Meta åbner for alvor for lokal AI på eget jern. Men ikke for hele virksomheden.

Meta udgav mandag den 10. august 2026 en AI-model, der kan køre på en enkelt computer under dit skrivebord. Den hedder Muse Glimmer, den er gratis, og du må bruge den kommercielt uden at spørge nogen om lov.

Det rejser spørgsmålet, som mange danske virksomheder har stillet i to år: kan vi køre AI i eget hus uden at investere i en serverpark?

Vi har læst modelkortet, regnet på hardwaren i danske kroner og fundet frem til, hvor grænsen faktisk går. Svaret er ja til nogle opgaver og nej til andre, og den forskel er vigtigere end selve nyheden.

Hvad Meta faktisk har udgivet

Muse Glimmer er en model med 30 milliarder parametre, udgivet under Apache 2.0 den 10. august. Den licens betyder, at du må hente den, ændre den, bygge et produkt oven på den og sælge det, uden at betale Meta eller nævne dem. Det er en reel forskel fra Llama-licensens begrænsninger, som stiller særlige betingelser til meget store virksomheder, og hvor Llama 4-licensen oven i købet indeholder en begrænsning for EU organisationer.

Modellen er bygget til én ting: at være motoren i en agent, der kører længe og kalder værktøjer undervejs. Den kan læse billeder og dokumenter, den har et arbejdsvindue på 131.072 tokens, svarende til omkring 100.000 ord ad gangen, og den er trænet til at opdage, når et værktøjskald fejler, og prøve igen med en rettelse i stedet for at gå i stå. Værktøjskaldene sker typisk gennem MCP, den standard, der har bevæget sig fra eksperiment til enterprise-niveau i løbet af det seneste år.

Meta gav dog ikke det hele fra sig.

Glimmer er destilleret ud fra Muse Spark, Metas nye model, og Spark forbliver lukket og kun tilgængelig gennem Metas egne kanaler. Vi skrev i foråret om Metas kursskifte væk fra open source, og denne udgivelse ændrer ikke det billede. TechCrunch formulerede det præcist i sin dækning: adgang er ikke det samme som ejerskab.

Du får den lille model, Meta beholder den store.

Apache 2.0 dækker desuden kun modellen.
Træningsdata og hele træningsopsætningen er ikke offentliggjort, og derfor er "open source" i denne sammenhæng en tilsnigelse. Du kan bruge modellen frit, men du kan hverken bygge den igen fra bunden eller efterprøve, hvad den har set. Hvis den skelnen er ny for dig, har vi samlet forskellen på open source og open weights i ordbogen.

Hvad "kører på din computer" koster i kroner

Metas egen formulering er, at modellen kører på "en Mac eller PC med et enkelt alm grafikkort".
Det lyder som en bærbar fra Elgiganten.. Det er den ikke!

I praksis skal du bruge 24 til 32 GB grafikhukommelse. Det østrigske medie Trending Topics var blandt de få, der skrev det ligeud i sin gennemgang af lanceringen. Modellen fylder over 55 GB i fuld præcision og skal komprimeres ned til cirka fire bit for at passe i en almindelig maskine.

Meta udgiver selv to komprimerede udgaver: en, der kræver 32 GB og koster 0,2 procent i kvalitet, og en, der kræver 24 GB og koster 1,0 procent.

Hardwaren ser sådan ud, omregnet fra amerikanske listepriser og altså vejledende frem for et dansk tilbud. Et RTX 5090-grafikkort med 32 GB koster mellem 3.000 og 5.000 dollars alene, groft regnet 20.000 til 33.000 kroner, og du skal have en maskine omkring det.

En Mac Studio med M3 Ultra ligger omkring 5.300 dollars, altså cirka 35.000 kroner, mens en MacBook Pro med M5 Max starter omkring 3.900 dollars. Hastigheden lander et sted mellem 30 og 66 tokens i sekundet afhængigt af maskinen, hvilket nogenlunde svarer til, hvor hurtigt et menneske læser.

Strømmen er den post, hvor de amerikanske vurderinger ikke kan overføres.

Et RTX 5090 trækker 575 watt under belastning. Kører den for fuld skrue døgnet rundt, bliver det cirka 5.000 kilowatttimer om året, og med en dansk erhvervspris omkring 2,5 kroner er du oppe på over 12.000 kroner årligt bare i strøm. Med en realistisk belastning på en tredjedel af tiden lander du nærmere 4.000 kroner, og selv det er mere end de omkring 200 dollars, amerikanske indkøbsguides regner med. Tallene afhænger naturligvis af jeres elaftale, men størrelsesordenen holder.

