GPT-6 Astra i Microsoft Foundry: fra chatsvar til fullført arbeid

OpenAI sin nyeste frontier-modell landet nylig i Microsoft Foundry, og den er ikke bygget for å chatte. GPT-6 Astra skal planlegge, veie avveininger og utføre arbeid på tvers av applikasjoner, med computer use som den mest omdiskuterte funksjonen. Jeg har gått gjennom prisarkene, sjekket modell-ID-en i katalogen og satt kravene opp mot det jeg allerede stiller til agentprosjekter hos kunder.

Fra svar til fullført arbeid

Microsoft er tydelige på hva GPT-6 Astra skal løse: neste fase av AI i bedrift handler ikke om hvor godt en modell svarer i en chatboks, men om hvor mye arbeid den kan fullføre uten at noen sitter og godkjenner hvert steg. Det er samme retorikk jeg så da Grok 4.6 landet i Foundry for noen uker siden, se min gjennomgang her, og jeg tror det er riktig lesning av markedet. Modellen er nå generelt tilgjengelig for alle kunder i Microsoft Foundry, ifølge Microsofts egen kunngjøring, og den skiller seg fra forgjengerne ved å bryte ned åpne oppgaver i steg og produsere et ferdig resultat uten stadig ny prompting.

Jeg har testet nok agentoppsett til å vite at dette høres bedre ut på papiret enn det ofte er i praksis. Det som overrasker meg positivt her, er at Microsoft ikke bare selger inn modellen. De selger inn rammeverket rundt: identitet, nettverk, styring og evaluering samlet i én plattform. Det er nettopp der de fleste AI-initiativ jeg har vært borti stopper opp, ikke i modellkvaliteten.

Microsoft trekker frem fire bruksområder de allerede ser hos kunder: programvareutvikling, business intelligence, generelt kontorarbeid og applikasjonsflyter uten dedikerte API-er. Jeg kjenner igjen alle fire fra egne prosjekter. Det som overrasker meg minst, er business intelligence-eksempelet, jeg har lenge ment at Power BI-arbeid er akkurat den typen strukturerte, regelbundne oppgave en agent bør takle godt før den slippes løs på noe mer uforutsigbart.

Computer use: agenten som ser skjermen din

Den mest konkrete nyheten er computer use. Astra kan tolke innhold på skjermen og interagere med grensesnitt som ikke har et eget API, som gamle interne systemer eller skjemaer i tredjepartsverktøy. OpenAI hevder state of the art på utvalgte computer use-evalueringer, men jeg tar det med en klype salt inntil jeg har kjørt egne tester. Resultatene varierer med oppgave, verktøy og hvilke sikringer du har satt opp.

Dette er også der jeg blir mest skeptisk. En agent som kan klikke seg gjennom et grensesnitt, kan like gjerne bli lurt av innhold på skjermen som er ufullstendig, misvisende eller bevisst utformet for å påvirke den. Jeg anbefaler at du aldri gir computer use-agenter fullmakt til konsekvente handlinger uten et menneskelig sjekkpunkt, uansett hvor god evalueringsscoren er.

Bygg dashboardet uten VBA

En analytiker som jobber i et forsikringsselskap og bruker en formiddag i uken på å oppdatere et Power BI-dashboard manuelt. Med Astra koblet til Power BI kan hun beskrive hvilke tall som skal sammenlignes, og modellen bygger utkastet, forklarer valgene og lar analytikeren godkjenne før publisering. Det er ikke revolusjonerende i seg selv, men jeg har sett nok manuelle rapporteringsrutiner i norske virksomheter til å vite at akkurat denne typen oppgave spiser overraskende mye arbeidstid.

Hva koster det egentlig

Jeg har hentet tabellen under direkte fra Microsofts prisoversikt. Satsene gjelder betaling per million tokens:

Distribusjon	Kontekst	Input	Cachet input	Cachet skriving	Output
Standard, global	Kort	$10,00	$1,00	$12,50	$50,00
Standard, global	Lang	$20,00	$2,00	$25,00	$75,00
Standard, datasone USA	Kort	$11,00	$1,10	$13,75	$55,00
Standard, datasone USA	Lang	$22,00	$2,20	$27,50	$82,50

Jeg legger merke til at cachet input koster en tidel av vanlig input. Det er en direkte oppfordring til å bygge prompt-caching inn i arkitekturen fra dag én, ikke som en optimalisering du gjør etterpå. Provisioned throughput er priset separat og varierer med kapasitet, datasone USA legger på en tiprosents premie der.

