En vedvarende, lærende runtime til AI-agenter.
Duplex definerer en ny kategori.
Det er ikke endnu en hukommelsesdatabase til din model. Duplex gør en midlertidig assistent, bundet til én model, til et system, der lærer af arbejdet, bevarer sin kontekst, håndhæver dine regler, bliver bedre til at bruge dine værktøjer, deler det lærte med tilladelse og skifter mellem modeludbydere uden at miste noget af det.
Det manglende fjerde lag.
Dagens AI fordeler intelligensen på tre lag. Modellen ræsonnerer, genfinding leverer dokumenter og minder, og applikationskoden kører arbejdsgangene, tilladelserne og værktøjerne. Ingen af dem lærer af arbejdet. Duplex tilføjer det fjerde: læring fra alt, hvad dine agenter gør, bevaret, så længe du kører den.
Modellen ræsonnerer om opgaven og glemmer den, når opgaven er færdig.
Det, genfinding aldrig blev bygget til at rumme.
Genfinding henter dokumenter og minder, der ser relevante ud. Duplex bevarer det, arbejdet har lært fra sig, og handler på det:
- 01Hvad der lykkedes, og hvad der slog fejl
- 02Hvilke handlinger der førte til hvilke resultater
- 03Hvilket værktøj der virker i hvilken situation
- 04Hvilke arbejdsmåder der forbedrede resultaterne
- 05De præferencer og regler, der stadig gælder
- 06Hvad hver handling ændrer
- 07De færdigheder, som gentaget arbejde har lært den
- 08Hvad der skal glemmes, omgøres eller trækkes tilbage
- 09Hvornår den kan svare selv, og hvornår den skal spørge din model
Din AI er modellen plus det, Duplex har lært.
Modellen kan skiftes. Det, Duplex har lært, bliver.
Din AI
Det, dine medarbejdere og agenter arbejder med
Grundmodellen
Kan skiftes: en ny version, en ny leverandør
Det, Duplex har lært
Forbliver: dit, og vokser stadig
Den adskillelse ændrer, hvad en organisation ejer. Det, den har lært, behøver ikke længere at leve inde i én leverandørs vægte, én chatudskrift eller én apps eget hukommelsesformat.
En ny model kommer. Alene starter den fra nul; med Duplex beholder den alt, hvad der er lært indtil nu.
For erhvervslivet: AI, der vokser som renters rente.
Duplex ændrer økonomien i AI på arbejdspladsen. Hvert bekræftet resultat kan gøre den næste opgave bedre, og det, der bygges op, er dit at beholde.
Værdi, der vokser som renters rente.
De fleste AI-udrulninger starter næsten fra nul ved hver opgave. Prompts, genfinding og faste arbejdsgange giver kontekst, men systemet bliver ikke bedre af hvert bekræftet resultat. Med Duplex kan hver afsluttet opgave efterlade noget:
- Et bedre valg af værktøj
- En lærdom om, hvad en handling ændrer
- En genbrugelig færdighed
- En rettet beslutning
- En regel at følge
- Et gennemarbejdet eksempel
- Et klart signal om, hvad der virkede
- En hurtigere vej tilbage ind i arbejdet
- En ny evne, testet før brug
Så bliver systemet mere nyttigt, jo mere din organisation bruger det.
Intelligens, der flytter med dig.
Claude, Codex, Cursor og Hermes kan alle trække på den samme Duplex, og det kan dine egne agenter også, gennem MCP + hooks. Skift modellen, agentklienten, modeludbyderen eller værktøjsleverandøren, og behold processerne, reglerne, historikken og færdighederne, som din organisation har lært.
Leverandørlåsningen forsvinder, og det, din organisation lærer, bliver et varigt aktiv.
Person, team og virksomhed, i lag.
Duplex bevarer det, den lærer, på hvert niveau, der betyder noget:
- Én person
- Et team
- Organisationen
- Én opgave
- Et arbejdsområde
- En agent
- En delt tråd
En person beholder sine præferencer og arbejdsmåder. Et team opbygger fælles praksis og viden om værktøjer. Organisationen sætter de regler, alle arbejder inden for, mens personer og teams bliver ved med at lære under dem. Det er langt mere værd end én global hukommelse.
