graph LR
Bruker(["Bruker"]) <-.->|Forespørsel/<br/>Respons| LLM
LLM -.->|Kall | Tools[Tools]:::toolsNode
Tools -.->|Resultat | LLM
Agentisk AI
Innen AI-landskapet er det liten tvil om at “agentisk AI” og “AI-agenter” er årets mest hypede begreper, men det hersker stor uenighet om hva disse begrepene faktisk innebærer. Markedet preges av at enkelte kommersielle aktører ser ut til å ha ukritisk omdøpt de fleste eksisterende AI-løsninger til “agenter”, mens andre bruker agent-begrepet mer restriktivt. Dette minner meg litt om tidsperioden rundt 2016 da mange plutselig begynte å kalle alt fra enkle lineære regresjonsmodeller til dype nevrale nettverk som “AI”, uten at det forela noen bred enighet om den faktiske definisjonen.
I dette blogginnlegget vil jeg skrive noen tanker rundt en praktisk kategorisering av AI-systemer, forsøke å definere AI-agenter og eksemplifisere. Merk at fokuset er på generelle AI-systemer som bygger på språkmodeller.
Inndeling av ulike typer AI-systemer
Forenklet sett liker jeg å dele opp bruk av LLM-baserte AI-systemer i organisasjoner i tre kategorier, basert på grad av tilpasning og autonomi:
Generisk AI-assistent: Bruk av AI-modeller som f.eks. ChatGPT og Claude “ut av boksen”, med liten grad av tilpasning. Brukes til oppgaver som tekstgenerering, kodebistand og Q/A.
Tilpasset AI-assistent: Man utvider anvendelsesområdet til AI-assistenten med å gi den tilgang til nye systemer, datakilder og/eller verktøy. Resultatet er en AI-assistent som kan gi mer relevante og kontekstuelle svar basert på organisasjonens spesifikke informasjon og behov.
AI-agent: AI-agenter kjennetegnes ved deres evne til autonom planlegging og gjennomføring av handlinger. En slik agent kan motta en forespørsel fra en kunde og ikke bare svare, men også aktivt utføre nødvendige handlinger som å oppdatere abonnementsdetaljer, bestille produkter eller koordinere med andre systemer. Det som skiller agenten fra en tilpasset assistent er dens evne til selv å planlegge hvilke steg som må tas, velge riktige verktøy og utføre disse handlingene mer eller mindre autonomt.
Min opplevelse er at de aller fleste selskap har kommet et stykke med punkt 1 og 2, men veldig få har lykkes med punkt 3. Likevel er det nettopp i denne tredje kategorien det største kommersielle potensialet ligger.
En lignende, alternativ inndeling av AI-systemer kan man finne i veilederen til bruk av KI-assistenter, publisert av digitaliserings- og forvaltningsdepartementet1. Dette er en svært god oversikt med konkrete eksempler på bruk, men merk at hovedfokuset her er assistenter og ikke agenter.
Definisjon på AI-agent og eksempler
For å være presis kan vi definere AI-agenter som:
Definisjon
“AI-agenter er AI-baserte systemer som proaktivt forsøker å oppnå mål og fullføre oppgaver på vegne av brukeren. AI-agenter kan planlegge, resonnere, teste og utføre komplekse arbeidsflyter autonomt”
Inspirert av Google sin definisjon2, men tilpasset og oversatt
Noen eksempler på mulige klassifiseringer:
Du har laget en AI-chatbot hvor du har lastet opp noen dokumenter som den bruker som kunnskapsgrunnlag når den svarer på spørsmål. Er dette egentlig en agent? Jeg vil si nei - den planlegger ikke, kan ikke utføre handlinger eller tilpasse seg. Den handler åpenbart ikke autonomt på vegne av brukeren.
Du har laget en AI-chatbot som er koblet opp mot datavarehuset ditt. Når du stiller spørsmål til AI, gjør AIen SQL-spørringer mot databasen og returnerer data til brukeren. Er dette en AI-agent? Denne er litt mer i grenseland, men jeg vil fortsatt kalle dette en tilpasset AI-assistent. Den har svært liten grad av autonomi, kan ikke tilpasse seg proaktivt, og har et svært begrenset handlingsrom til å utføre handlinger.
