AI:s dödliga app: Hur AI‑agenter kan förändra allt

Hitta AI:s blockbustertillämpning

Sedan den offentliga uppståndelsen kring lanseringen av ChatGPT har AI‑teknik gjort rubriker och fängslat allmänhetens, IT‑specialisters och investerares uppmärksamhet.

Det har varit särskilt sant eftersom kapaciteten hos generativ AI har vuxit exponentiellt. Dessutom har en ny våg av konkurrens påskyndat framstegen inom området, med kinesisk AI som DeepSeek som utmanar kostnadsstrukturen och prissättningen för amerikanskt tillverkade AI‑system.

Ändå är AI‑industrin något osäker, eftersom de hundratals miljarder som investerats i AI‑infrastruktur ännu inte har genererat de intäktsnivåer som krävs för att motivera investeringen.

Tidigare tekniska revolutioner har byggts på lönsamma tillämpningar av teknologin i den ”verkliga” ekonomin, såsom kontorsarbete (Windows & Office), underhållning (videospel och streaming), annonser (Google), kommunikation (smartphones) eller handel (onlinebetalningar och e‑handel).

Hittills har AI ännu inte revolutionerat hur de flesta arbetar eller lever sina dagliga liv. Men detta är sannolikt på väg att förändras med framväxten av specialiserad AI med ett exploderande spektrum av prestanda och förmågor: AI‑agenter.

Vad är AI‑agenter?

Kärnidén med AI‑agenter är att skapa AI‑system som kan fungera självständigt i en given miljö. Detta ger dem mycket annorlunda praktiska roller jämfört med generativa AI‑system som LLM‑modeller (stora språkmodeller) eller bildgeneratorer, som mestadels reagerar på mänskligt skapade promptar.

I det sammanhanget kan “miljö” både avse specifika situationer i den verkliga världen, som en bil på vägen och AI för självkörande funktion, eller en helt virtuell plats, som en specifik mjukvara eller digitalt gränssnitt.

Eftersom AI‑agenten agerar autonomt i sin givna roll krävs inte ständig mänsklig inblandning via promptar. Därför kan den också vidta åtgärder på egen hand, utan att behöva bekräftelse eller övervakning.

I praktiken kommer de flesta AI‑agenter också att ha inbyggda villkor och regler där de kommer att be om återkoppling från en mänsklig handledare.

Enligt Google är AI‑agenternas nyckelfunktioner :

• Resonemang: de kan analysera data, identifiera mönster och fatta informerade beslut baserade på bevis och sammanhang.
• Handling: Förmågan att vidta åtgärder eller utföra uppgifter, vilket kan inkludera fysiska eller digitala handlingar.
• Observation: Samla information om miljön eller situationen för att förstå deras kontext och fatta informerade beslut.
• Planering: Utveckla en plan för att nå mål, med identifiering av nödvändiga steg, potentiella åtgärder och bästa handlingssätt.
• Samarbete: Arbeta effektivt med andra, vare sig det är människor eller andra AI‑agenter.
• Självförbättring: AI‑agenter kan lära sig av erfarenhet, justera sitt beteende baserat på återkoppling och kontinuerligt förbättra sin prestanda och kapacitet över tid.

Källa: DevRevAI

Är det verkligen nytt?

Denna uppsättning funktioner placerar AI‑agenter ett steg över tidigare versioner av AI‑verktyg, såsom AI‑assistenter och botar, med mer proaktiva förmågor, autonomi och möjlighet att hantera mer komplexa uppgifter.

Källa: Google

AI‑agenter med fysiska ”kroppar” kan interagera direkt med den verkliga världen, medan digitala AI‑agenter sannolikt kommer att vara specialiserade på vissa virtuella arbetsmiljöer.

I båda fallen är det avgörande att ge AI tillräckligt med handlingsutrymme och möjliga åtgärder för att vara användbar, men inte för mycket för att undvika oväntade skador från fel.

Sammanfattningsvis är det sannolikt att den parallella tillväxten i AI‑besluts kvalitet och den ökande bekantskapen med dem kommer att göra att människor och myndigheter ger AI mer spelrum i beslutsfattandet. Detta öppnar dock intressanta juridiska och etiska frågor kring ansvaret för AI‑handlingar (se nedan en diskussion om ämnet).

Potentialen hos AI‑agenter

Förmågan hos AI‑agenter att arbeta självständigt är det som kan göra dem till AI:s dödliga appar. Modernt liv är fullt av inte så komplexa repetitiva uppgifter som samtidigt är för komplexa för att överlämnas till en enklare form av automatisering.

