AI's Killer-app: Hvordan AI-agenter kunne ændre alt

At finde AI's Blockbuster-app

Siden det offentlige sprøjt omkring udgivelsen af ​​ChatGPT, har AI-teknologi skabt overskrifter og fanget opmærksomheden hos den brede offentlighed, it-specialister og investorer.

Dette har især været sandt, da kapaciteten af ​​generativ AI er vokset eksponentielt. Derudover har en ny bølge af konkurrence fremskyndet fremskridt på området, med kinesisk kunstig intelligens som DeepSeek udfordrer omkostningsstrukturen og prisfastsættelsen af ​​USA-fremstillede AI'er.

Alligevel er AI-industrien noget på gyngende grund, da de hundredvis af milliarder i AI-infrastruktur endnu ikke har genereret de niveauer af indtægter, der kræves for at retfærdiggøre investeringen.

Tidligere teknologiske revolutioner er blevet bygget på baggrund af profitable anvendelser af teknologien i den "rigtige" økonomi, såsom kontorarbejde (Windows & Office), underholdning (videospil og streaming), annoncer (Google), kommunikation (smartphones) eller handel (onlinebetaling og e-handel).

Indtil videre har AI endnu ikke revolutioneret, hvordan de fleste mennesker arbejder eller lever deres dagligdag. Men dette er sandsynligvis ved at ændre sig med fremkomsten af ​​specialiseret AI med et eksploderende udvalg af præstationer og evner: AI-agenter.

Hvad er AI-agenter?

Kerneideen med AI-agenter er at skabe AI'er, der kan fungere uafhængigt i et givet miljø. Dette giver det meget andre praktiske roller end dem, som generative AI'er som LLM'er (Large Language Models) eller billedgeneratorer, som for det meste reagerer på menneskeskabte prompter.

I den sammenhæng kan "miljø" betyde både specifikke situationer i den virkelige verden, som en bil på vejen og AI til selvkørende funktion, eller et helt virtuelt sted, som en specifik software eller digital grænseflade.

Fordi AI-agenten handler autonomt i sin givne rolle, kræver den ikke konstant indgriben fra mennesker via prompting. Så den kan også tage handling af sig selv uden at kræve bekræftelse eller supervision.

I praksis vil de fleste AI-agenter også have indbyggede betingelser og regler, hvor de vil bede om feedback fra en menneskelig supervisor.

Ifølge Google er AI-agenters nøglefunktioner:

• Ræsonnement: de kan analysere data, identificere mønstre og træffe informerede beslutninger baseret på evidens og kontekst.
• Fungerende: Evnen til at handle eller udføre opgaver, dette kan omfatte fysiske handlinger eller digitale handlinger.
• Observation: Indsamling af information om miljøet eller situationen for at forstå deres kontekst og træffe informerede beslutninger.
• Planlægning: Udvikling af en plan for at nå mål med identifikation af de nødvendige skridt, potentielle handlinger og den bedste fremgangsmåde.
• samarbejde: Arbejder effektivt med andre, uanset om det er mennesker eller andre AI-agenter.
• Selvforfinende: AI-agenter kan lære af erfaring, justere deres adfærd baseret på feedback og løbende forbedre deres ydeevne og evner over tid.

Kilde: DevRevAI

Er det virkelig nyt?

Dette sæt funktioner sætter AI-agenter et trin over tidligere iterationer af AI-værktøjer, såsom AI-assistenter og bots, med mere proaktive evner, autonomi og evnen til at håndtere mere komplekse opgaver.

Kilde: Google

AI-agenter med fysiske "kroppe" kan interagere direkte med den virkelige verden, mens digitale AI-agenter sandsynligvis vil være specialiserede i visse virtuelle arbejdsmiljøer.

I begge tilfælde er det afgørende at give AI'en nok agentur og mulige handlinger til at være nyttige, men ikke for meget for at undgå uventede skader fra fejl.

Samlet set er det sandsynligt, at den parallelle vækst i kvaliteten af ​​AI-beslutninger og den stigende kendskab til dem vil give folk og myndigheder mere råderum til AI-beslutningstagning. Dette åbner imidlertid interessante juridiske og etiske spørgsmål vedrørende ansvaret for AI-handlinger (se nedenfor en diskussion om dette emne).