Du har laget et AI-system som sjekker og kontrollerer mottate faktura. AI-systemet kan bruke verktøy for å validere faktura opp mot prosjektdatabasen, gjøre vurderinger av beløpsstørrelser, kontrollere at alle felter er med, oppdatere regnskapssystemet og eskalere dersom den finner unormale faktura. Dette vil jeg definere som en AI-agent.
Her må det bemerkes at det finnes gråsoner, og mange systemer vil nok befinne seg i grenseland mellom en tilpasset assistent og en AI-agent.
En ikke-agentisk arbeidsflyt vil typisk se noe slik ut:
Et sentralt kjennetegn med en agentisk AI-flyt er at den utfører et ikke-forhåndsbestemt antall oppgaver som påvirker miljøet, observerer utfall og selv avgjør når den er ferdig. 3 En agentisk arbeidsflyt kan se slik ut:
graph LR
Bruker(["Bruker"]):::bruker
LLM["LLM"]:::llm
Miljø(["Miljø"]):::env
Stopp["Stopp"]:::stopp
Bruker <-.->|Forespørsel/<br/>Respons| LLM
LLM -->|Handling| Miljø
Miljø -->|Tilbakemelding| LLM
LLM -.-> Stopp
classDef stopp fill:#ffccbc,stroke:#ff5722,stroke-width:2px
Det er vanlig at AI-agenter deles opp i sub-agents, som har mindre og mer konkrete oppgaver. AI presterer generelt bedre med konkrete oppgaver og uten irrelevant kontekst, så en “orkestrator-agent” kan tildele oppgaver til mer spissede sub-agenter, som igjen har tilgang på egne verktøy. Et AI-system som benytter sub-agents kan se noe slik ut:
graph LR
Bruker(["Bruker"]):::bruker
LLM["Koordinator LLM"]:::llm
Miljø(["Miljø"]):::env
Stopp["Stopp"]:::stopp
%% Sub-agents
Agent1["Sub-Agent 1<br/>Analyse"]:::agent
Agent2["Sub-Agent 2<br/>Planlegging"]:::agent
Agent3["Sub-Agent 3<br/>Utførelse"]:::agent
%% Tools/Actions for each agent
Tool1["Verktøy/<br/>Databaser"]:::tool
Tool2["Ressurs-<br/>allokering"]:::tool
Tool3["API/<br/>Integrasjoner"]:::tool
%% Main flow
Bruker <-.->|Forespørsel/<br/>Respons| LLM
LLM -.-> Stopp
%% LLM to Sub-agents
LLM -->|Delegerer| Agent1
LLM -->|Delegerer| Agent2
LLM -->|Delegerer| Agent3
%% Sub-agents feedback to LLM
Agent1 -->|Resultater| LLM
Agent2 -->|Resultater| LLM
Agent3 -->|Resultater| LLM
%% Sub-agents to Tools
Agent1 <-->|Spørring| Tool1
Agent2 <-->|Koordinering| Tool2
Agent3 <-->|Kommandoer| Tool3
%% Actions to Environment
Tool1 -->|Handling| Miljø
Tool2 -->|Handling| Miljø
Tool3 -->|Handling| Miljø
%% Environment feedback
Miljø -->|Tilbakemelding| LLM
classDef stopp fill:#ffccbc,stroke:#ff5722,stroke-width:2px
Merk at “brukeren” i et slikt system ikke nødvendigvis er i form av en chat-forespørsel, det kan også være en prosess som trigges automatisk av f.eks. et saksbehandlingssystem eller en mottatt e-mail.
Bruk av AI-agenter i praksis
Den klart vanligste og mest verdiskapende use-casen for AI-agenter per i dag er nok innen koding. Claude Code, OpenAI Codex og Gemini CLI er eksempler på AI-agenter som er spesielt utviklet for å bistå med koding og programmering. Disse agentene mottar generelle eller spesifikke instruksjoner og kan deretter autonomt opprette filer, skrive, teste og redigere kode. Disse agentene har allerede blitt enormt populære.
