Hvad er Agentic AI?

Hvad kendetegner agentic AI?

Agentic AI adskiller sig fra traditionel AI på fire måder, og de hænger sammen i en løkke.

Målrettethed. Systemet får et mål, ikke en trinvis instruktion. Du siger, hvad du vil opnå, og agenten afgør selv, hvordan det nås. Det flytter arbejdet fra at betjene til at uddelegere.

Planlægning. Den bryder et komplekst mål ned i deltrin og udfører dem i en fornuftig rækkefølge. Moderne agenter bruger ofte en reasoning-model, der kan ræsonnere sig frem til en plan, før den handler, i stedet for at svare i første hug.

Brug af værktøjer. Den kan kalde eksterne systemer, API'er og databaser for at hente information og udføre handlinger. Det sker via tool calling, og det er dér, en agent adskiller sig fra en ren chatbot, der kun kan svare.

Selvevaluering. Den vurderer sit eget resultat, opdager fejl og prøver igen. Den løkke, hvor agenten planlægger, handler, observerer resultatet og planlægger igen, er kernen i agentic AI. Den kører, indtil målet er nået, eller indtil den støder på en grænse, du har sat.

Motoren bag det hele er en LLM. Den er agentens hjerne: sprogmodellen forstår målet, ræsonnerer om næste skridt og vælger, hvilket værktøj der skal bruges. Tool calling giver hænderne, og en form for hukommelse holder styr på, hvad der allerede er sket i opgaven.

Et konkret eksempel: beder du et traditionelt system om at undersøge jeres kundetilfredshed, får du en generel tekst. En agent henter NPS-data fra jeres CRM, finder tendenser over tid, sammenligner med sidste kvartal og leverer en rapport med konkrete anbefalinger, fordi den selv kan tage skridtene undervejs og rette kurs, hvis et tal ser forkert ud.

Vi hjælper danske virksomheder med at designe og bygge sikre agentic AI-løsninger med klare rammer og menneskeligt tilsyn. Kontakt os for en uforpligtende snak om, hvor agenter kan skabe værdi hos jer.

Agentic AI i erhvervslivet

De mest lovende anvendelser er der, hvor en opgave kræver flere skridt på tværs af systemer.

Kundeservice. Agenter, der selv løser sager ved at slå op i systemer, ændre ordrer og kun eskalere til et menneske, når sagen kræver det. Et menneske sætter rammen, agenten tager rutinen.

Research og analyse. Agenter, der får en analytisk opgave, selv finder de relevante data, kører analysen og leverer et præsentationsklart resultat. Gevinsten er størst, når data ligger spredt i flere kilder, som et menneske ellers skulle samle manuelt.

Procesautomatisering. Agenter, der driver workflows på tværs af systemer, for eksempel onboarding, godkendelser eller rapportering. Her adskiller agentic AI sig fra klassisk automatisering: den kan håndtere de undtagelser, som en fast regel ikke fanger.

Softwareudvikling. Agenter, der forstår en featurebeskrivelse, skriver koden, tester den og opretter en pull request, som en udvikler så reviewer. Mennesket godkender, agenten gør forarbejdet.

Når flere af den slags opgaver skal spille sammen, taler man om multi-agent systemer og orkestrering: flere specialiserede agenter, der koordineres mod et fælles mål. En voksende del af det bygges oven på MCP, Model Context Protocol, en standard, der lader agenter tilgå værktøjer og data uden en særskilt integration til hvert system. Det er præcis den slags kobling, vi bygger for kunder.

Fælles for det hele er, at gevinsten vokser med opgavens kompleksitet, men det samme gør behovet for kontrol. En agent, der kan handle i jeres systemer, skal have klare rammer fra starten.

Hvad agentic AI ikke er, og hvordan I starter sikkert

Agentic AI er ikke det samme som generel kunstig intelligens (AGI). En agent er stadig bundet til de domæner og værktøjer, den er sat op til. Den er autonom inden for et afgrænset scope, ikke bredt intelligent, og den bliver ikke klogere på områder, du ikke har givet den adgang til.

Den er heller ikke risikofri. Når en agent rent faktisk kan handle i jeres systemer, ændrer fejl karakter: et forkert svar kan rettes, en forkert handling er allerede sket. Derfor kræver autonomi stærke guardrails, logging af alt, hvad agenten gør, og menneskeligt tilsyn på de kritiske skridt. Jo mere selvstændigt systemet handler, jo vigtigere er det at definere præcist, hvad det må, og at kunne stoppe det.

Og det er ikke en løsning, du tænder og glemmer. En agent skal overvåges, evalueres og justeres, ligesom en ny medarbejder skal læres op og følges. Værdien kommer af samspillet mellem agentens autonomi og menneskets tilsyn.

I praksis er rådet, vi giver, det samme hver gang: start småt. Vælg én afgrænset opgave med lav risiko og tydelig værdi, for eksempel research eller intern support, før I lader en agent røre ved ordrer eller økonomi. Giv den få værktøjer og stramme rammer, og udvid først scope, når I har set, at den opfører sig, som den skal.

Definér samtidig, hvad der kræver en menneskelig godkendelse. En agent, der må læse data, er noget andet end en agent, der må sende fakturaer eller slette poster. Den grænse skal være sat, før agenten går i produktion, og hver handling skal kunne spores bagefter, så I kan se, hvorfor den gjorde, som den gjorde.

Det er den balance, der afgør udfaldet: nok autonomi til, at agenten faktisk sparer tid, og nok kontrol til, at I tør lade den køre. Får I den balance rigtigt, holder agenten op med at være et eksperiment og begynder at tage det rugbrødsarbejde, ingen andre når.