hvilken opgave skal I begynde med?

Vælg en opgave, hvor materiale, ønsket resultat og kontrol kan beskrives på forhånd. En enkel prioritering kan se sådan ud:

Undgå at gøre første forsøg afhængigt af alle virksomhedens systemer. Det bliver svært at afgøre, om et dårligt resultat skyldes modellen, datagrundlaget eller en integration, der ikke virker.

Beskriv samtidig, hvad der er uden for opgaven. I rapporteksemplet er det ændringer af annoncebudgetter. I websiteeksemplet er det publicering. I leadeksemplet er det afsendelse og oprettelse af rigtige kunder. Afgrænsningen skal være synlig i bestillingen.

Sådan gennemfører I et første forsøg

Først: dokumentér den nuværende opgave. Gem et eksempel på det resultat, medarbejderen normalt leverer. Notér de typiske fejl og det reelle tidsforbrug, inklusive kontrol. Det bliver sammenligningsgrundlaget.

Derefter: saml et lille, kendt datagrundlag. Brug en afsluttet periode eller et sæt testhenvendelser, hvor facit kan kontrolleres. Beskriv kolonner og begreber, som kun medarbejderne normalt kender.

Lav så en første version med klare krav. Angiv filformat, opbygning, kilder og de handlinger, der er tilladt. Bed om, at manglende data markeres tydeligt. Det er mere brugbart end at bede om noget “professionelt” uden at definere, hvad det indebærer.

Kontrollér også de vanskelige tilfælde. En manglende eksport, en ugyldig formularværdi eller en tvetydig henvendelse siger ofte mere om arbejdsgangen end et fejlfrit standardeksempel.

Vurder til sidst den samlede indsats. Tæl både forberedelse, AI-kørsel, rettelser og kontrol med. Skriv ned, om resultatet kan genbruges, hvilke fejl der er tilbage, og hvad næste afgrænsede forbedring skal være.

Hvis virksomheden først skal etablere fælles brugere, arbejdsrum og ansvar, kan den del behandles særskilt i en plan for at komme i gang med ChatGPT i virksomheden.

Hvor kræver det stadig faglig kontrol?

En stærkere model kan stadig arbejde videre på en forkert antagelse. Det er derfor nødvendigt at kontrollere både kilder og resultat. En pæn rapport kan indeholde en forkert sammenligning, og kode kan bestå en snæver test uden at løse hele brugerens problem.

I marketing bør en fagperson vurdere påstande om årsag, målgruppe og effekt. I software bør den ansvarlige kontrollere relevant funktionalitet og konsekvenserne af ændringen. I salg bør nogen eje de vilkår og løfter, der sendes til kunden.

Kontrollér også adgangene. Hvilke filer og systemer indgår? Hvem må se resultatet? Hvilke handlinger kan udføres? En ny model er ikke i sig selv en begrundelse for at udvide adgang til virksomhedens oplysninger.

Det er heller ikke nødvendigt at vælge Astra til hver enkelt opgave. Afprøv modellen på de opgaver, hvor flere trin, uklart materiale eller behov for grundig vurdering gør kvaliteten vigtig. Sammenlign med en enklere løsning på samme materiale og med samme krav. Det giver et bedre beslutningsgrundlag end et generelt løfte om, at den nyeste model altid er bedst.

Fra modelnyhed til et brugbart arbejdsresultat

For en virksomhed er den mest interessante leverance sjældent selve AI-samtalen. Det er rapporten, der kan efterprøves, siden, der fungerer, eller salgsnoten, der gør næste skridt lettere.

Begynd derfor med én opgave, kendte kilder og en klar kontrol. Udvid først, når I ved, hvad der virker, hvilke forbindelser der er nødvendige, og hvem der har ansvaret for resultatet.

Vil I afprøve AI på en konkret opgave i virksomheden? Se, hvordan Manids arbejder med AI-løsninger til blandt andet rapportering, research og leadbehandling. Udgangspunktet er en afgrænset arbejdsgang og en leverance, der kan bruges i hverdagen.