Kort svar: chatbot, automasjon og agent er ikke det samme
Hva består en AI-agent av?
En nyttig agent trenger mer enn en språkmodell. I praksis består den av flere lag som må være designet sammen.
- Mål: Hva skal agenten forsøke å oppnå?
- Instruksjoner: Hvilke regler, begrensninger og prioriteringer gjelder?
- Kontekst: Hvilke data får den se akkurat nå?
- Verktøy: Hvilke API-er, databaser eller funksjoner kan den bruke?
- Tilstand/minne: Hva skal huskes mellom steg eller over tid?
- Guardrails: Hva får den aldri gjøre alene?
- Logging: Hvordan kan vi forstå hva den gjorde og hvorfor?
Agent-loopen: observer, vurder, velg, handle, kontroller
En enkel agentisk arbeidsflyt kan beskrives som en loop:
- Observer: Les ny hendelse eller status.
- Vurder: Tolke hva som mangler eller hva målet krever.
- Velg: Bestem hvilket tillatt verktøy eller neste steg som passer.
- Handle eller foreslå: Utfør et lavrisikosteg eller lag et forslag.
- Kontroller: Valider resultatet og avgjør om menneske må overta.
Jo større frihet agenten har til å velge verktøy og kjøre flere steg, desto viktigere blir observability, kostnadskontroll og stoppregler.
Verktøykall er det som gjør agenten praktisk
Uten verktøy er agenten i praksis bare en modell som svarer. Med verktøykall kan den for eksempel hente en kunde, søke i en dokumentbase, opprette en oppgave eller generere et utkast i riktig system.
Men verktøyene bør være smale. En agent som bare trenger å opprette CRM-oppgaver bør ikke få en generell databasekonto med rett til å slette kunder.
Bruk minst mulige tillatelser
Det samme sikkerhetsprinsippet som gjelder mennesker og API-nøkler gjelder agenten: gi bare tilgang til det som trengs for den aktuelle jobben.
- Lesetilgang er tryggere enn skrivetilgang.
- Opprette kladd er tryggere enn å sende.
- Foreslå status er tryggere enn å endre status.
- Én scoped funksjon er tryggere enn generell SQL- eller filtilgang.
Når bør mennesket godkjenne?
Et godt system trenger ikke menneskelig godkjenning på alt. Men konsekvensen bør styre kontrollnivået.
- Lav konsekvens: intern oppsummering, tagging, kladd eller sortering kan ofte automatiseres.
- Moderat konsekvens: prioritering og kundeanbefaling kan automatiseres, men bør være forklarbar og korrigerbar.
- Høy konsekvens: utsendelse, publisering, økonomiske endringer, juridiske handlinger og sletting bør ha eksplisitte regler og ofte menneskelig godkjenning.
Hvordan RealtyFlow og Nexus bruker agentiske prinsipper
RealtyFlow er et godt eksempel på hvorfor «agent» ikke trenger å bety en autonom robot som gjør alt. Nexus kan lese signaler, identifisere mangler og foreslå hva brukeren bør gjøre videre, mens selve outbound-handlingen fortsatt kan ligge bak en port.
Dette gir mye av verdien ved agentisk AI uten å gjøre kundekontakt eller publisering uforutsigbar.
Eksempel: agent for et nytt lead
Et kontrollert forløp kan se slik ut:
- Nytt skjema kommer inn.
- Agenten henter kundehistorikk og tolker fritekst.
- Den lager strukturert profil og foreslår kvalifisering.
- Regler sjekker obligatoriske felt og konflikter.
- Agenten foreslår neste oppgave og et e-postutkast.
- Selgeren godkjenner eller endrer.
- Systemet logger hva som ble gjort.
Det er agentisk fordi systemet tolker og velger neste verktøy, men det er fortsatt styrbart.
Når bør du ikke bruke en AI-agent?
- Når en enkel regel løser oppgaven bedre.
- Når datakvaliteten er for dårlig til at agenten kan ta et fornuftig valg.
- Når feil handling har høy konsekvens og ikke kan reverseres.
- Når prosessen skjer så sjelden at utvikling og drift ikke forsvarer kostnaden.
- Når teamet ikke kan observere eller forstå hva agenten gjør.
Hvordan evaluerer du en agent?
Ikke mål bare om modellen «svarer bra». Mål hele arbeidsflyten.
- Velger den riktig verktøy?
- Bruker den riktig datakilde?
- Stopper den når informasjon mangler?
- Eskalerer den de riktige situasjonene?
- Er resultatet konsistent nok over tid?
- Kan en bruker forstå og korrigere beslutningen?
- Er kostnad og responstid akseptabel?
Vanlige spørsmål
Er alle AI-chatboter AI-agenter?
Nei. En chatbot kan være begrenset til samtale, mens en agent kan bruke definerte verktøy og utføre eller foreslå handlinger mot et mål.
Kan en AI-agent jobbe helt selvstendig?
Teknisk kan mye automatiseres, men høy-konsekvens handlinger bør ha smale tillatelser, logging og ofte menneskelig godkjenning.
Når bør vi bruke vanlig automasjon i stedet?
Når oppgaven følger faste regler og ikke krever tolkning eller valg mellom flere handlinger, er vanlig automasjon ofte enklere og mer robust.
Trenger en agent minne?
Ikke alltid. For mange oppgaver holder det med kontekst for den aktuelle saken. Langtidsminne bør bare brukes når historikk faktisk forbedrer beslutningen.
Hva trenger en agent for å være trygg?
Et tydelig mål, begrensede verktøy, gode datakilder, minst mulige tillatelser, logging, feilhåndtering og klare eskaleringsregler.
Er flere agenter bedre enn én?
Ikke nødvendigvis. Flere agentroller øker kompleksitet og feilkilder. Start med én tydelig arbeidsflyt og splitt bare når ansvarsgrensene faktisk blir klarere.