Jeg gav Claude Fable 5 en refactoring-opgave – så byggede den sit eget team

Jeg gav Claude Fable 5 en refactoring-opgave. Så gjorde den noget, jeg ikke har set før.

Den oprettede selv tre underagenter. Én til refactoring, én til optimering, én til test. Delegerede opgaverne, ventede til de var færdige, og samlede resultatet i hovedagenten.

Uden at jeg bad om det.

Det er ikke en chatbot længere. Det er en lille projektleder, der styrer sit eget team.

Men den historie har to halvdele – og den anden halvdel er mindst lige så vigtig, hvis du bruger AI professionelt. Lad os tage dem én ad gangen.

Første halvdel: AI’en der leder sit eget team

Hvis du har fulgt med her på bloggen, ved du, at Claude Fable 5 er den mest kapable AI-model, der er alment tilgængelig lige nu. Men benchmarks er én ting. At se den arbejde er noget andet.

Det, der skete i min test, var ikke, at modellen bare løste opgaven hurtigere. Den ændrede måden, opgaven blev løst på:

• Den vurderede selv, at opgaven kunne deles op
• Den oprettede specialiserede underagenter til hver del
• Den koordinerede arbejdet og samlede resultaterne til sidst

Det er præcis den slags autonomt, langvarigt arbejde, Anthropic har fremhævet som Fable 5’s største styrke. Og i praksis føles det som et skifte: Du uddelegerer ikke længere en opgave til en assistent – du overdrager et projekt til en lille projektleder.

For virksomheder er perspektivet til at få øje på. Arbejdsgange, der før krævede, at et menneske sad og dirigerede AI’en skridt for skridt, kan nu køre i længere stræk på egen hånd.

Anden halvdel: Værktøjet du ikke selv styrer

Så langt, så imponerende. Men her kommer den del, de færreste taler om.

Fable 5 kom tilbage den 1. juli efter tre ugers pause, hvor den var suspenderet på grund af amerikansk eksportkontrol. Den kom tilbage med nye vilkår: På abonnementsplaner var den inkluderet op til 50 % af de ugentlige forbrugsgrænser frem til 7. juli – derefter kræver den usage credits.

Og oveni kom en ny, strammere classifier: et sikkerhedsfilter, der skal fange potentielt farlige forespørgsler, men som bevidst er sat så konservativt, at det også rammer helt almindelige kodeopgaver. Når det sker, bliver din forespørgsel omdirigeret til en svagere model (Opus 4.8).

Der kommer en notifikation, når det sker – men i et langt, autonomt agent-forløb med mange trin er den nem at overse. I min egen test blev en helt rutinemæssig sikkerhedsgennemgang af kode flaget undervejs, og arbejdet fortsatte bare på den svagere model.

Så står du der med paradokset: Det mest kapable værktøj, jeg har testet, er samtidig det, jeg tør stole mindst på i produktion.

Lektien: Byg aldrig din proces på ét værktøj

Hos Green.Click bruger vi AI hver dag til at få kedeligt arbejde til at forsvinde. Vi har testet Fable 5 på tværs af opgavetyper, og lektien er den samme hver gang: Byg aldrig hele din proces på ét værktøj, du ikke selv styrer.

Hvorfor? Fordi:

1. Limits ændrer sig. Fable 5’s abonnementsvilkår er allerede ændret flere gange på én måned.
2. Safeguards strammes. Et sikkerhedsfilter, der ikke fandtes i sidste uge, kan i dag omdirigere dine opgaver til en anden model.
3. Modeller kommer og går. Fable 5 var utilgængelig i tre uger – med én dags varsel. Havde din kundeleverance afhængt af den, havde du haft et problem.

Teknologien flytter sig i måneder, ikke år. Og det gælder også vilkårene for at bruge den.

Tre konkrete råd, før du lover en kunde noget

1. Test det selv – på dine egne opgaver

Benchmarks og LinkedIn-hype siger intet om, hvordan modellen klarer dine opgaver med dine data. Kør en pilottest, før noget bliver lovet videre.

2. Kend dine limits

Ved du, hvad der sker, når din plan rammer forbrugsgrænsen midt i en leverance? Hvis svaret er nej, så find ud af det nu – ikke når det sker.

3. Hav et alternativ klar

Sørg for, at dine vigtigste arbejdsgange kan køre på mindst én anden model. Det behøver ikke være lige så godt – det skal bare virke, når plan A fejler.

Den vigtigste takeaway

Claude Fable 5 er det tætteste, vi er kommet på en AI, der arbejder som et selvstændigt team. Det er reelt et teknologisk spring.

Men springet ændrer ikke på grundreglen: Det handler ikke om at finde den perfekte model. Det handler om at bygge noget, der stadig virker i morgen.