Agentisk AI: definition, funktion och exempel

Detaljerad definition

Agentisk AI (agentic AI på engelska) beskriver AI-system som är utformade för att nå ett mål i flera steg, med begränsad mänsklig tillsyn. IBM definierar det som ett system som kan uppnå ett specifikt mål med begränsad tillsyn, genom att utvärdera flera möjliga åtgärder och välja den mest relevanta. Microsoft går i samma riktning och talar om AI-system som har agentivitet, det vill säga förmågan att besluta och agera självständigt i strävan mot ett mål.

Det är inte en produkt, det är en kategori. Man kan bygga en chattbot som inte alls är agentisk, och man kan bygga en agent som är det fullt ut. Det som placerar ett system på den agentiska sidan är tre ingredienser tillsammans: ett givet mål snarare än en enskild fråga, förmågan att bryta ner målet i successiva åtgärder, och ett faktiskt utförande av dessa åtgärder via verktyg, inte bara ett textsvar.

Begreppet föddes inte med LLM:erna. Det bygger vidare på en äldre idé inom artificiell intelligens, den rationella agenten som formaliserades av Russell och Norvig: en agent uppfattar sin omgivning genom sensorer och agerar på den genom aktuatorer, i strävan efter bästa möjliga resultat utifrån vad den vet. Det som förändras med dagens språkmodeller är att agentens "hjärna" nu kan resonera på naturligt språk, läsa dokumentation och besluta att anropa ett verktyg utan förkodade regler för varje enskilt fall. Se även sidan Generativ AI vs agentisk AI för en fullständig jämförelse av de två begreppen.

Så fungerar det

De tekniska beskrivningarna landar i en loop i fyra steg. Microsoft sammanfattar den så här: uppfattning (inhämtning av data och signaler), resonemang (uppbyggnad av en plan), handling (utförande via verktyg och API:er), och slutligen reflektion (utvärdering av resultatet och justering). Google Cloud beskriver en liknande loop, uppfattning, beslut, handling, med en återkoppling som leder tillbaka till nästa uppfattning.

Fyra byggstenar gör den här loopen möjlig:

• Planering: systemet bryter ner ett diffust mål i en följd av konkreta steg, och kan revidera planen om ett steg misslyckas.
• Användning av verktyg: agenten anropar API:er, frågar databaser, skickar meddelanden, i stället för att bara beskriva vad som borde göras.
• Minne: kortsiktigt för att hålla i tråden för en pågående uppgift, långsiktigt för att minnas ett projekts kontext från en session till en annan.
• Autonomi, som inte är allt eller inget: den sträcker sig från den enkla assistenten som föreslår en åtgärd att godkänna, till agenten som utför och bara eskalerar de verkligt kritiska besluten.

Det är här den verkliga skiljelinjen går på dagens marknad: å ena sidan de asynkrona autonoma agenterna, som får ett bakomliggande mål, väljer sin egen väg för att nå det, körs kontinuerligt i sin egen körningsmiljö och involverar en människa bara för ett specifikt beslut; å andra sidan de triggerstyrda agent-workflows, byggda på verktyg som Make, n8n, Zapier, Lindy, Copilot Studio eller Agentforce, där en trigger startar en till stor del förutbestämd stegsekvens. Båda kategorierna är legitima och svarar mot olika behov, det handlar inte om ett bättre eller sämre verktyg, utan om vilken grad av autonomi du söker.

Konkret exempel med Atako

Hos Atako körs en agent som skapats av ett företag i sin egen isolerade körningsmiljö, inte i en delad pool av workers. Den här beständigheten förändrar allt: agentens minne, filer och schemalagda uppgifter överlever pauser och omstarter, precis vad man förväntar sig av ett system som driver ett mål över tid i stället för att svara en gång och sedan glömma.

Konkret tar en och samma AI-agent emot sina förfrågningar via fyra kanaler som alla matar samma minne: chatt, e-post, webhooks och cron. Cron-kanalen illustrerar väl den agentiska logiken: den schemalagda uppgiften konfigureras inte i ett formulär av en människa, den skapas av agenten själv när den beslutar att en regelbunden kontroll är en del av dess plan för att nå målet. För komplexa deluppgifter kan agenten också delegera till en tillfällig underagent, vars arbete visas som steg i dess egen aktivitetstidslinje.

Den här autonomin förblir inramad. Varje verktygsanrop går via ett uttryckligt grant (agent, koppling, precis åtgärd, läs- eller läs- och skrivomfång), nekat som standard tills det har beviljats. Ett användningsfall som triage av CI och incidenthantering visar det här i praktiken: agenten övervakar en pipeline, korrelerar felet med de senaste commits, notifierar teamet och skriver en rapport, flera steg som länkas samman mot ett mål, med mänskliga kontrollpunkter kvar där de spelar roll.

Vanliga misstag

Den vanligaste förväxlingen är att kalla varje verktyg som svarar smart på en prompt för "agentiskt". En bra chattbot som sammanfattar ett dokument är inte agentisk om den inte planerar något och inte agerar på något utanför konversationen. Omvänt är en kedja av fasta regler, automatiserad från början till slut, inte heller fullt ut agentisk, även om den körs utan tillsyn: den saknar beslutet.

Andra misstaget är att tro att autonomi är en enkel av/på-knapp. I praktiken är det ett reglage: ett system kan planera sina åtgärder och föreslå ett godkännande före varje känslig körning, eller gå mycket längre och bara eskalera de kritiska besluten. Att blanda ihop de två ytterligheterna leder antingen till att man underskattar ett verkligt autonomt system, eller till att man säljer in en enkel copilot som om den agerade helt själv.

Tredje fällan är att tro att "agentisk" och "generativ" står i motsats till varandra. I själva verket, som IBM påpekar, överlappar de två begreppen till stor del och fungerar ofta tillsammans: den generativa modellen fungerar som resonemangsmotor inuti det agentiska systemet. Se den detaljerade jämförelsen på sidan Generativ AI vs agentisk AI.

Läs vidare

Om du vill fördjupa dig i skillnaden mot enkla generativa modeller går sidan Generativ AI vs agentisk AI igenom var det ena slutar och det andra börjar, med samma ambition att inte ställa dem mot varandra i onödan. Vår bloggartikel om ämnet, Generativ AI vs autonoma agenter, de verkliga skillnaderna, tar samma vinkel med bredare exempel än Atakos egna. Det fullständiga glossariet täcker övriga relaterade begrepp, som agentorkestrering eller autonom AI-agent, för att placera agentisk AI i hela områdets vokabulär.