Detta är till exempel varför Tesla var tvungen att ta ett steg tillbaka i automatiseringen och robotiseringen av sin monteringslinje 2018 (TSLA ). Robotar kunde göra ett bra jobb, men även den minsta störningen eller oväntade förändring i krav skulle stoppa hela monteringslinjen.

“Vi hade detta galna, komplexa nätverk av transportband … Och det fungerade inte, så vi gjorde oss av med hela grejen. Ja, överdriven automatisering på Tesla var ett misstag. För att vara exakt, mitt misstag. Människor underskattas.”
Elon Musk

Dock är moderna AI‑system inte bara en mycket invecklad uppsättning stela regler som försöker förutse allt i förväg. Istället kan de, i viss utsträckning, anpassa sig och utvecklas till nya förhållanden om de får tillräckligt med relevant data under sin träning.

Detta kan göra AI särskilt relevant för mycket repetitiva uppgifter, från att guida en kund genom ett felsökningsalgoritm till att köra lastbilar på motorvägen.

Till skillnad från människor kan sådan AI arbeta dygnet runt och kräver ingen lön, sjukförsäkring osv.

Det finns många sätt att klassificera den nivå vi har nått i AI‑förmågor. Generellt jämför man AI:s förmåga med den allmänna mänskliga befolkningen, där de nyaste AI‑agenterna snart kan nå färdigheter motsvarande 50‑90 % av befolkningen i specifika, smala domänuppgifter, vilket vanligtvis betraktas som ett mellansteg i AI‑framsteg och bara början för AGI.

Källa: Cobus Greyling

Hur AI‑agenter fungerar

AI‑agenter består av några nyckel‑”komponenter” som interagerar med varandra:

• Sensorer: för fysiska AI‑agenter kan detta inkludera kameror, mikrofoner, LIDAR, radioantenner osv. För digitala AI‑agenter kan det vara en sökfunktion, ett verktyg för att läsa filer, extrahera data från en specifik mjukvara eller databas osv.
• Aktuatorer: Så här kan AI utföra sitt arbete. När den är fysisk kan det vara hjul eller robotarmar. När den är digital kan det vara förmågan att skapa eller modifiera filer, skriva rapporter, utföra dataanalys osv.
• Hjärnor: bestående av de alltmer komplexa AI‑verktygen byggda på neurala nätverk, dessa är beslutscentra för AI‑agenter.
• Databas: detta är kunskapscentret med fakta, träningsdata och mänskliga korrigeringar som gör att ”hjärnan” kan fatta rätt beslut.

Källa: Thomas Latterner

Kombinationen av dessa komponenter gör att AI‑agenter kan ha minne och en persona byggd på grunderna av en specialiserad LLM.

Minne är en mycket viktig del av AI:n här och en radikal förbättring jämfört med tidigare botar. Detta beror på att avsaknad av minne är källan till de flesta klagomål om chatbottar och liknande system: det är därför de flesta botar fastnar i resonemangscykler, misslyckas med att komma ihåg tidigare information som redan givits osv.

Typer av AI‑agenter

Förutom uppdelningen mellan fysiska och digitala finns det andra sätt att kategorisera AI‑agenter:

• Ett sätt är att överväga om agenterna interagerar med människor, eller arbetar i bakgrunden.
• Ett annat sätt är att överväga att använda en enda agent för en given uppgift eller flera agenter som kommunicerar med varandra för att utföra ett mer omfattande jobb, där varje agent har sin egen modell och delar data eller inte med de andra.
  • När man använder flera agenter kan en hierarki etableras, med en eller flera agenter som ansvarar för att samordna och ”ge order” till de lägre nivå‑agenterna.
• Ett annat alternativ för kategorisering av AI‑agenter är att beakta slutmål och komplexitet.
  • Goal‑baserade AI‑agenter fokuserar på ett slutresultat och anpassar sitt beteende eller sina handlingar tills målet uppnås. Till exempel kommer en lager‑AI att ge instruktioner för att flytta ett paket tills det når sin destination.
  • Utility‑baserade agenter fokuserar också på målet, men även på det bästa sättet att nå det. Så en självkörande bil kommer att gå från punkt A till punkt B, men också ta hänsyn till säkerhet, bränsleeffektivitet, restid, vägtyp osv.

Källa: Ampcome

Varför använda AI‑agenter istället för generella AI‑system?

