AI sin drapsapp: Hvordan AI‑agenter kan endre alt

Finne AI‑s blockbuster‑app

Siden den offentlige lanseringen av ChatGPT har AI‑teknologi vært i søkelyset og fanget oppmerksomheten til allmennheten, IT‑spesialister og investorer.

Dette har vært spesielt sant ettersom kapasiteten til generativ AI har vokst eksponentielt. I tillegg har en ny bølge av konkurranse akselerert fremgangen i feltet, med kinesisk AI som DeepSeek som utfordrer kostnadsstrukturen og prisene på amerikansk‑laget AI.

Likevel er AI‑industrien på et noe ustabilt grunnlag, da de hundre milliarder i AI‑infrastruktur ennå ikke har generert de inntektsnivåene som kreves for å rettferdiggjøre investeringen.

Tidligere teknologirevolusjoner har blitt bygget på lønnsomme anvendelser av teknologien i den «virkelige» økonomien, som kontorarbeid (Windows & Office), underholdning (videospill og streaming), annonser (Google), kommunikasjon (smarttelefoner) eller handel (online‑betaling & e‑handel).

Så langt har AI ennå ikke revolusjonert hvordan de fleste mennesker jobber eller lever sine daglige liv. Men dette er sannsynligvis i ferd med å endre seg med fremveksten av spesialiserte AI‑systemer med et eksploderende spekter av prestasjoner og evner: AI‑agenter.

Hva er AI‑agenter?

Kjerneideen med AI‑agenter er å skape AI‑systemer som kan operere uavhengig i et gitt miljø. Dette gir dem svært forskjellige praktiske roller enn generative AI‑systemer som LLM‑er (store språkmodeller) eller bildeskapere, som hovedsakelig reagerer på menneskeskapt prompt.

I den sammenhengen kan «miljø» bety både spesifikke situasjoner i den virkelige verden, som en bil på veien og AI for selvkjørende funksjon, eller et fullt virtuelt sted, som en bestemt programvare eller digital grensesnitt.

Fordi AI‑agenten handler autonomt i sin rolle, krever den ikke konstant menneskelig inngripen via prompting. Den kan derfor også ta handling på egen hånd, uten behov for bekreftelse eller tilsyn.

I praksis vil de fleste AI‑agenter også ha innebygde betingelser & regler der de vil be om tilbakemelding fra en menneskelig veileder.

I følge Google er AI‑agenters nøkkelfunksjoner:

• Resonnering: de kan analysere data, identifisere mønstre og ta informerte beslutninger basert på bevis og kontekst.
• Handling: evnen til å utføre handlinger eller oppgaver, dette kan inkludere fysiske handlinger eller digitale handlinger.
• Observasjon: innsamling av informasjon om miljøet eller situasjonen for å forstå konteksten og ta informerte beslutninger.
• Planlegging: utvikling av en plan for å oppnå mål, med identifisering av nødvendige steg, potensielle handlinger og den beste fremgangsmåten.
• Samarbeid: effektivt arbeid med andre, enten mennesker eller andre AI‑agenter.
• Selv‑forbedring: AI‑agenter kan lære av erfaring, justere atferden basert på tilbakemelding, og kontinuerlig forbedre ytelse og kapasiteter over tid.

Kilde: DevRevAI

Er det virkelig nytt?

Dette settet av funksjoner plasserer AI‑agenter ett steg over tidligere iterasjoner av AI‑verktøy, som AI‑assistenter og bot‑programmer, med mer proaktive evner, autonomi og evnen til å håndtere mer komplekse oppgaver.

Kilde: Google

AI‑agenter med fysiske «kropper» kan interagere direkte med den virkelige verden, mens digitale AI‑agenter sannsynligvis vil bli spesialiserte i bestemte virtuelle arbeidsmiljøer.

I begge tilfeller er det avgjørende å gi AI nok handlingsrom til å være nyttig, men ikke så mye at uventede skader fra feil oppstår.

Alt i alt er det sannsynlig at den parallelle veksten i kvaliteten på AI‑beslutninger og den økende kjennskapen til dem vil la folk og myndigheter gi mer spillerom til AI‑beslutningstaking. Dette åpner imidlertid interessante juridiske og etiske spørsmål om ansvar for AI‑handlinger (se diskusjonen nedenfor).

