Generativ AI vs. agentisk AI: hvad er forskellen?

Detaljeret definition

De to begreber ligner hinanden og bliver ofte forvekslet, men de beskriver ikke det samme. IBM formulerer det enkelt: generativ AI skaber nyt indhold, tekst, billede, video, lyd eller kode, som svar på en forespørgsel. Modellen har lært mønstre fra enorme mængder data og gengiver dem i en ny og statistisk plausibel form. Det, alle generative anvendelser har til fælles: du stiller et spørgsmål eller giver en instruks, modellen svarer én gang, og så stopper det der.

Agentisk AI derimod sigter mod at opfylde et mål gennem en række beslutninger og handlinger, ikke ét enkelt svar. På sin sammenligningsside opsummerer IBM forskellen sådan: generativ AI skaber nyt indhold, agentisk AI fokuserer på at nå mål ved at planlægge, beslutte og udføre workflows over flere trin. For detaljerne om det sidste begreb, se siden Agentisk AI.

Det interessante ved emnet er overlappet. IBM siger det eksplicit: de to kategorier "fungerer ofte sammen" i praksis. Et agentisk system har hverken sprog eller egen skriveevne: det låner den fra en generativ model, som bliver dets interne ræsonnementsmotor. Med andre ord indeholder næsten alle agentiske agenter, der bygges i dag, en generativ model et sted, men enhver generativ anvendelse er ikke dermed en agent. Det er et delvist inklusionsforhold, ikke en frontal modsætning, og de to begreber overlapper uden at dække hinanden fuldstændigt.

Sådan fungerer det

Den generative model alene fungerer i en kort løkke: et input, en tur gennem modellen, et output, færdig. Den har ingen hukommelse mellem to kald, medmindre den eksplicit gives det hver gang i prompten, og den handler ikke på noget uden for samtalen, medmindre et eksternt system fortolker dens svar og udløser en handling.

Et agentisk system tilføjer fire lag oven på den samme generative model. Microsoft beskriver løkken i fire trin: opfattelse af data og signaler, ræsonnement for at opbygge en plan (her kommer den generative model ind), handling via værktøjer og API'er, og til sidst refleksion for at evaluere resultatet og justere det næste skridt. Google Cloud beskriver en lignende løkke, opfattelse, beslutning, handling, med en tilbagekobling der fører til det næste trin. Konkret tilfører det agentiske lag:

• Planlægning, som nedbryder et mål i trin og kan revidere planen undervejs, en evne den generative model alene ikke har indbygget.
• Værktøjskald, eller tool calling, som gør det muligt for systemet reelt at handle (sende en besked, oprette en fil, forespørge en database) i stedet for blot at beskrive handlingen i tekst.
• Vedvarende hukommelse, kortsigtet og langsigtet, for at holde tråden i et mål på tværs af flere sessioner.
• Et justerbart autonominiveau, fra copiloten der foreslår en handling til validering, til den autonome agent der udfører uden systematisk validering.

På markedet overlapper dette skel med en anden nyttig skillelinje: den mellem den asynkrone autonome agent, der modtager et langsigtet mål, vælger sin rute og kører kontinuerligt i sit eget miljø, og det udløste agent-workflow, bygget på værktøjer som Make, n8n, Zapier, Lindy, Copilot Studio eller Agentforce, hvor en hændelse igangsætter en stort set foruddefineret sekvens. Begge kan internt bygge på den samme generative model; det, der ændrer sig, er, hvor meget frihed systemet får til selv at vælge sin række af trin.

Konkret eksempel fra Atako

En agent oprettet på Atako illustrerer godt, hvor grænsen går. Ved oprettelsen vælger man en AI-model fra en kurateret liste (eller en nøgle via BYOK, hvis virksomheden har aktiveret det): det er den generative komponent, den der forstår instruktionerne og formulerer svarene. Brugt alene i en chatsamtale forbliver denne agent i et register tæt på klassisk generering, ét spørgsmål, ét svar.

Det, der vipper agenten over på den agentiske side, er de lag, platformen tilføjer omkring modellen. Agenten kører kontinuerligt i sit eget isolerede miljø, ikke kun i løbet af én forespørgsel. Den modtager henvendelser via fire kanaler (chat, e-mail, webhooks, cron), som alle fodrer den samme vedvarende hukommelse. Den kan selv oprette en cron-opgave, når den vurderer, at en regelmæssig opfølgning er en del af dens plan, uden at et menneske sætter tidsplanen op i dens sted. Ved en delopgave kan den uddelegere til en midlertidig underagent, hvis arbejde fremgår af dens aktivitetstidslinje. Og hvert reelt kald til et eksternt værktøj (Slack, GitHub, Notion) går gennem et eksplicit grant, en præcis tilladelse givet til denne agent for denne handling, ellers afvist som standard.

Den generative model, der vælges ved oprettelsen, forbliver den samme fra start til slut. Det, der gør helheden agentisk, er derfor ikke en anden model, men den planlægning, hukommelse, de værktøjer og den autonomi, platformen bygger op omkring den.

Almindelige fejl

Den mest udbredte fejl er at behandle de to begreber som ombyttelige synonymer, eller værre, som rivaler man skal vælge mellem. Et projekt skal ikke "vælge" mellem generativ AI og agentisk AI: det relevante spørgsmål er, hvor langt man skal skubbe det agentiske lag oven på en generativ model, ikke om man skal opgive det ene til fordel for det andet.

Anden faldgrube er at tro, at et værktøj bliver agentisk, blot fordi det "bruger AI", eller fordi det præsenteres sådan i markedsføringsmateriale. Uden reel planlægning over flere trin eller faktisk handling på eksterne systemer er det stadig generativ AI, selv iklædt et agentisk ordforråd.

Tredje fejl er at undervurdere, hvor afhængigt det agentiske er af kvaliteten af den underliggende generative model. Et dårligt udstyret agentisk system bygget på en fremragende ræsonnementsmodel vil producere bedre planer end et system spækket med værktøjer, men baseret på en svag genererende model. Det agentiske lag forstærker den model, det styrer, både dens styrker og svagheder, det retter dem ikke.

Lær mere

Vores blogartikel Generativ AI vs. autonome agenter, de reelle forskelle tager samme sammenligning op med et bredere blik på markedet, ud over blot Atakos eget eksempel. Vil du grave dybere i ordforrådet, uddyber siden Agentisk AI paradigmet i dybden, og siden AI-agent tager udgangspunkt i den grundlæggende byggesten, agenten, før den går videre til planlægning og orkestrering af flere agenter.