Hva er en agentisk arbeidsflyt?
En agentisk arbeidsflyt er en prosess der AI planlegger, utfører flere delsteg, kontrollerer resultatet og ved behov prøver igjen, i stedet for å gi ett enkelt svar på et spørsmål. Modellen får verktøy til å hente data og utføre handlinger, og arbeider i en løkke mot et mål. Flere steg gir mer kapasitet, men krever også mer evaluering og sporbarhet.
En agentisk arbeidsflyt er en prosess der AI planlegger, utfører flere delsteg, kontrollerer resultatet og prøver igjen om nødvendig, i stedet for bare å svare på et spørsmål. Modellen får verktøy til å hente data og utføre handlinger, og arbeider i en løkke til et mål er nådd. Det er forskjellen mellom å svare og å utrette noe.
Ideen blir tydelig hvis man stiller den opp mot det enkle tilfellet. Et vanlig AI-kall er som ett enkelt spørsmål og ett enkelt svar. En agentisk arbeidsflyt er mer som å gi noen en oppgave og stole på at de selv bryter den ned i steg, kontrollerer seg selv underveis og kommer tilbake når oppgaven er løst.
Enkelt kall kontra løkke med planlegging
Den grunnleggende forskjellen ligger i antallet steg og i hvem som holder dem sammen.
- Enkelt kall. Du stiller et spørsmål, modellen svarer. Ett steg, ikke noe minne om hva som skjedde før, ingen mulighet til å korrigere seg. Raskt og forutsigbart.
- Agentisk løkke. Modellen tar imot et mål, lager en plan, utfører et delsteg, ser på resultatet og avgjør hva neste steg blir. Den kan bruke verktøy og kjøre runde etter runde til målet er nådd eller den står fast.
Det er løkken og verktøyene som gjør arbeidsflyten «agentisk». Modellen handler, ser følgene av det den gjorde, og tilpasser seg, i stedet for å svare blindt og være ferdig.
Et konkret eksempel
Tenk deg en saksflyt i kundeservice. En agentisk arbeidsflyt kan se slik ut, steg for steg:
- Ta imot henvendelsen. En kunde tar kontakt om en forsinket levering.
- Hente data. Agenten slår opp ordren i systemet og sjekker leveringsstatus via et verktøy.
- Foreslå tiltak. Ut fra det den finner, formulerer den et forslag: kompensere, booke om eller be om mer informasjon.
- Be om godkjenning. Før noe faktisk skjer, stopper agenten og legger forslaget frem for en saksbehandler.
Poenget er at flere steg kjedes sammen, med et kontrollpunkt før en handling får reell effekt. Det er nettopp det et enkelt kall ikke kan gjøre på egen hånd.
Hvorfor flere steg krever mer evaluering
Kapasiteten har en pris. Jo flere steg en arbeidsflyt har, desto flere steder kan noe gå galt, og en feil tidlig i løkken kan følge med og forsterkes.
| Opplegg | Behov for kontroll |
|---|---|
| Enkelt kall | Lavt, ett svar som skal kontrolleres |
| Agentisk arbeidsflyt | Høyt, en kjede av beslutninger som må kunne følges |
Derfor trenger et agentisk opplegg mer rundt seg: logging av hva agenten faktisk gjorde, et sett med evalueringstester som fanger opp når den sporer av, og sporbarhet slik at dere i etterkant kan se hvorfor den handlet som den gjorde. Uten det blir en agent en svart boks som noen ganger gjør riktig og noen ganger feil, uten at noen vet hvorfor.
Når et agentisk opplegg lønner seg, og når det ikke gjør det
Det er lett å bli forført av tanken på en AI som tar seg av hele prosessen selv. Men flere steg er ikke alltid bedre, og valget bør styres av oppgaven.
En agentisk arbeidsflyt lønner seg når oppgaven virkelig krever flere steg: Den må hente informasjon fra ulike steder, veie alternativer og tilpasse seg etter det den finner underveis. Da tilfører løkken og verktøyene en konkret verdi som et enkelt kall ikke kan matche.
For enklere oppgaver er et vanlig kall ofte det beste valget. Skal modellen bare svare på et spørsmål eller omformulere en tekst, er det ingen gevinst i å bygge en løkke rundt den, bare flere ting som kan gå galt og en høyere kostnad. En god tommelfingerregel er å starte enkelt og legge til steg først når oppgaven beviselig krever det.
Hva det betyr for deg som kjøper
Agentiske arbeidsflyter er kraftige når oppgaven virkelig krever flere steg og kontroller, men de har en pris i form av kompleksitet. En fornuftig holdning er å starte der nytten er tydelig, ha et menneske med i løkken for alt som får konsekvenser, og bygge inn sporbarhet fra start.
Vil du drøfte om et agentisk opplegg passer for en prosess hos dere, kan du lese mer om AI-tjenestene våre eller ta kontakt med en beskrivelse av arbeidsflyten dere vil forbedre.
Ofte stilte spørsmål
Hva skiller en agentisk arbeidsflyt fra et vanlig AI-kall?
Et vanlig kall er spørsmål inn, svar ut, altså ett steg. En agentisk arbeidsflyt er en løkke: Modellen planlegger, tar et delsteg, ser på resultatet, planlegger det neste og fortsetter til målet er nådd. Den kan bruke verktøy og korrigere seg selv underveis. Forskjellen er omtrent den mellom å svare på et spørsmål og å løse en oppgave.
Hva betyr det at en agent bruker verktøy?
At modellen ikke bare skriver tekst, men kan kalle funksjoner: slå opp en opplysning i et system, hente data fra en database, sende en e-post. Verktøyene er det som gjør at arbeidsflyten kan påvirke noe i virkeligheten og ikke bare resonnere. Hvilke verktøy agenten har, avgjør både hva den kan utrette og hvor mye som kan gå galt.
Gir flere steg alltid et bedre resultat?
Nei. Flere steg gir mer kapasitet, men også flere steder der noe kan gå galt, og feilene kan forsterkes gjennom løkken. Et agentisk opplegg lønner seg når oppgaven faktisk krever flere steg og kontroller. For enkle spørsmål er et vanlig kall både billigere og mer forutsigbart. Ta utgangspunkt i hvor kompleks oppgaven er, ikke i teknologien.
Trenger en agentisk arbeidsflyt menneskelig kontroll?
Ofte ja, særlig når agenten kan utføre handlinger som får konsekvenser. Et vanlig opplegg er at agenten planlegger og forbereder, men ber om godkjenning før den gjør noe med reell effekt, som å sende noe eller endre data. Jo større konsekvensene av et feiltrinn er, desto sterkere grunn er det til å ha et menneske som godkjenner.
Hvorfor krever agentiske arbeidsflyter mer evaluering?
Fordi resultatet ikke er ett enkelt svar som skal kontrolleres, men en kjede av beslutninger som avhenger av hverandre. En feil tidlig kan følge med gjennom hele løkken. Derfor trengs logging av hva agenten gjorde, et sett med evalueringstester som fanger opp når den sporer av, og tydelig sporbarhet slik at dere kan se hvorfor den handlet som den gjorde.