Mange nordmenn har allerede møtt enkle former for språkmodeller gjennom kundeservicechatbots eller når de ber ChatGPT om å skrive en tekst. Men den nye generasjonen AI-agenter går langt utover dette. Mens enkle språkmodeller hovedsakelig svarer på spørsmål, kan moderne AI-agenter planlegge oppgaver, samarbeide med andre agenter og utføre handlinger i digitale systemer.
– AI-agenter representerer et paradigmeskifte fra passive AI-verktøy til proaktive digitale medarbeidere som kan ta ansvar for hele arbeidsprosesser, sier Martin Jensen.
Han er sjef for AI og transformasjon i TRY og har selv sett hvordan AI-agenter kan gjøre vanskelige oppgaver på egenhånd – oppgaver der det tradisjonelt har vært behov for mennesker.
Hva er en AI-agent?
En AI-agent er språkmodell som kan handle autonomt på vegne av en bruker eller et system for å utføre oppgaver, ifølge McKinsey, som har tatt et dypdykk i AI-agentenes bruksområder i denne artikkelen
Det som gjør dagens AI-agenter spesielle, er at de kan bruke naturlig språkbehandling til å forstå komplekse instruksjoner og utføre dem uten konstant veiledning.
Jensen i TRY ser store muligheter for norske virksomheter som tar i bruk denne teknologien tidlig:
– Det handler ikke lenger bare om å automatisere enkle oppgaver. AI-agenter kan håndtere usikkerhet, tilpasse seg nye situasjoner og koordinere komplekse arbeidsflyter på måter som tidligere krevde mennesker, sier han.
Fem typer AI-agenter bedrifter bør kjenne til
AI-agenter kan organiseres etter hvilke oppgaver de er designet for å løse. Basert på hvordan teknologien utvikler seg, skisserer ekspertene i McKinsey fem hovedkategorier:
Personlige medhjelpere fungerer som digitale assistenter for enkeltstillinger. Microsoft 365 Copilot og lignende verktøy hjelper ansatte med å skrive innhold, kode eller finne informasjon. Suksessen avhenger av hvor godt den enkelte medarbeider lærer seg å bruke verktøyet og hvor mye av medarbeiderens digitale økosystem den er koblet mot.
Arbeidsflytautomatisering fokuserer på å automatisere spesifikke prosesser eller oppgavesekvenser. Disse agentene fungerer som AI-drevne orkestratorer som kan koordinere eksisterende arbeidsflyter uten omfattende systemprogrammering.
Domenespesifikke agenter er skreddersydde løsninger for spesifikke forretningsområder. En bank kan for eksempel ha AI-agenter som spesialiserer seg på kredittanalyse, mens et teknologiselskap kan ha agenter som fokuserer på programvareutvikling.
AI-native organisasjoner integrerer agenter gjennom hele driftsmodellen. I stedet for å legge AI oppå eksisterende prosesser, redesigner disse selskapene hele måten de jobber på med AI som utgangspunkt.
Virtuelle medarbeidere representerer den mest revolusjonerende kategorien. Disse agentene fungerer som fullverdige teammedlemmer som kan overta ansvar for komplette arbeidsoppgaver. Disse kan igjen bli satt sammen som autonome team, hvor AI-agentene har forskjellige arbeidsroller.
– Mange norske virksomheter vil trolig starte med personlige medhjelpere og arbeidsflytautomatisering før de beveger seg mot mer avanserte løsninger, sier Jensen.
Slik fungerer AI-agenter i praksis
AI-agenter opererer gjennom en firetrinns prosess som skiller dem fra tradisjonelle automatiseringsverktøy. Først mottar agentsystemet en oppgave fra brukeren. Deretter planlegger systemet hvordan oppgaven skal løses og bruker tilgjengelige verktøy, eller fordeler arbeidet mellom spesialiserte underagenter som i sin tur har sine verktøy.
I det tredje trinnet kan systemet iterativt forbedre resultatet ved å be om tilbakemelding eller justere tilnærmingen. Til slutt utfører agenten de nødvendige handlingene for å fullføre oppgaven.
Det som gjør denne prosessen kraftfull, er agentenes evne til å bruke både menneskelige og maskinelle verktøy. De kan navigere nettsider som en person ville gjort, samtidig som de kommuniserer direkte med databaser og API-er.
– Fleksibiliteten gjør at AI-agenter kan integreres i eksisterende systemer uten omfattende tekniske endringer. Fordelen med språkmodeller er at de kan motta ustrukturert og ofte rotete data, forklarer Jensen.
– Dette senker terskelen for implementering betraktelig.
Norske muligheter og utfordringer
McKinsey anslår at generativ AI på lang sikt kan skape verdi for opptil 4,4 billioner dollar årlig globalt. For norske virksomheter ligger potensialet i å kunne utnytte denne verdien raskere og mer effektivt enn konkurrentene.
Teknologiselskapet Lenovo har allerede implementert AI-agenter innen programvareutvikling og kundeservice, og ser opptil 15 prosent forbedringer i produktivitet blant programvareutviklere, ifølge McKinsey-artikkelen.
Nærmere oss har den svenske netthandleren Cervera har fått hjelp av TRY til å lage en AI-agent innen kundeservice.
Siden lanseringen har agenten håndtert nærmere 12.000 kundehenvendelser, og over 80 prosent av dem har blitt løst uten at mennesker har vært involvert. Blant kundene som har kommet med tilbakemeldinger, sier tre av fire at de har fått nøyaktig den hjelpen de trengte.
Jensen tror norske bedrifter kan oppnå lignende resultater, men påpeker at suksess krever mer enn bare teknologi:
– Den største utfordringen er ikke teknisk, men kulturell. Medarbeidere må lære seg å stole på AI-agenter nok til å delegere viktige oppgaver til dem. Dette krever grundig opplæring og gradvis implementering.
Andre hindringer inkluderer datasikkerhet og behovet for å omorganisere arbeidsprosesser. Mange norske virksomheter har bygget opp arbeidsmåter over mange år, og det krever strategisk tenkning å integrere AI-agenter på en måte som gir maksimal verdi.
Veien videre for norsk næringsliv
For norske bedrifter som vurderer AI-agenter, anbefaler Jensen å starte strategisk.
– Begynn med å identifisere de største og mest komplekse utfordringene dere har. Det er her AI-agenter kan skape mest verdi. Små pilotprosjekter gir som regel små resultater.
Han råder også virksomheter til å være kritiske til teknologiforslag som lover AI-funksjonalitet uten å levere reell verdi.
– Velg én hovedplattform for generativ AI i stedet for å spre ressursene på mange forskjellige verktøy. Konsentrert satsing gir bedre læring og større effekt.
AI-agenter er fortsatt i en tidlig fase, men utviklingen skjer raskt. For norske virksomheter som ønsker å ligge i front av den teknologiske utviklingen, kan tiden for å utforske mulighetene være nå.
– Vi ser allerede at selskaper som tar AI på alvor får konkurransefortrinn. AI-agenter vil trolig forsterke dette ytterligere, avslutter Jensen.