For å gjøre det konkret: kjører du en agentflyt med 2 millioner input-tokens og 500 000 output-tokens i kort kontekst på standard global, lander modellkostnaden på rundt 45 dollar, altså 20 dollar for input og 25 dollar for output. Jeg regner alltid slike overslag før en pilot, det er lettere å selge inn en governance-investering internt når kostnadsbildet allerede ligger på bordet. Standard passer best når trafikken svinger, mens provisioned throughput er riktig valg når du trenger garantert kapasitet og forutsigbar ventetid, for eksempel i et saksbehandlingssystem med tjenesteavtaler å overholde.

Slik setter du opp en agent

Jeg har verifisert oppsettet under mot Microsofts eget quickstart for Foundry Agent Service. Dette er et minimalt eksempel med Python-SDK-en:

Python

from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
from azure.ai.projects.models import PromptAgentDefinition

FOUNDRY_PROJECT_ENDPOINT = "https://<ressursnavn>.services.ai.azure.com/api/projects/<prosjektnavn>"
FOUNDRY_AGENT_NAME = "astra-saksbehandler"

project = AIProjectClient(
    endpoint=FOUNDRY_PROJECT_ENDPOINT,
    credential=DefaultAzureCredential(),
)

agent = project.agents.create_version(
    agent_name=FOUNDRY_AGENT_NAME,
    definition=PromptAgentDefinition(
        model="gpt-6-astra",
        instructions="Du er en saksbehandlerassistent som planlegger oppgaver i steg og ber om godkjenning før konsekvente handlinger.",
    ),
)
print(f"Agent opprettet: {agent.name}, versjon {agent.version}")

Modell-ID-en er gpt-6-astra, versjonsdatert 03-09-2026 i Foundry-katalogen. Jeg anbefaler å låse versjonen eksplisitt i produksjon. Frontier-modeller oppdateres raskere enn de fleste endringsrutiner er laget for å håndtere.

Alignment er ikke det samme som kontroll

OpenAI omtaler Astra som sin mest velfungerende modell til nå på alignment, og lover egne evalueringsrapporter for sikkerhet og computer use i lanseringsmaterialet. Jeg tar det som en god startposisjon, ikke som et bevis. Foundry legger uansett enterprise-lagene oppå: Entra-basert identitet, kryptering i transitt og i hvile, private nettverksalternativer, rollebasert tilgangsstyring, innholdsfiltrering og overvåking. Microsoft er også eksplisitte på at prompter og output ikke brukes til å trene modellene videre, noe jeg forventer at compliance-avdelingen din kommer til å spørre om i første møte.

Jeg vil likevel presisere det samme jeg alltid sier til lesere: disse mekanismene reduserer risiko, de fjerner den ikke. Ansvaret for å velge og konfigurere riktige sperrer for egen bransje og eget regelverk ligger fortsatt hos dere, ikke hos leverandøren.

Governance før du slipper agenten løs

Dette er sjekklisten jeg bruker før en avdeling får lov til å skru på computer use i produksjon:

Identitet og tilgang er begrenset med Microsoft Entra, aldri delte nøkler
Kritiske handlinger som betaling, sletting og ekstern kommunikasjon krever et menneskelig godkjenningssteg
Nettverkstilgang er begrenset til de systemene agenten faktisk trenger, ikke hele virksomhetens flate
Aktivitetslogg er slått på og gjennomgås jevnlig, ikke bare lagret
Innholdsfiltrering er testet mot forsøk på å manipulere agenten via skjerminnhold

Ingen av disse punktene er nye for meg. Det er de samme kravene jeg har satt til RPA-prosjekter i årevis. Forskjellen nå er at agenten resonnerer selv, og da må sperrene ligge i systemet, ikke i instruksjonsteksten.

Hvor passer Astra i katalogen akkurat nå

Foundry har fått en tett modellbølge det siste halvåret, fra GPT-5.6, MAI og Claude Opus 5 til GPT 5.2 Codex for kodearbeid. Astra skiller seg fra begge ved å være generalisten som tar oppdrag på tvers av apper, ikke spesialisten på ett domene. Jeg vil foreløpig ikke anbefale Astra som standardvalg for ren kodegenerering, der har Codex-varianten fortsatt et fortrinn på pris og hastighet. Til sammensatte arbeidsoppgaver med flere systemer involvert er Astra derimot det sterkeste alternativet i katalogen per i dag.

Bruker du allerede navngitte agenter som Resiliency Agent i Azure Copilot, tror jeg Astra blir et naturlig neste steg. Samme prinsipp gjelder: agenten skal snakke fagspråket til den som eier oppgaven, nå utvidet til flere applikasjoner samtidig.

Ta kontakt på kontakt@jas-azure.com om du vurderer en pilot med computer use. Jeg hjelper gjerne med å sette opp governance-rammeverket før dere slipper agenten løs på produksjonssystemene.