Agent Washing

Hvad gør en AI reelt agentisk, og hvad washing dækker over

For at gennemskue agent washing skal du kunne skelne mellem fire ting, der ofte bliver blandet sammen: klassisk automatisering, RPA, regelbaserede chatbots og ægte agentisk AI. De tre første er deterministiske. De følger regler, et menneske har skrevet på forhånd, og de gør det samme hver gang. En AI-agent er noget andet, fordi den træffer beslutninger undervejs ud fra et mål, den har fået, i stedet for at følge en fast opskrift.

RPA og klassisk automatisering. Robotic Process Automation efterligner en brugers klik og tastetryk i systemer uden API. En bot optager en rutine, følger en if-then-logik og udfører opgaven nøjagtigt som programmeret. Styrken er forudsigelighed. Svagheden er, at den knækker, i samme øjeblik processen ændrer sig: flytter en knap sig, eller kommer der et felt mere, stopper botten. Den arbejder kun med strukturerede input og har ingen forståelse af, hvad den laver.

Regelbaserede chatbots. En klassisk chatbot matcher brugerens tekst mod et katalog af hensigter og svarer med et forudskrevet svar eller følger et beslutningstræ. Selv når der sidder en sprogmodel og formulerer svaret pænere, er logikken den samme: input ind, forudbestemt sti ud. Den sætter sig ikke et mål, den vælger ikke selv, hvilke systemer den skal bruge, og den lærer ikke af, om svaret virkede.

Den agentiske løkke. Agentisk AI kører en løkke, der typisk beskrives som perceive, reason, act, learn. Agenten opfatter sin situation, ræsonnerer sig frem til en plan med en sprogmodel, handler ved at kalde værktøjer og systemer, og justerer på baggrund af resultatet. Forskellen fra et RPA-flow er, at planen ikke er skrevet på forhånd. Får agenten målet find den billigste leverandør, der kan levere inden fredag, bryder den selv målet ned i trin, vælger hvilke API-kald der skal til, og lægger om, hvis et trin fejler.

De fem egenskaber, washing mangler. En rigtig agent kan kendes på fem tekniske egenskaber. Autonomi: den kan igangsætte og gennemføre trin, uden at et menneske trykker på knappen for hvert skridt. Målsøgning: den nedbryder et mål i delopgaver og planlægger selv rækkefølgen. Værktøjsbrug: den vælger selv, hvilket system eller API den kalder i hvert trin, sætter parametrene og håndterer fejl. Hukommelse: den holder på viden på tværs af sessioner og bruger den til at træffe andre beslutninger næste gang. Evaluering: den tjekker sit eget resultat mod målet og retter sig selv, før den afleverer.

Autonomi er den vigtigste skillelinje. Det, mange leverandører kalder en agent, standser ved første uventede forgrening og venter på et menneske. En agent med reel autonom eksekvering arbejder sig gennem forgreningen og eskalerer først ved definerede kontrolpunkter, du har aftalt. Det afgørende er, hvor ofte systemet i praksis kører uden et menneske. Kan det kun i teorien, betaler du agent-pris for et assistent-værktøj.

Hvorfor en sprogmodel ovenpå ikke gør det til en agent. Mange washing-produkter er et tyndt lag ChatGPT eller lignende oven på den gamle motor. Sprogmodellen gør sproget pænere og demoen mere imponerende, men beslutningerne træffes stadig af den forprogrammerede logik nedenunder. Gartners Senior Director Analyst Anushree Verma formulerede det sådan, at mange af de use cases, der i dag markedsføres som agentiske, slet ikke kræver en agentisk løsning, og at nutidens modeller ikke har modenheden til selvstændigt at nå komplekse forretningsmål. Det er den kløft mellem markedsføring og teknik, agent washing lever i.

Overvejer I at købe en AI-agent, eller er I i tvivl om, hvor meget autonomi der reelt er bag en leverandørs påstande, kan vi hjælpe jer med at teste det, før I skriver under. Vi kører leverandøren igennem scorecardet, sætter en test op på jeres egne data og oversætter resultatet til et konkret købsråd, så I betaler for det, I faktisk får. Se mere om, hvordan vi arbejder med AI, på vores AI-side, og lad os tage en snak om jeres konkrete leverandørvalg.

Scorecard: sådan afslører du agent washing hos en leverandør

Den bedste måde at teste en leverandørpåstand på er at score den systematisk i stedet for at lade dig imponere af en demo. Vi bruger et scorecard med seks akser, inspireret af den model, analysefirmaet Digital Applied offentliggjorde i 2026. Hver akse giver mellem 0 og 5 point, så et produkt kan samle op til 30. Idéen er enkel: nul betyder ommærket automatisering, fem betyder reelt agentisk. Sæt leverandøren til at demonstrere hver akse på jeres egne data frem for på en poleret standarddemo.

1. Autonomi (0 til 5). Nul: systemet gør kun noget, når et menneske beder om det, og hvert trin startes manuelt. Fem: agenten ejer målet fra ende til ende, sætter selv trin i gang, arbejder gennem uventede forgreninger og eskalerer kun ved aftalte kontrolpunkter. Bed leverandøren vise et forløb, hvor ingen rører systemet undervejs, og tæl, hvor mange gange en medarbejder faktisk griber ind.

2. Målsøgning og planlægning (0 til 5). Nul: et fast flow skrevet af et menneske, hvor enhver ændring kræver ny konfiguration. Fem: agenten nedbryder selv et nyt mål i trin og lægger planen om, når et trin fejler, eller ny information dukker op. Testen er at give systemet et mål, det ikke har set før, og se, om det kan finde en vej, eller om det går i stå.

