ChatGPT-nedbruddet 23. juli: Hvad gik galt, og hvor mange blev ramt?

Torsdagens nedbrud henviser til forstyrrelsen 23. juli 2026, hvor OpenAI meldte om forhøjede fejl på ChatGPT, Codex og virksomhedens API. Det er mere præcist at beskrive hændelsen som forringet ydeevne eller et delvist nedbrud end som et bekræftet globalt stop: Mange brugere oplevede problemer, men de tilgængelige oplysninger viser ikke, at alle konti, abonnementstyper eller regioner blev ramt. 3029

Hvad skete der 23. juli?

Brugere fortalte, at forespørgsler i ChatGPT fejlede, gik i stå eller ikke kunne indlæses. Der kom også meldinger om problemer på både web og mobil, mens Codex og OpenAI’s API var blandt de berørte tjenester. 222932

OpenAI beskrev hændelsen som ”forhøjede fejlprocenter”. Formuleringen er vigtig: Den betyder, at en usædvanligt stor andel af forespørgslerne fejlede, men ikke nødvendigvis, at tjenesten var utilgængelig for samtlige brugere. 30

IT-afdelingen på University of Colorado, som fulgte hændelsen for sine brugere, skrev, at OpenAI arbejdede sammen med en underleverandør på infrastrukturen for at få tjenesten tilbage til normal drift. Universitetet meldte om genoprettet service tidligere 23. juli, mens OpenAI’s egen hændelseslog fortsatte med at overvåge situationen ind i den følgende dag. 2930

Hvor omfattende var fejlene?

Rapportering baseret på Downdetector viste over 300 brugerrapporter kort før klokken 15 den 23. juli. Næsten 90 procent af klagerne handlede om ChatGPT. 22

Tallet skal dog ikke læses som et mål for den samlede nedetid eller det totale antal fejlslagne forespørgsler. Nedbrudstjenester tæller brugere, der selv indsender rapporter, og resultatet kan derfor påvirkes af blandt andet kendskab til tjenesten, geografi og hvor synligt problemet er. OpenAI’s officielle beskrivelse – forhøjede fejlprocenter – siger mere om hændelsens tekniske omfang end det rå antal rapporter alene. 2230

Kilderne dokumenterer, at brugere blev påvirket på tværs af ChatGPT og relaterede OpenAI-tjenester. De dokumenterer ikke, at alle brugere, abonnementer eller geografiske områder oplevede den samme fejl. Derfor er ”delvist nedbrud” eller ”forringet ydeevne” mere præcist end at sige, at ChatGPT var helt nede.

Hvordan reagerede OpenAI?

OpenAI’s statusopdateringer fulgte den normale rækkefølge ved en driftsforstyrrelse:

1. Virksomheden begyndte med at undersøge problemet på de berørte tjenester.
2. Den identificerede forhøjede fejlprocenter og arbejdede på en afhjælpning.
3. Afhjælpningen blev sat i drift, hvorefter genopretningen blev overvåget.
4. Hændelsen blev markeret som løst klokken 19.33 UTC fredag 24. juli, da alle berørte tjenester igen blev meldt fuldt genoprettet. 30

Tidslinjen var ikke identisk i alle meldinger. University of Colorados IT-meddelelse skrev, at en løsning havde genoprettet ChatGPT, OpenAI API’er og Codex klokken 15.36 den 23. juli, mens statusoptegnelsen fortsatte med at overvåge genopretningen. 2930 Det kan skyldes ujævn genopretning, forskellige tidspunkter for rapportering eller, at OpenAI fortsatte overvågningen, efter at mange kunder igen kunne bruge tjenesterne. De offentlige oplysninger gør det ikke muligt at fastslå, hvilken forklaring der er den rigtige.

OpenAI offentliggjorde heller ikke en detaljeret teknisk årsag i de tilgængelige opdateringer. Henvisningen til en underleverandør på infrastrukturområdet i universitetets meddelelse er den tydeligste offentlige oplysning om den tekniske sammenhæng, men den bør ikke fremstilles som en fuldstændig forklaring på årsagen. 29

Hvordan var det sammenlignet med nedbruddet 25. juli?

Hændelsen 23. juli stod ikke alene. Den var en del af en vanskelig periode for OpenAI. Den 25. juli oplevede ChatGPT, Codex og OpenAI’s API igen forhøjede fejlprocenter. Brugere meldte om utilgængelige samtaler, fastlåste prompts og 503-fejl – herunder en intern fejlbetegnelse, som forhindrede forespørgsler i at nå OpenAI’s servere. The Next Web beskrev hændelsen som virksomhedens fjerde driftsforstyrrelse på fire dage. 7

Andre medier beskrev 25. juli som et bredere globalt nedbrud, hvor brugere i flere lande ikke kunne indlæse samtaler, åbne gemt historik eller køre prompts. 315

Forskellen mellem datoerne er væsentlig: Den 23. juli var der tale om en betydelig, men ikke nødvendigvis universel, forringelse af tjenesten. Den 25. juli kom der meldinger om en bredere og mere synlig svigt på tværs af både forbruger- og udviklertjenester.