Potentialet af AI-agenter

AI-agenters evne til at arbejde uafhængigt er det, der kunne gøre dem til AI-dræberapps. Det moderne liv er fyldt med knap så komplekse gentagne opgaver, der samtidig er for komplekse til at blive givet til en enklere form for automatisering.

Det er for eksempel derfor Tesla måtte tage et skridt tilbage i automatiseringen og robotiseringen af ​​sin samlebånd i 2018. Robotter kunne gøre et godt stykke arbejde, men selv den mindste forstyrrelse eller uventede ændring i kravet ville bringe hele samlebåndet i stå.

"Vi havde dette skøre, komplekse netværk af transportbånd ... Og det virkede ikke, så vi slap af med det hele. Ja, overdreven automatisering hos Tesla var en fejl. For at være præcis, min fejl. Mennesker er undervurderede."

Elon Musk

Moderne AI'er er dog ikke kun et meget omfattende sæt af stive regler, der forsøger at forudse alt på forhånd. I stedet er de i et vist omfang i stand til at tilpasse sig og udvikle sig til nye forhold, hvis de får tilstrækkelige relevante data under deres uddannelse.

Så dette kan gøre AI særligt relevant til meget gentagne opgaver, lige fra at gå en kunde gennem en fejlfindingsalgoritme til at køre lastbiler på en motorvej.

I modsætning til mennesker kunne sådan kunstig intelligens fungere 24/7 og ikke kræve løn, sygesikring osv.

Der er mange måder at klassificere det niveau, vi har nået i AI-evner. Samlet set har de en tendens til at sammenligne evnen til AI med den almindelige menneskelige befolkning, hvor de nyeste AI-agenter måske snart når færdighederne hos 50-90 % af befolkningen i specifikke opgaver med smalt domæne, normalt betragtet som et midtpunkt i AI-fremskridt, og kun begyndelsen for AGI.

Kilde: Cobus Greyling

Hvordan fungerer AI-agenter?

AI-agenter er lavet af nogle få nøgle "komponenter", der interagerer med hinanden:

• Sensorer: for fysiske AI-agenter kan dette omfatte kameraer, mikrofoner, LIDAR, radioantenner osv. For digitale AI-agenter kan dette være en søgefunktion, et værktøj til at læse filer, udtrække data fra en specifik software eller database osv.
• : Sådan kan AI'en udføre sit job. Når det er fysisk, kan det være hjul eller robotarme. Når det er digitalt, kan det være muligheden for at oprette eller ændre filer, skrive rapporter, udføre dataanalyse mv.
• Brains: lavet af de stadig mere komplekse AI-værktøjer bygget fra neurale netværk, disse er AI-agenternes beslutningscentre.
• Database: dette er videnscentret med fakta, træningsdata og menneskelig korrektion, der tillader "hjernen" at træffe den rigtige beslutning.

Kilde: Thomas Latterner

Kombinationen af ​​disse komponenter gør det muligt for AI-agenter at have hukommelse og en persona bygget på grundlaget for en specialiseret LLM.

Hukommelse er en meget vigtig del af AI her og en radikal forbedring i forhold til tidligere bots. Dette skyldes, at mangel på hukommelse er kilden til de fleste klager over chatbots og andre lignende systemer: det er grunden til, at de fleste bots bliver hængende i ræsonnementer, hvorfor de ikke husker tidligere oplysninger, der allerede er givet osv.