Potensialet til AI‑agenter

Evnen AI‑agenter har til å jobbe uavhengig er det som kan gjøre dem til AI‑drapsapper. Moderne liv er fullt av ikke‑så‑komplekse repeterende oppgaver som samtidig er for komplekse til å gis til en enklere form for automatisering.

Dette er for eksempel grunnen til at Tesla måtte ta et steg tilbake i automatiseringen og robotiseringen av samlebåndet i 2018 (TSLA ). Roboter kunne gjort en god jobb, men selv den minste forstyrrelse eller uventet endring i krav ville ha stoppet hele samlebåndet.

«Vi hadde dette ville, komplekse nettverket av transportbånd … Og det fungerte ikke, så vi kvitte oss med hele greia. Ja, overdreven automatisering hos Tesla var en feil. For å være presis, min feil. Mennesker er undervurdert.»

Elon Musk

Imidlertid er moderne AI‑systemer ikke bare et svært omfattende sett av rigide regler som prøver å forutse alt på forhånd. I stedet kan de, i noen grad, tilpasse seg og utvikle seg i nye forhold dersom de får nok relevant data under treningen.

Dette kan gjøre AI spesielt relevant for svært repeterende oppgaver, fra å lede en kunde gjennom et feilsøkingsalgoritme til å kjøre lastebiler på motorveien.

I motsetning til mennesker kan slik AI jobbe 24/7 og krever ingen lønn, helseforsikring osv.

Det finnes mange måter å klassifisere nivået vi har nådd i AI‑evner. Generelt sammenlignes AI‑evnen med den generelle befolkningen, med de nyeste AI‑agentene som kanskje snart når ferdighetene til 50‑90 % av befolkningen i spesifikke, smale domener – vanligvis betraktet som et mellomstadium i AI‑fremdrift, og bare begynnelsen på AGI.

Kilde: Cobus Greyling

Hvordan AI‑agenter fungerer?

AI‑agenter er bygget av noen få nøkkel‑«komponenter» som samhandler med hverandre:

• Sensorer: for fysiske AI‑agenter kan dette inkludere kameraer, mikrofoner, LIDAR, radioantenner osv. For digitale AI‑agenter kan dette være en søkefunksjon, et verktøy for å lese filer, hente data fra spesifikk programvare eller database osv.
• Aktuatorer: Dette er hvordan AI kan utføre jobben sin. Når fysisk kan det være hjul eller robotarmer. Når digitalt kan det være evnen til å opprette eller endre filer, skrive rapporter, utføre dataanalyse osv.
• Hjerner: laget av stadig mer komplekse AI‑verktøy bygget på nevrale nettverk, er dette beslutningssentrene til AI‑agentene.
• Database: dette er kunnskaps‑senteret med fakta, treningsdata og menneskelig korreksjon som gjør at «hjernen» kan ta riktige beslutninger.

Kilde: Thomas Latterner

Kombinasjonen av disse komponentene gjør at AI‑agenter kan ha minne og en persona bygget på grunnlaget av en spesialisert LLM.

Minne er en svært viktig del av AI‑en her og en radikal forbedring i forhold til tidligere bot‑systemer. Dette skyldes at mangel på minne er kilden til de fleste klager på chat‑botter og lignende systemer: dette er grunnen til at de fleste bot‑er setter seg fast i resonnerings‑sløyfer, hvorfor de ikke husker tidligere informasjon som allerede er gitt, osv.

