Generativ AI kan svare på spørgsmål, skrive tekst og producere kode. Agentic AI går et skridt videre: Her kan AI-systemet arbejde mod et mål over flere trin, vælge værktøjer, hente information, udføre handlinger og vurdere resultatet undervejs.
Det gør agentic AI interessant for langt mere end chat og prompting, men det gør også teknologien væsentligt mere kompleks at designe, integrere og styre.
Hvad er Agentic AI?
Et AI-agent-system består typisk ikke kun af en sprogmodel. Rundt om modellen ligger en arkitektur, der giver den adgang til kontekst, data, værktøjer og eksterne systemer.
En agent kan eksempelvis få til opgave at undersøge en sag. Den kan selv identificere, hvilke oplysninger den mangler, hente data fra relevante systemer via API’er, analysere materialet og vælge næste handling. Hvis arkitekturen tillader det, kan den også udføre handlinger direkte: eksempelvis oprette en sag, sende en besked eller starte en anden proces.
Det centrale er altså ikke, at AI’en “tænker selv”, men at den indgår i et kontrol-loop, hvor den kan observere, vælge en handling, udføre den og bruge resultatet som input til næste skridt.
Graden af autonomi kan variere betydeligt. I nogle løsninger arbejder agenten selvstændigt inden for klart definerede rammer, i andre skal et menneske godkende bestemte handlinger, før systemet fortsætter.
Fra chatbot til arbejdsproces
Forskellen bliver tydelig i kundeservice. En traditionel AI-assistent kan formulere et svar på en kundes spørgsmål. En agentisk løsning kan derimod undersøge kundens historik, slå oplysninger op i flere systemer, vurdere hvilken proces der skal sættes i gang og eventuelt udføre dele af den. Først hvis sagen falder uden for de definerede rammer, bliver et menneske involveret.
Samme princip kan bruges i eksempelvis forsikring, lagerstyring og industriel drift. En agent kan reagere på ændringer i data og iværksætte næste trin i en proces i stedet for blot at gøre et menneske opmærksom på, at noget bør ske.
I Danmark arbejder cBrain blandt andet med AI i forbindelse med sagsbehandling. På Faglig Fredag i juni fortalte seniorudvikler Jørn Wildt om udviklingen fra traditionelle prompts og RAG-løsninger til agentic AI, der arbejder direkte med sager og dokumenter. Eksemplet viser samtidig en af de centrale udfordringer: Jo tættere AI kommer på forretningskritiske data og handlinger, desto vigtigere bliver adgangsstyring, databeskyttelse og kontrol med, hvad agenten faktisk har lov til at gøre.
Agentarkitekturen bliver den interessante del
For softwareudviklere og arkitekter ligger den tekniske udfordring derfor mindst lige så meget rundt om sprogmodellen som i selve modellen.
Agentsystemet skal blandt andet håndtere kontekst og state, tool use, integrationer, hukommelse, orkestrering, sikkerhed og observability. Skal en agent kunne arbejde over længere tid, opstår der desuden spørgsmål om persistence, retries, fejlhåndtering og muligheden for at stoppe og genoptage en proces.
Human-in-the-loop bliver også et vigtigt princip. En agent behøver ikke have samme rettigheder i alle situationer. Den kan eksempelvis få lov til selv at hente og analysere data, mens ændringer i databaser, udsendelse af mails eller andre irreversible handlinger kræver menneskelig godkendelse.
Frameworks og platforme som LangGraph og SAS Viya arbejder netop med denne type orkestrering, governance og kontrolleret autonomi. Samtidig bliver standarder som Model Context Protocol (MCP) relevante, fordi de giver agenter en fælles måde at få adgang til værktøjer og virksomhedssystemer på.
Mere autonomi kræver mere engineering
Agentic AI gør det muligt at automatisere langt mere komplekse arbejdsprocesser end med traditionelle chatbots og AI-assistenter. Til gengæld flytter en del af udviklingsopgaven.
Det er ikke længere nok at få modellen til at producere et godt svar. Udvikleren skal også forholde sig til, hvilke værktøjer agenten må bruge, hvilke data den kan se, hvordan dens handlinger observeres, hvornår den skal stoppe, og hvad der sker, når den tager fejl.
Det er her, agentic AI for alvor bliver et arkitektur- og software engineering-emne – og ikke blot endnu en anvendelse af en sprogmodel.
Vil I arbejde videre med Agentic AI?
Hos Lund&Bendsen arbejder vi med Agentic AI både som software engineering-disciplin og som arkitekturproblem. Vi tilbyder blandt andet kurser i autonome AI-agenter og Agentic Engineering, hvor fokus er på at bygge, integrere og drive agentsystemer i praksis.
Har I brug for at afklare, hvor agentic AI giver mening i jeres egen organisation, eller hvordan teknologien kan indpasses i jeres eksisterende arkitektur og udviklingspraksis, kan vi også hjælpe med at finde det rette faglige setup.