Typer af AI-agenter

Udover den fysiske vs digitale kløft er der andre måder at kategorisere AI-agenter på:

• En måde er at overveje, om agenterne interagerer med mennesker eller arbejder i baggrunden.
• En anden måde er at overveje at bruge en enkelt agent til en given opgave eller flere agenter, der taler med hinanden for at udføre et mere omfattende job, hvor hver agent har sin egen model og deler data eller ej med de andre.
  • Ved brug af flere agenter kan der etableres et hierarki, hvor en eller flere agenter er ansvarlige for at koordinere og "ordne rundt på" agenterne på lavere niveau.
• En anden mulighed for AI-agentkategorisering er at overveje slutmålene og kompleksiteten.
  • Målbaserede AI-agenter vil fokusere på et slutresultat og tilpasse deres adfærd eller handlinger, indtil dette mål er nået. For eksempel vil en lager-AI give instruktioner til at flytte en pakke, indtil den når sin destination.
  • Forsyningsbaserede agenter også fokusere på målet, men også på den bedste måde at nå det på. Så for eksempel vil en selvkørende bil gå fra punkt A til punkt B, men også tage højde for sikkerhed, og i sidste ende brændstoføkonomi, rejsetid, vejtype mv.

Kilde: Ampcome

Hvorfor bruge AI-agenter i stedet for generalistiske AI'er?

Der er mange grunde til, at AI-industrien vender sig mod AI-agenter over universelle modeller.

Den første er et spørgsmål om teknisk kompleksitet og gennemførlighed. En fuld menneskelignende generel intelligens (AGI) er stadig uden for rækkevidde, så vidt vi ved.

Det virker dog meget mere realistisk at skabe for eksempel en dedikeret AI-agent, der er i stand til at køre en bil som et menneske, uden at have nogen af ​​de andre menneskelige evner til at ræsonnere i andre spørgsmål.

En anden sag er effektivitet. En model, der bruges til at køre bil, behøver ikke at være ekstremt god til at tale, gå, lave websøgninger, regne osv. Så mange individuelle AI-agenter til hver opgave giver meget mere mening end at forsøge at implementere et AI/robotsystem til alle formål, som det ofte vises i science fiction.

Endelig er omkostninger et alvorligt problem for alle AI-projekter. Det gælder udgifterne til træning og de tusinder eller endda millioner af GPU'er, det kræver. Men dette gælder også for omkostningerne ved at drive AI i computerhardware såvel som den energi, der forbruges. Så mere specialiserede, enklere AI-agenter, der også klarer sig bedre i deres job, er at foretrække.

Fra specialiserede til generalistiske AI-agenter?

Til smalle og gentagne opgaver er meget smalle AI-agenter nok bedst. Men for fuldt ud at forstå fordelene ved AI-revolutionen vil der være behov for lidt mere kompetente systemer. Som for eksempel er en AI ikke kun i stand til automatisk at generere en liste over udstyr, der har brug for vedligeholdelse, men også planlægge teknikere til at udføre nævnte vedligeholdelse og administrere deres tilknyttede timesedler, løn osv.

I nogle applikationer kan dette være et nødvendigt skridt i virkelig at hjælpe menneskelige arbejdere, da opgaverne og analysen ikke kan adskilles fuldstændigt fra hinanden.

For eksempel skal en AI, der udfører en diagnose, være i stand til at analysere medicinske billeder, forstå en tekst eller stemme, der beskriver symptomerne, integrere medicinske testresultater og patientens historie, finde relevant videnskabelig litteratur og medicinsk protokol osv.

Kilde: Natur

Sådanne generalistiske, men applikationsspecifikke AI'er vil sandsynligvis blive bygget gennem multi-agent-konstruktioner, hvor hvert underelement udmærker sig ved én opgave, mens en overvågende AI vil integrere de enkelte agenters output i en sammenhængende helhed.

Applikationsspecifikke use cases er ikke den eneste mulighed. For eksempel kan multi-agent AI'er, der bruger agenter fra meget forskellige felter, være nyttige til at gøre nye videnskabelige opdagelser ved at samle forskellige sæt data.