Det ingen har målt: hvor mange medarbejdere kan dele én maskine

Hverken Meta, NVIDIA, AMD eller de uafhængige gennemgange har offentliggjort tal for, hvor mange samtidige brugere eller agenter en enkelt maskine kan betjene. Det er ellers præcis det tal, der afgør, om en virksomhed kan droppe serverparken.

En model, der svarer én person hurtigt, og en model, der betjener tredive medarbejdere samtidig, er to vidt forskellige investeringer.

NVIDIA oplyser i sin egen implementeringsvejledning "over 20 tokens i sekundet per grafikkort" på deres kraftigste serverhardware, hvilket er et beskedent tal, når man tænker på, at det skal deles mellem flere brugere.

Der er en teknisk grund til, at det bliver svært. Når flere samtaler kører på samme maskine, skal hver samtales hukommelse ligge i det samme grafikkort som modellen selv. Jo flere brugere og jo længere samtaler, jo mindre plads er der tilbage til selve modellen. På en server i skyen løser man det ved at sætte flere kort ind, og den udvej findes ikke på én maskine under skrivebordet.

Vores vurdering, og vi markerer den som en vurdering og ikke et målt tal, er, at én maskine realistisk betjener en håndfuld samtidige agenter. Det rækker til en afdeling eller en enkelt automatiseret arbejdsgang, mens en løsning, der skal dække hele huset, stadig kræver rigtige servere med flere grafikkort i.

Tallene du ikke skal tage for pålydende

Meta sammenligner Glimmer med to modeller:
Googles Gemma4 i 31B-udgaven og Alibabas Qwen3.6 i 27B-udgaven.

Begge er af samme størrelse. Der er ingen sammenligning med de store modeller fra OpenAI eller Anthropic, som er dem, dine medarbejdere faktisk bruger i dag.

Meta har desuden selv kørt evalueringerne. Det gør dem ikke forkerte, men det gør dem til en virksomhedspåstand, som stadig mangler uafhængig efterprøvning. Tallene er stærke på værktøjskald, hvor Glimmer scorer 75,5 mod Qwens 62,5 og Gemmas 54,2, og på kodning. Modellen taber til Qwen på styring af skærmbilleder og museklik, 65,9 mod 75,6, og den taber marginalt til Gemma på generel videnstest.

Påstanden om, at komprimeringen næsten ikke koster kvalitet, gælder ifølge Meta selv kun for agentopgaver. Hvad den koster på oversættelse, tekstskrivning eller analyse, oplyser de ikke, og det er netop de opgaver, de fleste kontorer ville prøve modellen af på først.

Og så er der sprogpåstanden, som er den, der rammer danske virksomheder hårdest.

Meta skriver, at modellen er trænet på "data fra mere end 100 sprog". Vi har gennemgået modelkortet på Hugging Face, Metas forskningsblog, Meta Developer og Ollama-siden. Ingen af dem nævner ét eneste sprog ved navn, og dansk optræder ikke nogen steder. Modelkortet indrømmer selv, at modellen ikke er evalueret på alle sprogene, og at kvaliteten kan falde uden for det, de kalder "the strongly supported set", som de aldrig definerer.

Til sammenligning offentliggør både Qwen og Gemma lister over deres understøttede sprog. "Over 100 sprog" uden en liste er markedsføring frem for en specifikation. Vi har selv målt en lokal AI-model på dansk retskrivning, og erfaringen derfra er, at forskellen mellem sprogene er større, end producenterne lægger op til.

To virksomheder hvor den giver mening i dag

Bogholderiet der drukner i bilag.
En mellemstor produktionsvirksomhed modtager 500 fakturaer om måneden i alle mulige formater. En bogholder åbner hver enkelt, finder beløb, moms, dato og leverandør, og taster det ind. Det tager to hele arbejdsdage hver måned, og det er det samme arbejde hver gang.

Glimmer kan læse en faktura som et billede, fordi den er multimodal, og trække felterne ud. Derefter kan den skrive posteringen direkte ind i økonomisystemet gennem en integration. Bogholderen går fra at taste til at godkende, og bilagene forlader aldrig virksomhedens egen maskine. Regnestykket er til at overskue: 500 dokumenter om måneden med billedgenkendelse koster rigtige penge hver måned over API, mens den lokale maskine kører videre for strømprisen.

