Hvad er en AI-agent?
En AI-agent er et system, der kan vælge næste skridt og bruge tilladte værktøjer for at arbejde mod et mål. Det centrale er ikke “intelligens” som label, men kombinationen af model, tilstand/kontekst, værktøjer og kontroller.
Kort svar: En AI-agent er et system, der kan vælge næste skridt og bruge tilladte værktøjer for at arbejde mod et mål. Det centrale er ikke “intelligens” som label, men kombinationen af model, tilstand/kontekst, værktøjer og kontroller.
Når AI går fra svar til handling
En agent adskiller sig fra en almindelig chatbot ved at kunne vælge handlinger og bruge værktøjer. Derfor bliver rettigheder, stopkriterier, logning og menneskelig godkendelse lige så vigtige som selve modellen.
Case: supportagenten der må læse – men ikke refundere uden godkendelse
En supportagent modtager en supportsag, slår kunden op, henter relevante retningslinjer, foreslår en løsning og stopper ved et godkendelsestrin før refundering. En chatbot, der kun skriver et svar uden værktøjer, er noget andet.
Mål, værktøjer, tilstand og stopkriterier
- 1. Definér målet og hvornår opgaven er færdig.
- 2. List de data og værktøjer agenten faktisk behøver.
- 3. Skeln mellem værktøjer med læseadgang og handlinger der ændrer noget.
- 4. Lav regelbaserede regler for kritiske grænser.
- 5. Tilføj menneskelig godkendelse hvor konsekvensen ved fejl er høj.
- 6. Log værktøjskald, resultater og fejl så adfærden kan undersøges.
Tre måder en “agent” bliver farlig eller meningsløs
- At kalde enhver LLM-chat for en agent.
- At give agenten brede skriveadgang for at “gøre den fleksibel”.
- At bruge hukommelse som et ubegrænset lager af persondata.
Tegn din første agent på papir
Tegn en agent på papir med fem bokse: mål, input, værktøjer, beslutninger og stop/godkendelse. Hvis du ikke kan udfylde dem, er anvendelsen endnu ikke klar.
Kan du forklare hver handling bagefter?
- Er værktøjer mindst privilegerede?
- Er stopkriteriet tydeligt?
- Kan du se hvad agenten gjorde bagefter?
Autonomi er ikke én indstilling – det er en række tilladelser
Spørg ikke kun “er agenten autonom?”. Spørg hvad den må gøre uden et menneske. Må den vælge en kilde? Vælge mellem to værktøjer med læseadgang? Skrive til et CRM? Sende noget eksternt? Hver funktion kan have sit eget risikoniveau og sin egen kontrol.
Det gør designet mere konkret. En agent kan være selvstændig i research, men kræve godkendelse før kommunikation. Den kan vælge mellem læseværktøjer, men aldrig ændre kundedata. Den kan oprette et udkast, men ikke publicere. Det er ofte sådan brugbare agenter ser ud i praksis: ikke “fuld autonomi”, men nøje afgrænsede beslutninger.
Når du evaluerer en agent, log derfor også hvilke tilladelser der blev brugt, ikke bare slutresultatet.
Fortsæt med værktøjer, guardrails og evaluering
En agent består typisk af fem konkrete dele
Mål/opgave fortæller hvad der skal opnås. Kontekst giver relevant viden. Tools giver mulige handlinger. State eller memory bevarer det, der skal bruges senere. Kontroller begrænser hvad systemet må gøre og hvordan fejl håndteres. En chatbot kan have nogle af de samme dele uden at være agentbaseret.
Det vigtige skel er, om systemet vælger næste handling
Et fast workflow følger den vej, du har defineret. En agent kan, inden for sit afgrænsning, vælge at slå noget op, bruge et andet værktøj, bede om mere information eller stoppe. Det giver fleksibilitet, men gør test sværere, fordi flere forskellige handlingsforløb kan være mulige.
Brug agenten dér, hvor variationen er reel
Hvis processen altid er “nyt lead → valider → opret CRM-post → send Slack”, skal den normalt være et workflow. Hvis næste trin afhænger af indholdet i sagen og kræver valg mellem flere informationskilder eller værktøjer, kan agentbaseret logik være relevant.
Autonomi bør følge konsekvensen
En agent kan godt få lov til selv at søge i dokumentation, mens en ændring af kundedata kræver godkendelse. “Agent eller ej” er derfor ikke et ja/nej-spørgsmål; du kan designe forskellige niveauer af autonomi pr. værktøj.
Spørgsmål om emnet
Hvad er hovedpointen i “Hvad er en AI-agent”?
En AI-agent er et system, der kan vælge næste skridt og bruge tilladte værktøjer for at arbejde mod et mål. Det centrale er ikke “intelligens” som label, men kombinationen af model, tilstand/kontekst, værktøjer og kontroller.
Hvordan kan jeg øve det?
Tegn en agent på papir med fem bokse: mål, input, værktøjer, beslutninger og stop/godkendelse. Hvis du ikke kan udfylde dem, er anvendelsen endnu ikke klar.
Hvilken fejl bør jeg især undgå?
At kalde enhver LLM-chat for en agent.
Hvornår er min løsning god nok til at bruge?
Brug disse kontrolspørgsmål: Er værktøjer mindst privilegerede? Er stopkriteriet tydeligt? Kan du se hvad agenten gjorde bagefter?