GPT-5.4: det är inte chatten som är nyheten

OpenAI släppte GPT-5.4 förra veckan och det mesta som skrevs handlade om de vanliga sakerna: lite högre poäng på lite fler benchmarks, lite bättre på kod, lite snabbare. Det korta omdömet på den nivån: jodå, den är marginellt bättre, men jag märker knappt skillnaden i det dagliga arbetet. Om du sitter och skriver mejl, sammanfattar dokument och bygger Excel-formler kommer 5.4 inte förändra din vardag jämfört med förra versionen.

Det är inte där nyheten ligger.

Det som faktiskt sticker ut är att 5.4 satte rekord på det de kallar computer-use, alltså modellens förmåga att själv styra ett program: klicka, fylla i fält, navigera mellan flikar, göra saker i ett gränssnitt istället för att bara prata om dem. Jag skrev om det här första gången när Anthropic visade upp computer use i sin Claude-modell och det var lovande men skakigt. Nu har det gått ett bra tag och siffrorna har klättrat rejält.

Varför ska en ekonomichef bry sig om en benchmark? För att det är förstadiet till något som faktiskt spelar roll för oss. Hela poängen med en AI-agent är att den ska kunna göra ett jobb, inte bara svara på en fråga. Och ett jobb i ekonomivardagen handlar nästan alltid om att operera i system: hämta en rapport ur affärssystemet, stämma av mot en fil, lägga in något i en mall. Så länge modellen bara kan prata är den en rådgivare. När den kan styra program på ett pålitligt sätt blir den en kollega som gör delar av arbetet. Skillnaden är enorm.

Men, och det är ett viktigt men, vi är inte där än. Bättre benchmark betyder inte pålitlig i skarpt läge. Jag har testat agentliknande uppgifter både via Clawdbot och i Copilot Studio, och mönstret är detsamma: imponerande när det funkar, men det går fel tillräckligt ofta för att man inte kan släppa det utan uppsikt. En modell som klickar rätt 95 gånger av 100 låter bra på pappret. I praktiken betyder det att var tjugonde gång gör den något du inte bad om, och i ekonomiarbete är var tjugonde fel inte acceptabelt. Då sitter du och kontrollerar varje steg, och då har du ingen tidsvinst kvar.

Det jag tar med mig från 5.4 är inte att jag ska byta arbetssätt imorgon. Det är riktningen. Labben lägger uppenbart krutet på att få modellerna att agera, inte bara svara, och varje version flyttar den förmågan framåt en bit. För oss som jobbar med ekonomi är det värt att hålla ögonen på, för den dag computer-use blir pålitligt nog är det inte ett nytt chattfönster vi får. Det är något som faktiskt kan ta över återkommande moment i systemen vi redan använder.

Tills dess är min hållning oförändrad: testa agenter på låg risk, ha alltid en människa som kollar resultatet, och lita inte på att den klickar rätt bara för att den gjorde det förra gången.