Typer av AI‑agenter

I tillegg til den fysiske vs digitale delingen finnes det andre måter å kategorisere AI‑agenter på:

• En måte er å vurdere om agentene interagerer med mennesker, eller arbeider i bakgrunnen.
• En annen måte er å vurdere om man bruker én enkelt agent for en gitt oppgave eller flere agenter som snakker med hverandre for å utføre en mer omfattende jobb, med hver agent som har sin egen modell og deler data eller ikke med de andre.
  • Når man bruker flere agenter, kan en hierarki etableres, med én eller flere agenter som koordinerer og «gir ordre» til de lavere nivå‑agentene.
• En tredje mulighet for kategorisering av AI‑agenter er å vurdere sluttmål og kompleksitet.
  • Mål‑baserte AI‑agenter vil fokusere på et sluttresultat, og tilpasse sin atferd eller handlinger til målet er oppnådd. For eksempel vil en lager‑AI gi instruksjoner for å flytte en pakke til den når sin destinasjon.
  • Utility‑baserte agenter fokuserer også på målet, men også på den beste måten å nå det på. Så for eksempel vil en selvkjørende bil gå fra punkt A til punkt B, men også ta hensyn til sikkerhet, drivstoffeffektivitet, reisetid, veitype osv.

Kilde: Ampcome

Hvorfor bruke AI‑agenter i stedet for generalist‑AI‑er?

Det finnes mange grunner til at AI‑industrien vender seg mot AI‑agenter fremfor universelle modeller.

Den første er et spørsmål om teknisk kompleksitet og gjennomførbarhet. En fullstendig menneskelig‑liknende generell intelligens (AGI) er fortsatt utenfor rekkevidde så vidt vi vet.

Det virker imidlertid mer realistisk å skape, for eksempel, en dedikert AI‑agent som kan kjøre en bil som et menneske, uten å ha de andre menneskelige resonnerings‑kapasitetene på andre områder.

Et annet spørsmål er effektivitet. En modell som brukes til å kjøre en bil trenger ikke å være ekstremt god på å snakke, gå, søke på nett, regne osv. Så mange individuelle AI‑agenter for hver oppgave gir mye mer mening enn å forsøke å distribuere et alt‑i‑ett AI‑/robot‑system, som ofte vises i science‑fiction.

Til slutt er kostnader et alvorlig problem for alle AI‑prosjekter. Dette gjelder både kostnadene ved trening og de tusen‑ eller millionene av GPU‑ene som kreves. Men det gjelder også kostnadene ved å drifte AI‑en i maskinvare samt energiforbruket. Så mer spesialiserte, enklere AI‑agenter som også presterer bedre i sin jobb bør foretrekkes.

Fra spesialiserte til generalist‑AI‑agenter?

For smale og repeterende oppgaver er svært smale AI‑agenter sannsynligvis best. Men for å fullt ut forstå fordelene ved AI‑revolusjonen vil litt mer kompetente systemer være nødvendig. Som for eksempel, en AI som ikke bare automatisk genererer en liste over utstyr som trenger vedlikehold, men også planlegger teknikere for å utføre vedlikeholdet og håndterer tilhørende timelister, lønn osv.

I noen anvendelser kan dette være et nødvendig steg for virkelig å hjelpe menneskelige arbeidere, ettersom oppgavene og analysen ikke kan separeres fullstendig fra hverandre.

For eksempel vil en AI som utfører en diagnose måtte kunne analysere medisinske bilder, forstå en tekst eller stemme som beskriver symptomene, integrere medisinske testresultater og pasienthistorikk, finne relevant vitenskapelig litteratur og medisinsk protokoll osv.

Kilde: Nature

Slike generalist‑men applikasjons‑spesifikke AI‑er vil sannsynligvis bli bygget gjennom multi‑agent‑konstruksjoner, med hvert del‑element som utmerker seg på én oppgave, mens en overordnet AI integrerer de individuelle agentenes output til en helhetlig løsning.

Applikasjons‑spesifikke brukstilfeller er ikke den eneste muligheten. For eksempel kan multi‑agent‑AI‑er som bruker agenter fra svært forskjellige felt være nyttige for å gjøre nye vitenskapelige oppdagelser, ved å samle ulike datasett.