Advokatkontoret med tavshedspligt.
Et kontor med 4.000 sagsakter vil kunne søge på tværs af dem og få opsummeringer. Materialet er fortroligt og personfølsomt. Overførsel til en amerikansk sky kan godt lade sig gøre juridisk med de rigtige aftaler på plads, men dokumentationsbyrden, klienternes forventninger og risikoen ved et brud får mange kontorer til at vælge det fra. Når data bliver på kontorets egen maskine, forsvinder hele den diskussion, og vi har beskrevet opbygningen af en lokal AI-løsning, der overholder GDPR mere detaljeret.

Apache 2.0 gør samtidig, at kontorets it-leverandør må bygge en løsning oven på modellen og sælge den videre til andre kontorer uden at skulle forholde sig til Metas betingelser. Sekretæren, der bruger den, skal ikke vide noget om nogen af delene. Hun skriver et spørgsmål og får svar med henvisning til de rigtige akter.

Fællestrækket i de to eksempler er det samme: opgaverne er ensartede, mængden er høj, og data må ikke rejse. Er en af de tre ting ikke opfyldt, er en almindelig model i skyen både billigere og bedre, og det er den samme afvejning, vi laver hver gang vi bygger AI-agenter til virksomheder.

Sikkerheden er den reelle stopklods

I Metas eget modelkort står der et tal, som ingen af de engelske nyhedsartikler fremhævede. På AgentDojo, en test for såkaldt indirekte prompt injection, hvor en angriber gemmer skjulte instruktioner i et dokument eller en mail, som modellen læser, lykkes angrebet i 28,4 procent af tilfældene.

Oversat til dansk virkelighed: hvis din agent har adgang til at oprette posteringer, sende mails eller ændre data i CRM'et, og en leverandør sender en faktura med skjult tekst, er der mere end én ud af fire chance for, at agenten følger angriberens instruktion i stedet for din. Det er ikke et teoretisk scenarie, når modellen samtidig markedsføres på, at den kan læse fakturaer.

Meta skriver selv i modelkortet, at man bør implementere yderligere sikkerhedsforanstaltninger, herunder menneskelig godkendelse af handlinger, der ikke kan fortrydes. Det skal læses bogstaveligt! 

En agent, der læser og foreslår, kan man forsvare i drift, mens en agent, der skriver og sender uden godkendelse, ikke bør sættes i produktion uanset hvor pæne benchmarktallene ser ud. Ordentlige guardrails mod prompt injection hører til i grundopsætningen fra dag ét.

Der er også to konsekvenser af lokal drift, som sjældent nævnes i begejstringen. Der er ingen opdateringer fra serversiden, hvilket betyder, at ingen retter modellen for dig, når der findes en fejl. Og fordi modellen er frit tilgængelige, kan de indbyggede sikkerhedsspærringer fjernes igen ved efterfølgende træning, hvilket er en fordel for forskere og et problem for den, der skal svare på, hvad der kører i produktionen.

Så er svaret ja eller nej?

Ja til den afgrænsede opgave.
Nej til virksomheden som helhed.

Muse Glimmer er den første open-weight-model i sin klasse, der samtidig er god nok til værktøjskald, lille nok til en enkelt maskine og fri nok licensmæssigt til at indgå i et kommercielt produkt.

De tre ting har ikke været opfyldt på én gang før, og det er den reelle nyhed i dagens udgivelse. En investering på 30.000 til 40.000 kroner i hardware er inden for rækkevidde for langt de fleste danske virksomheder, og det er noget helt andet end en serverpark.

Men den erstatter ikke jeres nuværende AI-forbrug. Den kan én afdeling eller én arbejdsgang ad gangen, den er svagere end de modeller, medarbejderne allerede bruger, og dens danske sprogkvalitet er udokumenteret. Den mest fornuftige opbygning er en kombination, hvor den lokale model klarer de mange ensartede opgaver, og de svære spørgsmål sendes videre til en større model over API, så I kun betaler for det, der reelt er svært.

Det næste skridt er ikke at købe hardware. Det er at måle. Tag 50 af jeres egne dokumenter, kør dem igennem, og se, om udtrækket holder på dansk. Det svar findes ikke i Metas dokumentation, og det er den eneste måde at finde ud af, om modellen duer til jeres opgave.