Agentisk AI: 18 spørgsmål og svar

En egenskab. Agentisk AI er ikke en bestemt model eller et bestemt produkt, men en måde at bygge et system, hvor noget af initiativet og planlægningen er flyttet fra mennesket til softwaren.

Derfor er det meningsløst at spørge, om et system er agentisk eller ikke. Det er mere oplysende at spørge, hvor agentisk det er — og på hvilke punkter. Ordet bruges nemlig både om arkitekturen og om graden af selvstændighed.

Kilde: OpenAI (2023), Practices for Governing Agentic AI Systems

En agent er én løkke mod ét mål: mennesket sætter målet, agenten vælger selv vejen og stopper, når målet er nået, eller rammerne siger stop.

Et agentisk system er større. Initiativet kommer fra en trigger, en plan eller et stående mål frem for fra en henvendelse. Arbejdet deles op i delmål, der kan fordeles til flere agenter. Hukommelsen er varig og gør næste runde klogere. Og mennesket flytter sig fra at sætte mål til at sætte politik og føre tilsyn.

Kort sagt: en agent udfører en opgave. Et agentisk system beslutter også, hvilke opgaver der skal udføres.

Træk diagrammet til siden for at se det hele.

Læs videre: AI-agenter: 22 spørgsmål og svar

Ni dele. Kun den første er «AI» — resten er almindelig software, og det er dér, man styrer systemet.

Modellen

Én sprogmodel, kaldt igen og igen. Den husker intet mellem kaldene og udfører intet selv.

Konteksten

Alt det, der sendes med ved hvert eneste kald: rolle, samtale, opslag, noter og værktøjsbeskrivelser. Systemets arbejdshukommelse — og dets største udgift.

Udløseren

Tidsplan, hændelse eller stående mål, der starter arbejdet uden et menneske.

Værktøjerne

Funktioner med navn, beskrivelse og inputskema, koblet på gennem MCP eller et almindeligt API.

Skills

Mapper med instruktioner — husets opskrifter — der først læses ind, når opgaven matcher.

Viden

En dokumentbase med vektorindeks. Relevante uddrag hentes ind i konteksten, før modellen svarer.

Hukommelsen

Filer, noter og en database, der overlever runden — det eneste, der gør næste gang klogere end første gang.

Løkken

Koden, der kalder modellen, kører værktøjerne, lægger resultatet tilbage og kalder igen.

Politiklaget

Rettigheder, godkendelser, budgetter, stopbetingelser og logning — uden om det hele.

Træk diagrammet til siden for at se det hele.

Kilde: Anthropic (2024), Building effective agents; Anthropic (2025), Effective context engineering for AI agents

Som regel den samme model. En agent er en rolle, ikke en hjerne: systemet kalder den samme sprogmodel igen og igen, og det, der skifter fra kald til kald, er konteksten — instruktionen, værktøjerne og materialet, der sendes med. En «indsamler» og en «vurderer» kan være præcis samme model med to forskellige systemprompter.

Der er én praktisk undtagelse: man vælger ofte forskellig modelstørrelse til forskellige roller. Læsetunge delopgaver — søg, læs, udtræk — kører billigt på en lille model, mens planlægningen, kontrollen og den endelige sammenskrivning bliver hos den store. Det svarer til at sætte den rigtige medarbejder på opgaven, ikke til at bygge flere hjerner.

Kilde: Anthropic (2025), Effective context engineering for AI agents; Anthropic (2024), Building effective agents; Wang m.fl. (2023), oversigt over LLM-baserede agenter; Xi m.fl. (2023), oversigt over LLM-agenter

En funktion, som modellen får beskrevet — ikke udleveret. Beskrivelsen har tre dele:

1. Et navn, for eksempel hent_maaling.
2. En beskrivelse i almindeligt sprog af, hvad funktionen gør — og hvornår den skal bruges.
3. Et inputskema, der siger præcis hvilke felter kaldet skal have, og hvilken type de er.

Modellen udfører ikke selv noget. Den svarer med et struktureret kald — «brug hent_maaling med sensor = 3» — og så er det løkken i den omgivende software, der faktisk kører funktionen og lægger resultatet tilbage i konteksten. Rettighederne ligger derfor i softwaren, ikke i modellen; det er dér, man bestemmer, om den må læse, skrive, sende eller betale.