AI‑agent‑applikasjoner

Selv om mange anvendelser ennå ikke er forstått – på samme måte som ingen kunne forestille seg det moderne internettet i 1995 – er noen aktiviteter allerede klare for AI‑agent‑applikasjoner:

• Kundeservice: Fra nett‑chat til å ta bestillinger på restauranter, gjør den relativt enkle prosessen med de fleste kunders forespørsler det lettere å automatisere. Så langt har chat‑botter vært utilstrekkelige, men smartere AI‑agenter vil sannsynligvis erstatte mange av disse jobbene, med noen få mennesker i bakgrunnen for å håndtere de mest kompliserte forespørslene.
• Vitenskapelig forskning: Dette vil inkludere analyse av svært komplekse og store datasett og gjennomgang av tusenvis av vitenskapelige publikasjoner, også på ikke‑engelske språk. Det vil også dekke AI‑er som er spesialiserte på svært tekniske oppgaver, som å forutsi proteinfolding, materialers atomære sammensetning osv.
• Nettsider & Markedsføring: Mye av dagens nett‑markedsføring og annonsering håndteres allerede delvis med maler og automatisert optimalisering. Etter hvert som flere og flere tilpassede opplevelser verdsettes av kunder, vil fleksible AI‑agenter sannsynligvis snart prestere like bra som mange mennesker på dette feltet.
• Oversettelse og jus: Mange menneskelige oppgaver krever unik kunnskap om et svært spesifikt tema med mye å vite, ofte vanskelig å analysere. AI‑ens evne til å sile gjennom enorme mengder data kan hjelpe.
  • Imidlertid er risikoen for «hallusinasjoner» svært høy, spesielt siden kunden sannsynligvis ikke vil oppdage en feil, så kun en ultra‑pålitelige agent vil kunne utføre disse oppgavene.
  • Sanntids‑oversettelse og stemme‑til‑stemme, spesielt i ikke‑kritiske situasjoner som turisme, vil sannsynligvis bli en standard forventning for smarttelefonene våre.
• Kunster: Kanskje en av de mest kontroversielle funksjonene til AI er ideen om å gjøre tusenvis av musikere, malere, grafiske designere osv. overflødige, noe som ikke sitter godt hos mange. Men det kan også gi mye mindre team, eller til og med enkeltpersoner, muligheten til å konkurrere med store selskaper om å lage filmer, videospill, bøker osv.
• Helsevesen: Allerede nå anbefaler Elon Musk sine følgere å bruke X‑s AI, Grok, for sekundær medisinsk mening. På lengre sikt er det sannsynlig at dedikerte medisinske AI‑er vil bistå leger med analyse av medisinske data og forslag til behandlinger.
  • Etter hvert som robotkirurgi blir mer vanlig, kan vi også forestille oss en fremtid hvor AI‑kirurger kan utføre enkelte kirurgiske inngrep uten menneskelig assistanse.
• Sikkerhet: dette strekker seg fra lokal sikkerhet til politi og til og med militæret. AI‑er kan være utmerkede i rollen som trusseldeteksjon, og også målidentifikasjon. Foreløpig er det imidlertid stort tabu å gi dem for mye autonomi i dette sektoren, spesielt for dødelige beslutninger.
• Logistikk og transport: allerede i økende bruk i lager, blir roboter og droner mer og mer sannsynlig til å overta leverings‑ og logistikkjobber for pakker og den samlede forsyningskjeden etter hvert som de blir smartere og bedre i stand til å håndtere virkelige hindringer.
  • Og selvfølgelig kan selvkjørende biler og lastebiler bli en enda større revolusjon, som fullstendig endrer hvordan vi håndterer mobilitet og potensielt gjør personlig bil­eierskap til en kuriositet.
• Finans: «Algos» er allerede en stor del av dagens finansmarkeder, så vi bør forvente at smartere AI‑er blir enda mer involvert. Tilpassede AI‑agenter kan også bli vanlige i vurdering av forsikrings‑saker, lånesøknader osv.
• Produksjon: Trenden med 3D‑printing, CNC‑maskiner og andre nye verktøy for fleksibel produksjon har gjort moderne fabrikker langt mer allsidige enn den gamle samlebåndsmodellen. AI‑agenter i industrielle og humanoide roboter kan drive denne trenden videre.

Lovlighet, regulering & etikk

Ansvar

I enhver diskusjon om AI er spørsmålet om ansvarlig håndtering av teknologien hett.