AI Agent-applikationer

Selvom det er sandsynligt, at mange applikationer endnu ikke er forstået, som ingen kunne visualisere det moderne internet i 1995, er nogle få aktiviteter allerede klar til applikationer af AI-agenter:

• KundeserviceFra online chats til at tage imod bestillinger på restauranter gør den relativt simple proces med de fleste kunders forespørgsler det nemmere at automatisere. Indtil videre har chatbots været utilstrækkelige, men smartere AI-agenter vil sandsynligvis erstatte mange af disse job, med et par mennesker i ryggen til at håndtere de mest komplicerede forespørgsler.
• Videnskabelig undersøgelse: Dette vil omfatte analyse af meget komplekse og store datasæt og gennemse tusindvis af videnskabelige publikationer, herunder på ikke-engelske sprog. Det vil også dække AI'er, der er specialiseret i meget tekniske opgaver, såsom forudsigelse af proteinfoldning, materiale atomsammensætning osv.
• Hjemmesider & Marketing: Meget online markedsføring og annoncer i dag er allerede delvist håndteret med skabeloner og automatiseret optimering. Da flere og flere tilpassede erfarne værdsættes af kunderne, vil fleksible AI-agenter sandsynligvis snart præstere lige så godt som mange mennesker på dette felt.
• Oversættelse og jura: Mange menneskelige opgaver er afhængige af at have et unikt sæt viden om et meget specifikt emne med meget at vide om, mere end at emnet er særligt svært at analysere. AI's evne til at finkæmme enorme mængder data kan hjælpe.
  • Risikoen for "hallucinationer" er dog meget høj, især da klienten næppe er i stand til at opdage en fejl, så kun en ultra-pålidelig agent vil være i stand til at udføre disse opgaver.
  • Realtidsoversættelse og stemme-til-stemme, især til ikke-kritiske situationer som turisme, vil sandsynligvis blive en standardforventning for vores smartphones.
• Arts: Nok en af ​​de mest kontroversielle funktioner ved AI er ideen om at sætte tusindvis af musikere, malere, grafiske designere osv. uden for arbejde, hvilket ikke falder i god jord hos mange mennesker. Det kunne dog også give meget mindre hold, eller endda enkeltpersoner, mulighed for at konkurrere med meget større virksomheder i at lave film, videospil, bøger osv.
• Medicinal: Allerede nu anbefaler Elon Musk sine følgere at bruge X's AI, Grok, til sekundær medicinsk udtalelse. I det lange løb er det sandsynligt, at dedikeret medicinsk AI vil være til hjælp for læger til at analysere medicinske data og foreslå behandlinger.
  • Efterhånden som robotkirurgi bliver mere almindelig, kunne vi også forestille os en fremtid, hvor AI-kirurger kan udføre nogle kirurgiske handlinger uden menneskelig assistance.
• Sikkerhed: dette strækker sig fra lokal sikkerhed til politi og endda militæret. AI'er kan være fremragende i rollen som trusselsdetektion og endda målidentifikation. Men indtil videre er det temmelig tabu at give dem for meget autonomi i denne sektor, især for dødelige beslutninger.
• Logistik og transport: allerede i stigende brug i varehuse, er robotter og droner mere og mere tilbøjelige til at overtage opgaverne med levering og logistik af pakker og den overordnede forsyningskæde, efterhånden som de bliver klogere og mere i stand til at håndtere hindringer i den virkelige verden.
  • Og selvfølgelig kan selvkørende biler og lastbiler være en endnu større revolution, der fuldstændig ændrer måden, vi håndterer mobilitet på, og potentielt endda gør personligt bilejerskab til en særhed.
• Finance"Algoritmer" er allerede en stor del af dagens finansmarkeder, så vi bør forvente, at smartere AI'er bliver endnu mere involveret. Tilpassede AI-agenter kan også blive udbredte i evalueringen af ​​forsikringssager, låneansøgninger osv.
• Manufacturing: Tendenserne med 3D-print, CNC-maskiner og andre nye værktøjer til fleksibel produktion har gjort moderne fabrikker meget mere polyvalente end det gamle samlebånd. AI-agenter inkorporeret i industrielle og humanoide robotter kunne skubbe denne tendens yderligere.

Lovlighed, regulering & etik

ansvar

I enhver diskussion om AI'er diskuteres spørgsmålet om ansvarlig håndtering af teknologien heftigt.

På den ene side ville for meget regulering hindre fremskridt og sandsynligvis blot overdrage de mest avancerede AI'er til mere fleksible jurisdiktioner. I forbindelse med et AI-teknologikapløb mellem USA og Kina er det klart, at dette ikke er et ønskeligt resultat for nogen side.