Beskrivelsen er vigtigere, end man tror. Den er den eneste måde, modellen kan vide, hvornår værktøjet er det rigtige valg. Skriv derfor hvornår det skal kaldes — ikke bare hvad det gør.

De fire første er læsende eller lokale og kan som regel gives frit. De to sidste rører ved verden uden for systemet — det er dér, godkendelse og mindste privilegium hører hjemme.

Kilde: Anthropic, Claude API-dokumentation: Tool use; OpenAI, dokumentation: Function calling; Schick m.fl. (2023), Toolformer; Mialon m.fl. (2023), Augmented Language Models

Model Context Protocol er en åben standard for, hvordan værktøjer og datakilder kobles på en AI. Før MCP skulle hver kombination af model og system bygges forfra. Med MCP udstiller et system én gang en «server», der beskriver sine værktøjer, og enhver MCP-klient kan bruge den.

Den praktiske skelnen er værd at holde fast i: værktøjsbrug er mekanismen inde i modellen — at den svarer med et kald. MCP er leveringskanalen: hvor værktøjsbeskrivelserne kommer fra, og hvem der udfører kaldet. Bag en MCP-server ligger almindelig software — et API, en database, et filsystem, en maskine.

Kilde: Model Context Protocol, specifikationen

En skill er en mappe med en instruktion — typisk en fil ved navn SKILL.md — og eventuelt scripts og skabeloner. Det er opskriften på, hvordan en bestemt slags opgave løses netop her: hvordan en månedsrapport skal se ud, hvordan en sag journaliseres, hvilke felter der altid skal med.

Det afgørende er, hvordan den indlæses. Kun skillens navn og korte beskrivelse ligger i konteksten hele tiden; først når en opgave matcher, læser modellen hele filen. Det kaldes progressiv afdækning, og det er forskellen på at have ti opskrifter liggende i reolen og at have ti opskrifter slået op på bordet samtidig.

Og dermed svaret på hvorfor ikke bare én stor systemprompt: konteksten er et budget. Alt, der ligger i den, sendes med ved hvert eneste kald og koster både penge og opmærksomhed. En systemprompt, der skal dække alle tænkelige opgaver, gør modellen dårligere til dem alle.

Det sidste er målt, ikke bare en antagelse: sprogmodeller udnytter lange kontekster dårligere, end man skulle tro. I et kendt forsøg faldt præcisionen mærkbart, når den relevante oplysning lå midt i en lang kontekst frem for i begyndelsen eller slutningen — og den faldt jo længere konteksten blev.

Kilde: Anthropic, dokumentation: Agent Skills; Liu m.fl. (2023), Lost in the Middle

Jo — tættere, end opdelingen ovenfor antyder. En skill er ikke et sideordnet alternativ til værktøjer; den hviler på dem i tre led:

1. Den bliver læst med et værktøj. SKILL.md er en fil, og modellen får kun fat i den ved at kalde et læse-værktøj. Fjerner man læse-værktøjet, kan systemet slet ikke bruge skills — det er en hård afhængighed, ikke en detalje.
2. Dens scripts køres med et værktøj. En skill må gerne indeholde kode — et script, der bygger regnearket, en skabelon, der udfyldes. Den kode udføres gennem et kørsels-værktøj, ikke af modellen selv.
3. Dens indhold handler for det meste om værktøjer. «Hent først sagen med dét værktøj, tjek feltet, og brug kun afsendelsen hvis …» — en skill er i praksis brugsanvisningen til det værktøjssæt, systemet allerede har.

Den rigtige opdeling er derfor ikke to kasser ved siden af hinanden, men to lag oven på hinanden:

De deler i øvrigt det samme kneb mod kontekstens budget: kun navn og kort beskrivelse ligger fremme, og resten hentes først, når det bliver relevant. For skills hedder det progressiv afdækning; for store værktøjssæt findes den samme mekanisme som værktøjssøgning, hvor selve skemaerne først indlæses, når de skal bruges.