På den ene siden vil for mye regulering hemme fremdriften, og sannsynligvis bare overlate de mest avanserte AI‑ene til mer fleksible jurisdiksjoner. I konteksten av et AI‑teknologirace mellom USA og Kina er det klart at dette ikke er et ønskelig resultat for noen av partene.

På den andre siden vil ingen ha ukontrollert AI uten noe ansvar.

Derfor må et klart juridisk rammeverk fastsettes. For eksempel, hvis en selvkjørende bil krasjer, er leverandøren av AI‑agenten ansvarlig? Jo mer autonomi AI‑agenter får, jo mer kan deres beslutninger påvirke ekte mennesker og bli kostbare.

Dette dekker også problematikken med misbruk av AI, som for eksempel identitetstyveri, svindel osv.

I mange tilfeller er det ikke engang klart hvilken myndighet eller etat som skal regulere AI. Skal det være et dedikert spesialisert organ? Eller skal AI i finans reguleres av SEC, luftbårne droner av FAA osv.?

Dette er lovgivnings‑ og reguleringsspørsmål, men ettersom disse ofte henger år bak teknologisk fremgang, er det sannsynlig at noen av de mest presserende spørsmålene om AI‑agenters regulatoriske rammeverk må besvares snart.

Jobber & ulikhet

En ofte fryktet effekt av AI‑utvikling er veksten i massearbeidsledighet, ettersom AI erstatter flere og flere jobber mye raskere enn folk kan omskolere eller nye jobber blir skapt.

Teoretisk sett burde dette være et steg på veien mot en utopisk, post‑knapphets‑sivilisasjon. I praksis kan dette drive millioner av mennesker inn i fattigdom før vi når dette punktet. Og i motsetning til tidligere automatiseringsbølger kan AI erstatte svært kvalifiserte kunnskapsarbeidere.

Kilde: Intellipoint

Faren for monopoler eller økende formuesulikhet er også en alvorlig en, da dette historisk har vist seg å være farlig og destabiliserende for samfunnet som helhet.

Etikk

Hva som kan og ikke kan overlates til AI. Dette er et stadig mer presserende spørsmål for enhver oppgave som går utover å flytte paller på et lager eller automatisk svare på e‑post.

Spørsmålet blir enda viktigere når det fristes til å bruke AI for målrettingssystemer i militære droner. Inkludert i Ukraina, med en «Rush for AI‑Enabled Drones on Ukrainian Battlefields».

Reuters rapporterte at kappløpet om AI‑aktiverte droner «tar krigføring inn i ukjent territorium ettersom aktører kjemper om teknologisk overtak i kamp». I Ukraina fokuserer AI‑drone‑utviklingen på tre nøkkelområder: målidentifikasjon, terrengkartlegging for navigasjon, og opprettelse av sammenkoblede «sværmer» av droner.

Et selskap, Swarmer, bygger programvare for å nettverke droner, slik at beslutninger kan utføres umiddelbart over en sværm med minimal menneskelig inngripen.

Ønsker vi virkelig å gi AI‑er denne typen kapasitet? Men ønsker vi virkelig bare at «fienden» skal ha den?

Disse problemstillingene er sannsynligvis noe som må diskuteres og avgjøres internasjonalt. De er også et tema AI‑industrien ikke bør unngå.

AI‑agenter allerede i tjeneste

OpenAI‑agenter

Som en langvarig leder innen AI er det ikke overraskende at OpenAI har flere solide GPT‑baserte agenter. Selskapet gir utviklere dedikerte verktøy for å utvikle AI‑agenter, inkludert multi‑agent Open AI SDK (Standard Development Kit).

OpenAI‑modellen ser ut til å hovedsakelig fokusere på å skape bedre versjoner av GPT og andre LLM‑er, og deretter bruke dem som basis for separat agent‑utvikling, med sin ledende posisjon for å skape etterspørsel etter agenter som bruker GPT.

Google

Google (GOOGL ) har vært tilstede i AI i lang tid gjennom sin DeepMind‑modell. Men det er med Gemini 2.0 at de omfavnet «agent‑æraen».

Google er også sterkt bevisst på den potensielle trusselen LLM‑AI‑er utgjør for klassisk søk, som fortsatt i dag er kilden til 90 % av selskapets inntekter.