På den anden side er der ingen, der vil have ude af kontrol AI uden noget ansvar.

Så der skal fastlægges en klar juridisk ramme. For eksempel, hvis en selvkørende bil styrter, er udbyderen af ​​AI-agenten ansvarlig? Og jo mere autonomi AI-agenter får, jo mere kan deres beslutninger påvirke rigtige mennesker og vise sig at være dyre.

Dette dækker også spørgsmålet om misbrug af AI, som f.eks. stjæle identiteter, begå svindel osv.

I mange tilfælde er det ikke engang klart, hvilken eller hvilke myndigheder der skal regulere AI. Skal det være et dedikeret specialiseret organ? Eller skal AI i finans reguleres af SEC, luftbårne droner, FAA osv.?

Dette er mere lovgivningsmæssige og regulatoriske spørgsmål, men da disse ofte kan halte år efter den teknologiske udvikling, er det sandsynligvis presserende, at nogle af de mest presserende spørgsmål vedrørende AI-agenters reguleringsramme besvares snart.

Job & Ulighed

En ofte frygtet effekt af AI-udvikling er væksten i massearbejdsløsheden, da AI erstatter flere og flere job meget hurtigere, end folk kan omskole, eller der skabes nye job.

I teorien burde dette være et skridt på vejen til en utopisk civilisation efter knaphed. I praksis kan dette skubbe millioner af mennesker ud i fattigdom, før vi når til det punkt. Og i modsætning til tidligere automatiseringsbølger kunne kunstig intelligens erstatte meget kvalificerede vidensarbejdere.

Kilde: Intellipoint

Faren for monopoler eller øget ulighed i rigdom er også alvorlig, da dette historisk har vist sig at være farligt og destabiliserende for samfundet som helhed.

Etik

Hvad kan og ikke kan administreres af AI. Dette er et stadig mere presserende spørgsmål for alle opgaver, der går ud over at flytte paller på et lager eller automatisk besvare e-mails.

Problemet er endnu mere presserende, når der er en fristelse til at bruge AI til at målrette systemer i militære droner. Herunder i Ukraine, med en "Skynd dig efter AI-aktiverede droner på ukrainske slagmarker".

Reuters rapporterede, at kapløbet om AI-aktiverede droner "bringer krigsførelse ind på ukendt territorium, mens kombattanter kapløber om at opnå et teknologisk forspring i kamp." I Ukraine fokuserer AI-droneudvikling på tre nøgleområder: målidentifikation, terrænkortlægning til navigation og skabelsen af ​​indbyrdes forbundne "sværme" af droner.

Et firma, Swarmer, bygger software til netværksdroner, så beslutninger kan udføres øjeblikkeligt på tværs af en sværm med minimalt menneskeligt input.

Vil vi virkelig give kunstig intelligens denne form for kapacitet? Men ønsker vi virkelig, at kun "fjenden" skal have det?

Disse spørgsmål er sandsynligvis noget, der skal diskuteres og besluttes internationalt. De er også et emne, AI-industrien ikke bør vige tilbage fra.

AI-agenter allerede i drift

OpenAI-agenter

Som mangeårig leder inden for kunstig intelligens er det ikke overraskende at se OpenAI have flere solide GPT-baserede agenter. Virksomheden yder udviklere med dedikerede værktøjer til at udvikle AI-agenter, Herunder multi-agent Open AI SDK (Standard udviklingssæt).

OpenAI-modellen ser ud til for det meste at være fokuseret på at skabe bedre versioner af GPT og andre LLM'er og derefter have dem som base brugt til separat agentudvikling, idet man regner med sin førende position til at generere efterspørgslen efter agenter, der bruger GPT.

Google

Google (GOOGL ) har været til stede i AI i lang tid gennem sin DeepMind-model. Men det er med Gemini 2.0, at den omfavnede den "agentiske æra".

Google er også meget opmærksom på den potentielle trussel fra LLM AI'er mod klassisk søgning, som stadig den dag i dag er kilden til 90% af virksomhedens indtægter.

