Hvad er Tool Calling?

Hvordan virker tool calling?

Processen bag tool calling kan beskrives i fire trin. Først modtager sprogmodellen en brugerforespørgsel sammen med en liste af tilgængelige værktøjer. Hvert værktøj er beskrevet med et navn, en forklaring af hvad det gør, og hvilke parametre det kræver.

Dernæst analyserer modellen forespørgslen og vurderer, om den kan besvares med sin egen viden, eller om den kræver data fra et eksternt system. Hvis modellen vurderer, at et værktøj er nødvendigt, genererer den et struktureret kald med de korrekte parametre i JSON-format.

Det er vigtigt at forstå, at modellen ikke selv udfører kaldet. Den returnerer en struktureret instruktion til det software-lag, der omgiver den. Det er dette lag, der faktisk eksekverer funktionen, henter resultatet og sender det tilbage til modellen.

Til sidst bruger modellen resultatet til at formulere et endeligt svar til brugeren. Hele processen foregår i løbet af sekunder og er typisk usynlig for slutbrugeren, der blot oplever, at AI-assistenten kan handle i deres systemer.

De store modeller fra OpenAI, Anthropic og Google understøtter alle native tool calling. Det samme gælder standarder som Model Context Protocol (MCP), der gør det lettere at forbinde AI-modeller med eksterne værktøjer på en ensartet måde.

Consile hjælper virksomheder med at designe og implementere tool calling-arkitekturer, der forbinder AI-modeller med jeres eksisterende systemer. Kontakt os for en uforpligtende vurdering af, hvordan tool calling kan skabe værdi i jeres organisation.

Tool calling i erhvervslivet

Tool calling er den tekniske forudsætning for, at AI kan bruges operationelt i en virksomhed. Uden det er AI begrænset til at generere tekst og besvare spørgsmål baseret på sin træningsdata. Med tool calling kan AI-systemer agere direkte i virksomhedens infrastruktur.

I salg og marketing bruger virksomheder tool calling til at lade AI-assistenter hente kundedata fra CRM-systemer, oprette leads, sende personaliserede e-mails og analysere kampagnepræstationer i realtid. En sælger kan bede sin copilot om at "finde alle deals over 500.000 kr. der har stået stille i 30 dage" og få resultatet direkte fra Salesforce eller HubSpot.

I kundeservice giver tool calling chatbots mulighed for at gøre mere end at besvare generelle spørgsmål. De kan slå ordrer op, ændre bookinger, oprette supporttickets og eskalere til en medarbejder, alt sammen uden at kunden forlader chatvinduet.

I drift og IT bruger organisationer tool calling til at lade agentic AI-systemer overvåge servere, reagere på alarmer, oprette Jira-tickets og endda deploye fixes i kontrollerede miljøer. Det er her, tool calling bevæger sig fra assistent til autonom agent.

Fælles for alle scenarierne er, at tool calling eliminerer det manuelle bindeled mellem AI-indsigt og handling. Når AI kan handle direkte, reduceres svartider, fejlrater falder, og medarbejdere frigøres til højere-værdi opgaver.

Hvad tool calling ikke er

Den mest udbredte misforståelse er, at sprogmodellen selv udfører funktionskaldene. Det gør den ikke. Modellen genererer en struktureret anmodning, men det er applikationslaget omkring modellen, der eksekverer kaldet, håndterer autentificering og returnerer resultatet. Modellen er beslutningstageren, ikke udføreren.

Tool calling er heller ikke det samme som at give AI ubegrænset adgang til virksomhedens systemer. Hvert værktøj, som modellen kan kalde, skal defineres eksplicit med klare parametre og begrænsninger. Guardrails og tilladelsesstyring er en integreret del af enhver seriøs tool calling-implementering. Uden det risikerer man, at AI-systemet handler uhensigtsmæssigt.

Endelig bør tool calling ikke forveksles med simpel API-integration. En traditionel integration kræver, at en udvikler hardcoder hvert enkelt kald. Med tool calling beslutter AI dynamisk, hvilke kald der er relevante baseret på konteksten. Det er denne fleksibilitet, der gør tool calling til grundlaget for AI-agenter.