Kilde: Anthropic, dokumentation: Agent Skills; Anthropic, Claude API-dokumentation: Tool use

Fra tre adskilte steder, og det er værd at holde dem fra hinanden:

1. Modellens træning. Generel viden om sprog og verden, lukket ved træningstidspunktet. Den kan ikke rettes, og den ved intet om jeres hus.
2. Opslag i en dokumentbase. Dokumenterne deles i stykker; hvert stykke får en talrepræsentation — en «embedding» — i et vektorindeks. Ved et spørgsmål findes de nærmeste stykker, og de lægges ind i konteksten, før modellen svarer. Det er metoden, der kaldes retrieval-augmented generation, RAG.
3. Værktøjer. Friske data, der ikke står i noget dokument: en måling, en kalender, en pris, en sagsstatus.

Tommelfingerreglen: opslag passer til tekst, der ligger stille — vejledninger, kontrakter, referater. Værktøjer er til det, der ændrer sig, mens man ser på det. Og kvaliteten af opslaget er mindst lige så afgørende som valget af model: hentes de forkerte stykker tekst, svarer selv den bedste model forkert.

⚑ Opslag er ikke hukommelse. Det henter noget frem, men systemet lærer ikke af det — intet bliver skrevet tilbage.

Kilde: Lewis m.fl. (2020); Gao m.fl. (2023), oversigtsartikel om RAG

Af helt almindelige ting — og ingen af dem er modellen:

Kontekstvinduet

Arbejdshukommelsen: alt, modellen kan se ved ét kald. Stort i dag, men flygtigt — det forsvinder med sessionen.

Samtalelogget

Hele forløbet, der sendes med igen ved hvert kald. Derfor caches den gentagne del — ellers betaler man for det samme om og om igen.

Komprimering og oprydning

Når forløbet nærmer sig grænsen, sammenfattes det ældste, eller gamle værktøjssvar ryddes ud. Det er en bevidst beslutning om, hvad der må glemmes.

Filer på disken

Den varige del: noter i almindelig tekst, én ting pr. fil, som agenten selv skriver og læser igen næste gang. Den mest udbredte form for ægte hukommelse — og den kan læses af mennesker.

En database

Til tilstand, der skal kunne slås præcist op: hvad er gjort, hvad er status, hvilke id'er er allerede set.

Vektorindekset

Hører til viden, ikke hukommelse. Det finder noget frem, men husker ikke, at det blev fundet.

Kilde: Anthropic, dokumentation: Memory tool; Anthropic, dokumentation: Context editing; Packer m.fl. (2023), MemGPT; Zhang m.fl. (2024), oversigt over hukommelse i AI-agenter

Fire skruer, man kan dreje hver for sig:

Målets abstraktion

Får systemet et konkret skridt — eller et bredt formuleret formål, det selv skal oversætte til skridt?

Handlerummet

Hvor mange værktøjer har det, og hvor indgribende er de? Må det kun læse, eller også skrive, sende og betale?

Tidshorisonten

Arbejder det i sekunder, over en arbejdsdag, eller løbende uden en afslutning?

Den menneskelige kontrol

Godkender et menneske hvert skridt, tages der stikprøver, eller ses resultatet først bagefter?

Det er disse fire, der afgør, hvor meget tillid systemet reelt er givet — ikke hvor avanceret modellen er. OpenAI beskriver samme tanke som en grad af «agenticness», og pointen er praktisk: man kan skrue ned på én skrue uden at opgive de andre.

Kilde: OpenAI (2023), Practices for Governing Agentic AI Systems; Chan m.fl. (2023)

Oftere end man tror. Når skridtene er kendte og rækkefølgen er stabil, er et fast arbejdsflow med modellen i et eller to led både billigere, hurtigere og langt lettere at teste — og man kan forklare bagefter, hvorfor resultatet blev som det blev.

Anthropics anbefaling er at bruge det simpleste, der løser opgaven, og først give systemet frit vejvalg, når opgaven faktisk kræver det. Et agentisk system er svaret, når man ikke kan skrive rækkefølgen ned på forhånd — eller når arbejdet skal starte af sig selv.