Regler for det, agenter gør, ikke kun for det, de får at vide.
Duplex’ regler styrer, hvad en agent faktisk kører, ikke bare hvad en prompt beder modellen om. Gennem MCP + hooks deltager Duplex før hver forespørgsel, før hvert værktøjskald og efter hvert resultat, og hver gang viden deles eller glemmes.
Virksomheder har brug for kontrol over adfærd, ikke bedre formuleringer.
Finjustering, til langt færre ting.
Finjustering har stadig sin plads, når en model har brug for en ny generel evne eller adfærd. Men mange forretningsbehov kræver slet ikke, at vægtene ændres:
- »Husk vores udgivelsesprocedure.«
- »Lær, hvilket diagnoseværktøj der løser denne fejl.«
- »Stop med at anbefale det, der bliver ved med at fejle.«
- »Overhold denne kundes begrænsning.«
- »Fortsæt opgaven, når vi har skiftet model.«
- »Del denne beviste proces med teamet.«
- »Træk det tilbage, der ikke længere er sandt.«
Duplex håndterer dem uden for modellen: hurtigere, reversibelt, sporbart til kilden og som regel billigere end at finjustere igen og igen.
En ny konkurrencefordel.
Det værdifulde aktiv er ikke længere kun modellen. Den varige fordel bliver dette:
Din organisations løbende opbyggede, styrede og flytbare operationelle intelligens.
To virksomheder kan bruge den samme model og få meget forskellige resultater, fordi den ene har mange års bekræftede lærdomme, færdigheder, regler, rettelser, udfald og opgavehistorik i Duplex.
For forskningen: kontinuerlig læring som et system.
Duplex behandler kontinuerlig læring som et systemproblem, ikke kun som et spørgsmål om, hvordan man opdaterer et netværks vægte.
Læring, der lader vægtene være i fred.
Meget forskning i kontinuerlig læring opdaterer et netværks vægte og forsøger samtidig at undgå katastrofal glemsel. Duplex går en anden vej og tilpasser sig uden for modellens vægte. Det er stadig ægte kontinuerlig læring: det, den gør næste gang, ændrer sig med det, den har oplevet. Og den tilbyder det, som vægtopdateringer har svært ved at levere:
- Præcis sporing til kilden
- Læring, der kan omgøres
- Isolering mellem kunder
- Selektiv glemsel
- Et komplet revisionsspor
- Tilpasning med det samme
- Langt mindre regnekraft
- Ingen nedetid til gentræning
Mange former for læring, der kører som én.
Duplex samler flere former for læring: at tilpasse sig hurtigt, genkende det nye, vide, hvor sikker den er, forudsige, hvad en handling vil ændre, planlægge, lære af udfald og gøre evidens til færdigheder, som den tester før brug.
Forskningsværdien ligger ikke i en enkelt algoritme. Den ligger i at køre dem som ét vedvarende, styret læringssystem bag rigtige agenter.
Aflæring, der når ud til alt.
At glemme er mere end at slette en post. Når evidensen bag noget fjernes, kan alt, hvad Duplex har lært af den, trækkes tilbage sammen med den. Det har betydning for privatlivets fred, rettelser, sikkerhed, regulering og videnskabelig gyldighed.
Et system, der lærer, men ikke kan aflære præcist, er ufuldstændigt, når det skal køre i årevis.
Langt arbejde, uden hele udskriften.
Duplex fører videre, hvad en lang opgave har brug for: dens mål, dens beslutninger, dens begrænsninger og det arbejde, der stadig er åbent.
Kontinuitet behøver ikke at betyde, at modellen skal fodres med hele historikken igen, og det er vigtigt for agenter, der arbejder i timer eller dage.
Læring fra mere end ord.
Duplex lærer af billeder, lyd, video og dokumenter såvel som af tekst, under den samme styring af, hvad der må læres. Skærmbilleder, designudkast, optagede samtaler, dokumenter og output fra værktøjer kan alle lære den noget.