Andre eksempler på ferdiglagde AI-agenter inkluderer ChatGPT Agent, som bla. kan kontrollere en nettleser og fullføre ulike typer oppgaver (med varierende grad av suksess). Manus er en annen generell AI-agent som kan utføre et bredt spekter av oppgaver, for å nevne noen eksempler. Her kommer det stadig flere aktører på markedet, enten med spisse løsninger for spesifikke områder eller mer generelle løsninger.
For mer spesifikke eller skreddersydde bruksområder kan man velge å lage og bygge AI-agenter selv. Dette gir mulighet for større kontroll og tilpasning. Utviklingen av egne AI-agenter gjøres ofte gjennom bruk av open source-verktøy, f.eks. med LangGraph i Python, kombinert med ferdiglagde og egenkomponerte MCP-servere. Alternativt kan man benytte kommersielle verktøy og plattformer. Azure AI Foundry Agent Service, Copilot Studio, Vertex AI Agent Builder og Amazon Bedrock Agents er bare noen eksempler på slike kommersielle løsninger som tilbyr slike plattformer for utvikling og produksjonssetting av AI-agenter, typisk med muligheter for grafiske brukergrensesnitt og forhåndsbygde integrasjoner.
Er teknologien klar?
Min mening er at teknologien per i dag bare delvis er klar for autonome AI-agenter. Det finnes isolerte bruksområder hvor teknologien vil fungere allerede (gitt strenge kontrollmekanismer), mens for mange områder vil det være behov for bedre og mer presise språkmodeller før AI-agentene kan slippes løs. Selv om svært mange snakker om AI-agenter og gjerne har bygget ulike Proof of Concepts, er det etter min erfaring i praksis få selskap i Norge som så langt bruker teknologien til å automatisere prosesser i produksjon.
Det store problemet er fortsatt hallusinering. AI-agenter feiler fortsatt for ofte på overraskende og uforutsigbare måter. Jeg har f.eks. opplevd at ChatGPT Agent brukte over 30 minutter på å forsøke å bestille en pizza for meg - før den svarte at det ikke var noen åpne pizza-restauranter i nærheten (i realiteten var nærmeste åpne pizza-restaurant under 100 meter unna). Videre finnes det mange eksempler på kodeagenter som har “mistet det” og permanent slettet hele databasen (!) til frustrerte brukere, eller gjennomgått et slags mentalt sammenbrudd.
OpenAI skrev nylig en forskningsartikkel på hvorfor språkmodeller hallusinerer. 4 En av årsakene de trekker frem er at AI-modellene blir evaluert på et sett med tester. Hvis man tar en eksamen, har man typisk høyere sannsynlighet for å få rett svar ved å tippe enn ved å svare blankt. Dette har AI-modellene også plukket opp, og har dermed lært seg at gjetting er gunstig. Å lære AI å innrømme når den er usikker, vil være sentralt i videre utvikling. GPT-5 (i “thinking”-modus) var for eksempel et steg i riktig retning, men det er fortsatt et godt stykke igjen. En nylig artikkel fra Nvidia konkluderte med at mindre og mer spissede språkmodeller kan være fremtiden for agentisk AI, istedenfor å bruke én enorm “generalist” modell som vi gjør i dag.5
Det finnes derimot mange gode bruksområder hvor AI-agenter kan være verdiskapende med en “human in the loop” - for eksempel kan en AI-agent autonomt hente inn beslutningsgrunnlag til en saksbehandler, men et menneske vurderer informasjonen og gjør den endelige beslutningen. Dette vil redusere risikoen betydelig, samtidig som effektivitetsgevinstene fortsatt er høy. Tilsvarende brukes de fleste kode-agenter på samme måte, hvor programmerere jobber tett sammen med AI-agenten, vurderer koden, tester og itererer.
Selv om teknologien fortsatt er noe umoden, vil jeg anbefale å eksperimentere med agentisk AI og kartlegge potensielle bruksområder på kort (typisk med “human-in-the-loop”) og lengre sikt (mer autonome). Dermed kan man begynne å få gevinst av de lavthengende fruktene, mens når dagen kommer hvor graden av hallusinering til språkmodellene har blitt lav nok og intelligensen noe høyere, vil man raskere være i stand til å hente ut vesentlige effektiviseringsgevinster fra mer komplekse prosesser og systemer.