Kilde: Anthropic (2024), Building effective agents; OpenAI (2025), A practical guide to building agents

Fordi tre forudsætninger faldt på plads kort efter hinanden:

1. Modellerne blev pålidelige nok til at bruge værktøjer uden at køre af sporet efter få skridt.
2. Der kom standarder — først og fremmest MCP — for at koble kilder og værktøjer på en model, så forbindelserne ikke skal bygges forfra hver gang.
3. Der kom rammeværk til at lade flere agenter arbejde sammen i roller — som AutoGen i 2023 — mens forskningen viste, hvad en flok agenter med egen hukommelse kan drive frem over tid.

Og så er der markedsføringen. «Agentisk» er blevet et salgsord: Gartner bruger udtrykket «agent washing» om et eksisterende chatprogram, der får nyt mærkat uden at kunne mere end før, og vurderer, at kun omkring 130 af de tusindvis af leverandører, der bruger ordet, reelt leverer agentisk AI.

Samme analyse forventer, at over 40 % af alle agentiske AI-projekter bliver aflyst inden udgangen af 2027 — typisk på grund af omkostninger, uklar værdi eller manglende kontrol. Det er de tre ting, denne side handler om.

Det ændrer ikke ved, at det underliggende er reelt: det er blevet praktisk muligt at lade software tage initiativet. Men det er grunden til at spørge «hvad gør det, som det forrige ikke gjorde?» frem for at spørge, om noget er agentisk.

Kilde: Wu m.fl. (2023), AutoGen; Park m.fl. (2023), Generative Agents; Gartner (2025), pressemeddelelse om agentiske AI-projekter

Et typisk forløb har fem trin:

1. En udløser starter arbejdet — en tidsplan, en ny måling eller en afvigelse.
2. Orkestratoren lægger en plan og deler op i delmål.
3. Agenter arbejder parallelt i hver sin løkke med hver sit værktøjssæt: en indsamler, en vurderer, en handler.
4. Resultatet lægges i den fælles hukommelse, så næste runde ikke starter forfra.
5. Politiklaget griber ind undervejs: det irreversible kræver en godkendelse, og hvert skridt bliver logget.

Det er netop dette mønster, en driftsovervågning, en løbende dataindsamling eller en sagsforberedelse kan skæres over. Det, der gør det agentisk, er trin 1 og 4: at arbejdet begynder uden et menneske, og at systemet husker på tværs af runder.

Tre ting, der alle vokser hurtigere, end man forventer:

Den enkeltstående største besparelse er at cache den gentagne del af konteksten: systemprompt, skills og den faste historik er ens kald efter kald, og et cachet opslag koster en brøkdel af et nyt. Og fejl måles pr. skridt frem for på en god demonstration — det er den samme regning, der afgør, hvor lange opgaver en enkelt agent kan klare.

Kilde: Anthropic, dokumentation: Prompt caching; Hvor lange opgaver AI-agenter kan klare

Forskningen i stadigt mere agentiske systemer peger på de samme fire punkter — og de er alle fire arkitektur, ikke modelvalg.

Kilde: Chan m.fl. (2023), Harms from Increasingly Agentic Algorithmic Systems; OWASP (2025), LLM01: Prompt Injection

Ved at kunne vise det — ikke ved at mene det. Det kræver fem ting:

Det er den samme logik som i NIST's ramme for AI-risikostyring og i EU's AI-forordning, hvor kravene om menneskeligt tilsyn, logning og sporbarhed stiger med anvendelsens risiko.

Kilde: NIST, AI Risk Management Framework; Forordning (EU) 2024/1689

Agentisk AI er ikke en ny slags intelligens, men en ny fordeling af initiativ. Modellen er den samme; det, der flytter sig, er hvor meget af planlægningen og vejvalget mennesket har lagt fra sig — og hvor meget maskineri man har bygget omkring modellen for at gøre det forsvarligt.

Derfor er det et arkitektur- og styringsspørgsmål mere end et modelspørgsmål, og gevinsten kommer kun, hvis man kan rulle fejl tilbage og bevise bagefter, hvad der skete. Start med det reversible, log alt, og giv kun systemet mere initiativ, når man kan måle, at det bærer det.