Pointen er ikke at finde medier. Det er at forbinde den evidens med udfald, opgaver, færdigheder og glemsel.
For AI-feltet: hvor intelligensen lever.
Dens største konsekvens: intelligens behøver ikke længere at leve helt inde i grundmodellen.
En ny enhed af intelligens.
Den gængse opfattelse og den, Duplex gør mulig:
Modellen er det intelligente produkt.
Det intelligente produkt er modellen plus en runtime, der bliver ved med at lære.
Forbedringer kan så opbygges mellem modelkald, mellem sessioner og endda mellem modeludbydere.
Modeller bliver lettere at skifte.
Når hukommelse, personalisering, regler, lært værktøjsbrug, kontinuitet i opgaverne og en organisations egne færdigheder lever i Duplex, bliver modellen nedenunder lettere at udskifte. Modeller konkurrerer stadig på ræsonnement, hastighed, modalitet og pris.
Men det, en kunde har opbygget, forsvinder ikke længere, når modellen skifter, og magten flytter sig mod den, der besidder det lærte.
Agenter, der forbliver sig selv.
En agent, der er forbundet til Duplex, fortsætter som sig selv, når:
- En samtale slutter
- Kontekstvinduet bliver fyldt
- Klienten genstarter
- En opgave genoptages dage senere
- Modellen skifter
- Arbejdet flytter fra Claude Code til Codex
- En anden autoriseret person kommer med
Det ligger tættere på en vedvarende softwaremedarbejder end på en række chats uden sammenhæng.
En klar grænse mellem model og system.
ACI er den intelligens, der tilpasser sig. Duplex er produktet omkring den: beslutningerne, styringen, vejene ind og livscyklussen for alt, hvad den lærer. Agenter arbejder med nogle få enkle, stabile operationer, modellen behøver aldrig at vide, hvad der kører under dem, og hooks knytter hver beslutning til en reel handling.
Den grænse er det, der gør en motor til infrastruktur, som enhver agent kan bruge.
En anden måde at skalere på.
AI-feltet går ofte ud fra, at mere kompetent AI primært kræver større modeller, mere træningsdata, længere kontekstvinduer eller mere regnekraft ved inferens. Duplex tilføjer en anden dimension:
En kompetent model, der bliver ved med at samle bekræftet erfaring uden for sine vægte.
Det kan udrette mere, for mindre, end at gøre modellen eller dens prompt større igen og igen.
Det, Duplex er ved at blive.
Duplex får AI-agenter til at huske, lære, blive bedre, følge reglerne og fortsætte, på tværs af sessioner og modeller.
Den er ikke bare
- En vektordatabase
- Et hukommelsesplugin
- Et værktøj til promptstyring
- En MCP-server
- En motor til arbejdsgange
- En politik-gateway
- Et finjusteringssystem
Den samler dele af dem alle i én runtime, der lærer.
Duplex ved siden af hukommelse, færdigheder, finjustering og AI-gateways →Kort sagt.
For erhvervslivet
AI, der bliver bedre gennem brug og bevarer det, den har lært, på tværs af agenter og modelleverandører.
For forskningen
Kontinuerlig tilpasning, usikkerhed, hukommelse, planlægning, reversibel læring og evidens fra alle medier, i ét system, der arbejder bag rigtige agenter.
For AI-feltet
Intelligens behøver ikke længere at leve helt inde i modellen. Det, der læres, kan blive et separat lag: styret, flytbart og dit.
Infrastruktur, ikke en funktion.
Den største mulighed er at få kontinuerlig læring til at virke i praksis: øjeblikkelig, vedvarende, reversibel, styret og tilgængelig for de agenter, du allerede bruger, gennem MCP + hooks, uden at din model skal ændres. Duplex er designet til at være det lag, hvor mennesker og organisationer opbygger deres AI-intelligens, mens modellerne bliver udskiftelige ræsonneringsmotorer under det.
Intelligensen, der overlever hver model, er din.
Et pilotprojekt sætter Duplex på dit eget arbejde, med succeskriterierne aftalt, før det går i gang.