Så den brugte Gemini 2.0 til at skabe AI-oversigter, et ekstra søgeresultat til at tackle mere komplekse emner og spørgsmål med flere trin, inklusive matematik og kodning.

Det skabte også Jules, en kodningsassistent AI-agent, og Genie 2, en AI-model til at skabe spilbare 3D-verdener.

Google sigter også på at forblive på kanten gennem hardwareforskning, især dens Trillium TPUs (Tensor Processing Units).

Manus

Butterfly Effect, en kinesisk startup, udgav Manus i marts 2025 og hævdede, at den var den første generelle AI-agent, der er i stand til at agere selvstændigt.

Mens nogle så i det en "andet DeepSeek-øjeblik"For AI-agenter, hvor Kina tager føringen, er situationen mindre klar end med DeepSeeks bemærkelsesværdigt mere computereffektive (og økonomisk) effektive tilgang."

Manus synes en smule langsommere, mere tilbøjelige til at gå ned, men giver også mere detaljerede svar end ChatGPT. Ikke desto mindre ser det ud til, at generelle AI-agenter kan være mulige hurtigere end forventet trods alt, selvom de måske ikke er ideelle til alle situationer.

Alibaba

En e-handelsleder under pres fra konkurrerende platforme som Temu eller endda TikTok, Alibaba slår sin position tilbage som en teknologisk leder med fremskridt inden for AI.

Især åbnede den sin QwQ-32B-model i begyndelsen af ​​marts 2025 og hævdede, at den med en femtedel af parametrene i DeepSeek-R1 er designet til effektivitet.

Også i marts 2025 udgav Alibaba en ny version af Quark, en AI-assistent/agent drevet af virksomheden AI Qwen, der kombinerer dyb tænkning og generativ AI. Før denne AI-fornyelse havde Quark allerede 200 millioner brugere, da det var en søgemaskine.

AI Agent Company

Alibaba

Alibaba er mere kendt i Vesten for sin e-handelsplatform og som leverandør af billige materialer, dele og forbrugsvarer, og Alibaba er også en massiv teknologivirksomhed i Kina, førende inden for kunstig intelligens og cloud computing.

Navnlig kontrollerer Alibaba 36% af cloud-markedet i Kina, et godt stykke foran alle sine konkurrenter.

Kilde: Jeff Townson

Måske endnu vigtigere, det tilbyder allerede seks nye DeepSeek AI-modeller, open source AI, der har rystet verden forbi pludselig udkonkurrerede de fleste amerikanske AI-modeller for en lille brøkdel af omkostningerne i både udvikling og pr. brug.

Alibaba har også sin egen AI-model, Qwen, og hævder, at Qwen 2.5 er endnu bedre end Deep Seek V3.

"Qwen 2.5-Max klarer sig bedre … næsten over hele linjen GPT-4o, DeepSeek-V3 og Llama-3.1-405B,"

Alibabas cloud-enhed

Samlet set er Alibaba, udover væksten i cloud og kunstig intelligens, fortsat en gigant inden for e-handel i Kina, hvor Taobao & Tmall kun er en smule faldet fra deres 29 % andel af det globale onlinesalg i 2019.

Kilde: Forbes

De seneste fremskridt inden for kunstig intelligens har ændret, hvordan Alibaba opfattes. Fra en traditionel e-handelsposition under pres og dominerende cloud-salg (men også under pres fra konkurrenter) er virksomheden tilbage til at lede Kinas teknologiske innovation.

Quark er nu det ekstra våben, som Alibaba implementerer for at overtage det kinesiske AI-assistentmarked, efter at have bygget terrænet ved først at implementere det som en AI-søgemaskine og samle 200 millioner brugere.

Så på trods af at man overvejer dens relativt lave aktiekurs, udløst af mange års tech-nedbrud i Kina og bekymringer om at investere i landet, kunne Alibaba være en mulighed for investorer, der er villige til at satse på, at Kina tager føringen i AI-kapløbet.

(Du kan også læse vores dedikerede rapport fokuserede på Alibaba for flere detaljer).

Seneste på Alibaba