3. Værktøjsbrug (0 til 5). Nul: ingen live kald til andre systemer, kun tekst, et menneske selv skal handle på. Fem: agenten vælger selv, hvilket system eller API den kalder i hvert trin, sætter parametrene og håndterer fejl og gentagelser. Spørg konkret: hvilke af trinene i det forløb, vi lige så, var forprogrammeret, og hvilke valgte systemet selv.

4. Hukommelse (0 til 5). Nul: systemet nulstiller ved hver session og husker intet fra sidst. Fem: agenten holder på viden over tid og bruger den til at træffe en anden beslutning næste gang. En agent, der hver morgen starter forfra og ikke husker gårsdagens fejl, er ikke i nærheden af fem.

5. Evaluering og selvkorrektion (0 til 5). Nul: ingen selvkontrol, al verifikation ligger hos et menneske. Fem: agenten måler sit eget resultat mod målet, opdager, når det fejler, og retter sig selv, før den afleverer. Reel agent-evaluering er svær at fake, fordi den kræver, at systemet kan dømme sit eget arbejde. Bed om at se testdokumentationen bag leverandørens hovedpåstand.

6. Åbenhed om menneskelig indgriben (0 til 5). Nul: mennesker udfører i det skjulte det arbejde, produktet kalder autonomt, og indgrebene oplyses ikke. Fem: kontrolpunkterne er dokumenteret, andelen af sager med menneskelig indgriben måles og rapporteres, og autonomi-påstandene matcher virkeligheden. Det største røde flag i hele feltet er skjult menneskeligt arbejde bag en autonom facade. Kræv, at leverandøren fortæller jer, hvor stor en andel af produktionen der i dag kræver et menneske, og at tallet skrives ind i kontrakten.

Sådan læser du pointene. Ligger totalen mellem 0 og 10, er der i praksis tale om en ommærket chatbot eller et RPA-flow. Mellem 11 og 20 er der en delvis eller assisterende agent, som kan være pengene værd, men ikke til agent-pris. Mellem 21 og 30 nærmer produktet sig ægte agentisk. Tag et konkret eksempel: et dansk kundeserviceteam vurderer en support-agent. Kører den kun færdige svar-skabeloner mod kendte spørgsmål, lander den lavt på målsøgning og evaluering. Kan den selv slå op i ordresystemet, afgøre om en pakke er forsinket, tilbyde en løsning og rette sig, hvis kunden svarer noget uventet, scorer den højt. Forskellen er hele prisen værd at kende, før I skriver under.

Agent washing i markedet: Gartners tal og beslægtede begreber

Agent washing er ikke en marginal bekymring. Da Gartner introducerede begrebet den 25. juni 2025, var vurderingen, at kun omkring 130 af tusindvis af leverandører, der kalder sig agentiske, faktisk lever op til det. Samtidig viser adoptionen ingen tegn på at bremse. I Gartners første Agentic AI Hype Cycle, offentliggjort den 2. april 2026, havde 17 procent af virksomhederne allerede sat AI-agenter i drift, 42 procent planlagde det inden for tolv måneder, og yderligere 22 procent året efter. Gartner kaldte det den mest aggressive adoptionskurve for nogen ny teknologi. Når efterspørgslen løber så hurtigt, opstår der et marked for at sælge etiketten uden varen.

Supply chain planning som eksempel. Den 20. maj 2026 advarede Gartner specifikt om agent washing i markedet for supply chain planning. Senior Director Analyst Jan Snoeckx sagde, at ledere skal forberede sig på en agentisk fremtid, men være i stand til at skille reel kapabilitet fra markedsstøj, og at agent washing slører forskellen ved at ommærke konventionel automatisering som agentisk. Gartner vurderede, at leverandører, der lover fuldt autonom supply chain planning før 2027, overdriver, hvad teknikken kan på kort sigt. Mange af tilbuddene kan ikke selv omprioritere mål, forhandle afvejninger eller tilpasse deres eksekveringslogik.

AI washing er overkategorien. Agent washing er en specialiseret gren af det bredere fænomen AI washing, hvor virksomheder overdriver, hvor meget kunstig intelligens der egentlig er i deres produkt. Greenwashing gav os ordet, klimapåstande uden dækning, og AI washing er den samme mekanik overført til teknologi. Agent washing er den nyeste og mest specifikke variant, hvor selve graden af autonomi er det, der pyntes på.

Agent sprawl og manglende styring. Når mange washing-agenter og rigtige agenter spredes ukontrolleret i en organisation, opstår det, Gartner kalder agent sprawl. Uden en fælles styring bliver agenterne kaotiske og svære at overskue, og forretningsværdien forsvinder. Det er en af grundene til, at et flerlags multi-agent system er svært at bygge for alvor og let at love på en salgsslide. Jo flere agenter et produkt påstår at orkestrere, jo mere bør du kræve at se det virke.

Hvor de ægte alternativer findes. Der findes seriøse agentiske platforme og rammeværker, og de er kendetegnet ved at være åbne om deres begrænsninger. De navngiver, hvilke opgaver agenten kan køre selvstændigt, og hvor et menneske skal ind over. En leverandør, der siger vores agent klarer alt selv, er mere mistænkelig end en, der siger vores agent kan køre disse tre arbejdsgange autonomt og eskalerer resten. Ærlighed om grænserne er i sig selv et kvalitetstegn, fordi agentisk AI stadig er umoden.

Hvor agent washing adskiller sig. Det, der gør agent washing farligere end almindelig AI-hype, er, at forskellen er svær at se udefra. Et ommærket RPA-flow og en ægte agent kan give samme output i en kontrolleret demo. Forskellen viser sig først, når virkeligheden afviger fra manuskriptet, og det gør den typisk, efter kontrakten er skrevet under. Derfor er det systematiske scorecard og kravet om at teste på egne data den eneste pålidelige beskyttelse.