Claude-feil fikk Notion til å stenge Anthropic-modeller

Notion måtte midlertidig stenge tilgangen til Anthropic-modeller i Notion AI etter en driftsfeil hos Anthropic. Det er en liten hendelse i minutter og timer. Men den peker på et stort problem for virksomheter som nå bygger arbeidsflyt, kunnskapsbase og utviklerverktøy rundt eksterne AI-modeller.

Ifølge TechCrunch meldte Notion tidlig søndag at Anthropic-modellene Opus 4.7 og 4.8 hadde redusert ytelse og ga høyere feilrate for brukere som valgte disse modellene i Notion AI. Notion svarte med å deaktivere «all Anthropic models» i produktet. Senere opplyste Notion at tilgangen var gjenopprettet.

Anthropic bekreftet overfor TechCrunch at en kortvarig infrastrukturfeil ga forhøyede feilrater på flere Claude-modeller. Selskapet sa at feilen var løst. Claude-statussiden viser også flere hendelser gjennom helgen, blant annet forhøyede feil på Claude Opus 4.7 søndag ettermiddag UTC og redusert ytelse for flere modeller tidligere samme dag.

Dette er ikke først og fremst en historie om modellkvalitet. Det er en historie om drift. Når AI bygges inn i produktivitetssystemer, utviklerverktøy og saksbehandling, blir modelltilgangen en del av virksomhetens produksjonslinje. Da holder det ikke å spørre om modellen er smart nok. CIO og CISO må også spørre hva som skjer når modellen svarer tregt, feiler, endrer oppførsel eller blir slått av av en leverandør lenger opp i kjeden.

Notion gjorde det riktige fra et operasjonelt perspektiv: begrens eksponeringen når feilraten blir for høy, kommuniser til brukerne og slå på igjen når leverandøren er stabil. Men hendelsen viser samtidig hvor fort et tilsynelatende enkelt valg i en SaaS-applikasjon blir et styringsspørsmål. En virksomhet som har standardisert intern kunnskapsflyt, oppsummeringer, møteforberedelser eller kundearbeid på en bestemt modell, kan få merkbar friksjon selv om hendelsen er kort.

Det praktiske spørsmålet er derfor ikke om Anthropic, OpenAI, Google eller andre kan ha driftsavvik. Det kan alle. Spørsmålet er om virksomheten har designet AI-bruken slik at et avvik blir en irritasjon, ikke en produksjonsstans.

For norske ledere betyr det tre konkrete ting.

For det første må AI-leverandører inn i vanlig leverandørstyring. Det gjelder ikke bare databehandleravtaler, logging og pris. Det gjelder statusvarsling, historikk for avvik, SLA-er, varslingsrutiner og klare kontaktpunkter. Hvis AI er en del av arbeidsflyten, er modellstatus en driftsindikator.

For det andre må fallback bli en del av arkitekturen. Noen oppgaver kan rutes til en annen modell. Andre bør falle tilbake til en enklere funksjon, kø, manuell behandling eller «read-only»-modus. Det må avgjøres før avviket skjer. Hvis hver avdeling improviserer sin egen nødløsning, får man både datarisiko og dårlig kontroll på kostnadene.

For det tredje må virksomheten skille mellom kritiske og ikke-kritiske AI-funksjoner. En agent som hjelper ansatte å skrive bedre interne notater tåler mer nedetid enn en agent som håndterer kundehenvendelser, endrer systemkonfigurasjon eller foreslår tiltak i sikkerhetsarbeid. De må ikke styres likt.

Hendelsen er også et forvarsel om hva som skjer når AI-markedet går fra eksperiment til infrastruktur. Flere selskaper bruker samme modellfamilier gjennom mange forskjellige produkter. En feil hos én modellleverandør kan derfor dukke opp som feil i en rekke applikasjoner som sluttbrukeren oppfatter som uavhengige tjenester. Det gjør rotårsaksanalyse vanskeligere og ansvarsforholdet mer uklart.

Styrene bør ikke lese dette som et argument mot Claude eller Notion. De bør lese det som et argument for moden AI-drift. Når modellene blir en del av kjerneprosesser, må de få samme type beredskap som skytjenester, identitetssystemer og betalingsløsninger. Det betyr eierskap, risikoklassifisering, testede fallback-løp og en enkel oversikt over hvilke forretningsprosesser som stopper hvis en modellfamilie får problemer.

Den oversikten mangler fortsatt i mange selskaper. De vet hvilke systemer de har kjøpt. De vet ofte ikke hvilke modeller som faktisk brukes inni systemene, hvilke regioner de kjører i, hvilke data som sendes, og hva som skjer hvis leverandøren bytter modell, stenger en modell eller får en helgehendelse.

Notion-episoden er dermed nyttig nettopp fordi den er konkret. Den viser at AI-avhengighet ikke bare er et strateginotat eller en juridisk vurdering. Det er hverdagsdrift. Og hverdagsdrift må måles, eies og øves.

Kilder og medier

• Kilde: TechCrunch, «Notion restores access to Anthropic after service disruption», https://techcrunch.com/2026/06/07/notion-restores-access-to-anthropic-after-service-disruption/
• Driftsstatus: Anthropic Claude Status / incident history, https://status.anthropic.com/history.rss
• Thumbnail: OpenAI Image 2 / hogby.ai