Hvordan står juli-hændelserne i forhold til april?

Forstyrrelsen 20. april blev også rapporteret langt mere omfattende. Moneycontrol henviste til over 1.720 Downdetector-rapporter om gateway-fejl, loginproblemer og manglende adgang til samtaler, mens TechRadar skrev, at OpenAI klassificerede hændelsen som et delvist nedbrud, der varede mindst 90 minutter. 1112

Rapporteringen fra 20. april beskrev desuden problemer med at åbne projekter og i nogle tilfælde igangværende arbejde. En afhjælpning blev sat i drift omkring klokken 13 Eastern Time, hvorefter genoprettelsen blev overvåget. 14

Den mest forsigtige sammenligning handler derfor om mønster og synlighed: 20. april var et større og skarpere rapporteret ChatGPT-nedbrud, mens slutningen af juli bød på gentagne hændelser på tværs af ChatGPT, Codex og API’et over flere dage. Kilderne fastslår ikke, at alle hændelserne havde samme tekniske årsag.

Hvad betød nedbruddet for arbejdspladser?

For privatbrugere viste problemerne sig især som fejlslagne prompts, indlæsningsproblemer og utilgængelige samtaler. For teams kunne konsekvenserne række langt ud over selve ChatGPT-grænsefladen. Organisationer, der bruger API’et eller Codex, kan have oplevet fejlslagen automatisering, forsinkede job, afbrudte udviklerflows eller køer i systemer, der er afhængige af svar fra OpenAI. Sikkerheds- og platformvejledning efter juli-hændelserne opfordrede specifikt teams til at undersøge, om API-afhængige systemer havde skabt skjulte fejl, ophobet arbejde eller synlige fejl – og om autonome opgaver var stoppet på en sikker måde. 6

De præcise forretningsmæssige omkostninger blev ikke offentliggjort. Der findes ikke et pålideligt grundlag i de tilgængelige kilder for et beløb i kroner eller dollar, og den operationelle effekt vil afhænge af organisation, arbejdsbyrde og mulighederne for at skifte til en reserveløsning.

For teams, der er afhængige af OpenAI-tjenester, peger hændelsen på nogle konkrete spørgsmål:

• Bliver fejlslagne forespørgsler forsøgt igen med stigende ventetid, uden at arbejdet bliver duplikeret?
• Kan applikationer skelne mellem en midlertidig leverandørfejl og et svar, der faktisk er gennemført?
• Er kølagte job synlige, når API’et er forringet?
• Kan brugerne skifte til en dokumenteret reserveløsning, når ChatGPT eller Codex ikke er tilgængelig?
• Fejler flertrins- eller autonome arbejdsgange sikkert, så de ikke stopper midt i en opgave? 6

Hvorfor fulgte forudsigelsesmarkederne med?

De gentagne juli-forstyrrelser tiltrak også opmærksomhed på forudsigelsesmarkeder, hvor kontrakter kan definere et nedbrud ud fra OpenAI’s officielle klassifikation som ”delvist” eller ”fuldt” på en bestemt dag. 18 Andre markeder fulgte, hvor mange nedbrudsdage ChatGPT kunne få i løbet af juli. 20

Markederne er et tegn på offentlig interesse for stabiliteten i AI-tjenester, men priserne er ikke dokumentation for årsag, alvor eller sandsynligheden for et fremtidigt nedbrud. De afspejler handelsadfærd og ordlyden i den enkelte kontrakt – ikke en uafhængig måling af driftssikkerhed.

Konklusion

ChatGPT-hændelsen 23. juli var en reel driftsforstyrrelse hos OpenAI, som påvirkede ChatGPT, Codex og API’et. De stærkeste oplysninger understøtter dog betegnelsen forhøjede fejlprocenter og forringet ydeevne frem for et totalt globalt nedbrud. Over 300 brugerrapporter viste den synlige påvirkning, mens OpenAI’s statustidslinje bevægede sig fra undersøgelse til afhjælpning og overvågning, før hændelsen blev markeret som løst klokken 19.33 UTC 24. juli. 2230

Den større betydning ligger i mønstret omkring hændelsen. Den 23. juli blev fulgt af endnu en større forstyrrelse 25. juli, mens 20. april allerede havde vist, hvordan et ChatGPT-nedbrud kunne ramme samtaler, projekter og arbejde, der afhænger af API’et. For virksomheder, der bruger AI i produktionen, handler læringen derfor mindre om ét enkelt nedbrudstal og mere om at bygge overvågning, genforsøg, sikker fejlhåndtering og praktiske reserveløsninger ind i arbejdsgangene.