Derfor brukte de Gemini 2.0 til å lage AI‑oversikter, et ekstra søkeresultat for å takle mer komplekse temaer og flerstegs‑spørsmål, inkludert matematikk og koding.

De laget også Jules, en kode‑assistent‑AI‑agent, og Genie 2, en AI‑modell for å skape spillbare 3D‑verdener.

Google har også som mål å holde seg i forkant gjennom maskinvareforskning, spesielt sine Trillium‑TPU‑er (Tensor Processing Units).

Manus

Butterfly Effect, en kinesisk oppstartsbedrift, lanserte Manus i mars 2025, og hevder at den er den første generelle AI‑agenten som kan handle autonomt.

Mens noen så i den et «andre DeepSeek‑øyeblikk» for AI‑agenter, hvor Kina tar ledelsen, er situasjonen mindre klar enn med DeepSeek‑s bemerkelsesverdig mer beregnings‑ (og finansiell) effektive tilnærming.

Manus ser ut til å være litt tregere, mer utsatt for krasj, men også gi mer detaljerte svar enn ChatGPT. Likevel ser det ut til at generelle AI‑agenter kan bli mulige tidligere enn forventet, selv om de kanskje ikke er ideelle for alle situasjoner.

Alibaba

En e‑handelsleder under press fra konkurrentplattformer som Temu, eller til og med TikTok, kjemper Alibaba tilbake til sin posisjon som teknologileder med fremgang innen AI.

Spesielt har de gjort kildekoden til sin QwQ‑32B‑modell åpen i begynnelsen av mars 2025, og hevder at med en femtedel av parametrene til DeepSeek‑R1 er den designet for effektivitet.

I tillegg, i mars 2025, lanserte Alibaba en ny versjon av Quark, en AI‑assistent/agent drevet av selskapets AI Qwen, som kombinerer dyp tenkning og generativ AI. Før denne AI‑oppgraderingen hadde Quark allerede 200 millioner brukere da den var en søkemotor.

AI‑agent‑selskap

Alibaba

Mer kjent i Vesten for sin e‑handelsplattform og som leverandør av billige materialer, deler og forbrukerprodukter, er Alibaba også et massivt teknologiselskap i Kina, ledende innen AI og sky‑computing.

Spesielt kontrollerer Alibaba 36 % av sky‑markedet i Kina, langt foran alle konkurrenter.

Kilde: Jeff Townson

Kanskje enda viktigere er at de allerede tilbyr seks nye DeepSeek‑AI‑modeller, den åpne kildekode‑AI‑en som har rystet verden ved plutselig å overgå de fleste amerikanske AI‑modellene for en brøkdel av kostnadene både i utvikling og per bruk.

Alibaba har også sin egen AI‑modell, Qwen, og hevder at Qwen 2.5 er enda bedre enn DeepSeek V3.

«Qwen 2.5‑Max overgår … nesten på alle områder GPT‑4o, DeepSeek‑V3 og Llama‑3.1‑405B,»

Alibaba Cloud‑enhet

Totalt, bortsett fra veksten i sky‑ og AI‑tjenester, forblir Alibaba en gigant innen e‑handel i Kina, med Taobao & Tmall kun litt under sin 29 % andel av globale netthandelsalg i 2019.

Kilde: Forbes

Den siste AI‑fremgangen har endret hvordan Alibaba oppfattes. Fra en arvet e‑handelsposisjon under press og dominerende sky‑salg (men også under press fra konkurrenter), har de gått tilbake til å lede Kinas teknologiske innovasjon.

Quark er nå det ekstra våpenet Alibaba bruker for å ta over det kinesiske AI‑assistent‑markedet, etter å ha bygget terrenget ved å lansere det som en AI‑søkemotor først og samle 200 millioner brukere.

Så, til tross for at aksjekursen er relativt lav, påvirket av år med teknologiknekting i Kina og bekymringer rundt investering i landet, kan Alibaba være en mulighet for investorer som er villige til å satse på at Kina tar ledelsen i AI‑kappløpet.

(Du kan også lese vår dedikerte rapport fokusert på Alibaba for flere detaljer).

Siste om Alibaba