Det finns många anledningar till att AI‑industrin vänder sig mot AI‑agenter istället för universella modeller.

Den första handlar om teknisk komplexitet och genomförbarhet. En fullständig mänsklig liknande generell intelligens (AGI) är fortfarande utom räckhåll såvitt vi vet.

Det verkar dock mycket mer realistiskt att skapa, till exempel, en dedikerad AI‑agent som kan köra en bil som en människa utan att ha de andra mänskliga förmågorna att resonera i andra frågor.

En annan fråga är effektivitet. En modell som används för att köra en bil behöver inte vara extremt bra på att prata, gå, göra webbsökningar, räkna osv. Så många individuella AI‑agenter för varje uppgift är mycket mer meningsfulla än att försöka distribuera ett allsidigt AI‑/robotsystem, som ofta visas i science fiction.

Slutligen är kostnader en allvarlig fråga för alla AI‑projekt. Detta gäller både träningskostnaderna och de tusentals eller till och med miljoner GPU:er som krävs. Men det gäller också driftskostnaderna för AI i hårdvara samt den energi som förbrukas. Så mer specialiserade, enklare AI‑agenter, som också presterar bättre i sitt arbete, bör föredras.

Från specialiserade till generella AI‑agenter?

För smala och återkommande uppgifter är mycket smala AI‑agenter förmodligen bäst. Men för att fullt ut förstå fördelarna med AI‑revolutionen krävs något mer kompetenta system. Till exempel bör en AI inte bara kunna generera en lista över utrustning som behöver underhåll, utan också schemalägga tekniker för detta underhåll och hantera deras tidrapporter, löner osv.

I vissa tillämpningar kan detta vara ett nödvändigt steg för att verkligen hjälpa mänskliga arbetare, eftersom uppgifterna och analysen inte kan separeras helt från varandra.

Till exempel måste en AI som utför en diagnos kunna analysera medicinska bilder, förstå en text eller röst som beskriver symtomen, integrera medicinska testresultat och patientens historik, hitta relevant vetenskaplig litteratur och medicinska protokoll osv.

Källa: Nature

Sådana generella, men applikationsspecifika AI‑system kommer sannolikt att byggas genom multi‑agent‑konstruktioner, där varje delkomponent excellerar i en uppgift, medan en överordnad AI integrerar de individuella agenternas output till en sammanhållen helhet.

Applikationsspecifika användningsfall är inte det enda möjliga. Till exempel kan multi‑agent‑AI:er som använder agenter från mycket olika områden vara användbara för att göra nya vetenskapliga upptäckter, genom att samla olika datamängder.

Tillämpningar av AI‑agenter

Även om det sannolikt är så att många tillämpningar ännu inte är förstådda, på samma sätt som ingen kunde föreställa sig den moderna interneten 1995, finns redan några aktiviteter som är redo för AI‑agenttillämpningar:

• Kundservice: Från online‑chattar till att ta beställningar på restauranger, den relativt enkla processen för de flesta kundförfrågningar gör det lättare att automatisera. Hittills har chatbotar varit otillräckliga, men smartare AI‑agenter kommer sannolikt att ersätta många av dessa jobb, med några få människor i bakgrunden för att hantera de mest komplicerade förfrågningarna.
• Vetenskaplig forskning: Detta kommer att inkludera analys av mycket komplexa och stora datamängder samt genomsökning av tusentals vetenskapliga publikationer, inklusive på icke‑engelska språk. Det kommer också att omfatta AI‑system specialiserade på mycket tekniska uppgifter, såsom att förutsäga proteinveckning, materialens atomära sammansättning osv.
• Webbplatser & marknadsföring: Mycket av dagens online‑marknadsföring och annonser hanteras redan delvis med mallar och automatiserad optimering. Allt eftersom fler och fler skräddarsydda upplevelser uppskattas av kunder, kommer flexibla AI‑agenter sannolikt snart att prestera lika bra som många människor inom detta område.
• Översättning och juridik: Många mänskliga uppgifter bygger på att ha en unik kunskapsuppsättning om ett mycket specifikt ämne med mycket att veta, mer än att ämnet är särskilt svårt att analysera. AI:s förmåga att gå igenom enorma mängder data kan hjälpa.
  • Riskerna för ”hallucinationer” är dock mycket höga, särskilt eftersom kunden sannolikt inte kan upptäcka ett misstag, så endast en ultrapålitlig agent kan utföra dessa uppgifter.
  • Översättning i realtid och röst‑till‑röst, särskilt för icke‑kritiska situationer som turism, kommer sannolikt att bli en standardförväntning för våra smartphones.
• Konst: Förmodligen en av de mest kontroversiella funktionerna hos AI är idén att göra tusentals musiker, målare, grafiska formgivare osv. arbetslösa, vilket inte sitter bra hos många människor. Dock kan det också ge mycket mindre team, eller till och med enskilda individer, möjlighet att konkurrera med mycket större företag när det gäller att skapa filmer, videospel, böcker osv.
• Hälsovård: Redan nu rekommenderar Elon Musk sina följare att använda X:s AI, Grok, för sekundära medicinska åsikter. På lång sikt är det sannolikt att dedikerad medicinsk AI kommer att assistera läkare med analys av medicinska data och föreslå behandlingar.
  • När robotkirurgi blir vanligare kan vi också föreställa oss en framtid där AI‑kirurger kan utföra vissa kirurgiska handlingar utan mänsklig assistans.
• Säkerhet: detta sträcker sig från lokal säkerhet till polis och till och med militären. AI kan vara utmärkta i rollen som hotdetektering och även målidentifiering. Dock är det för närvarande i stort sett tabu att ge dem för mycket autonomi i denna sektor, särskilt för dödliga beslut.
• Logistik och transport: redan i ökande bruk i lager, robotar och drönare blir alltmer sannolika att ta över leverans- och logistikjobb för paket och den övergripande leveranskedjan när de blir smartare och bättre på att hantera verkliga hinder.
  • Och naturligtvis kan självkörande bilar och lastbilar bli en ännu större revolution, som helt förändrar hur vi hanterar mobilitet och potentiellt gör privat bilägande till en kuriositet.
• Finans: ”Algoritmer” är redan en stor del av dagens finansmarknader, så vi bör förvänta oss att smartare AI‑er blir ännu mer involverade. Anpassade AI‑agenter kan också bli vanliga vid utvärdering av försäkringsärenden, låneansökningar osv.
• Tillverkning: Trenderna med 3D‑utskrift, CNC‑maskiner och andra nya verktyg för flexibel produktion har gjort moderna fabriker mycket mer mångsidiga än den gamla löpande bandet. AI‑agenter i industriella och humanoida robotar kan driva denna trend ytterligare.

Laglighet, reglering och etik

Ansvar

I varje diskussion om AI är frågan om ansvarsfull hantering av teknologin hett debatterad.

Å ena sidan skulle för mycket reglering hindra framsteg och sannolikt bara överlämna de mest avancerade AI‑erna till mer flexibla jurisdiktioner. I kontexten av ett AI‑teknikrace mellan USA och Kina är det tydligt att detta inte är ett önskvärt resultat för någon av parterna.

Å andra sidan vill ingen ha en okontrollerad AI utan något ansvar.

Således måste en tydlig juridisk ram fastställas. Till exempel, om en självkörande bil krockar, är leverantören av AI‑agenten ansvarig? Ju mer autonomi AI‑agenter får, desto mer kan deras beslut påverka verkliga människor och bli kostsamma.

Detta omfattar också frågan om missbruk av AI, som till exempel identitetsstöld, bedrägeri osv.

I många fall är det inte ens tydligt vilken myndighet som ska reglera AI. Ska det vara en dedikerad specialiserad enhet? Eller ska AI inom finans regleras av SEC, drönare av FAA osv?

Detta är mer lagstiftnings‑ och regleringsfrågor, men eftersom dessa ofta ligger år bakom den tekniska utvecklingen är det sannolikt brådskande att några av de mest akuta frågorna kring AI‑agenters regleringsram besvaras snart.

Arbetstillfällen & ojämlikhet

En ofta fruktad effekt av AI‑utvecklingen är ökningen av massarbetslöshet, då AI ersätter fler och fler jobb mycket snabbare än människor kan omskola sig eller nya jobb skapas.

I teorin bör detta vara ett steg på vägen mot en utopisk, post‑knapphets‑civilisation. I praktiken kan det driva miljontals människor in i fattigdom innan vi når den punkten. Och till skillnad från tidigare automatiseringsvågor kan AI ersätta mycket kvalificerade kunskapsarbetare.

Källa: Intellipoint

Faran med monopol eller fördjupad förmögenhetsojämlikhet är också allvarlig, eftersom detta historiskt har visat sig vara farligt och destabiliserande för samhället i stort.

Etik

Vad som kan och inte kan låtas hanteras av AI. Detta är en alltmer brådskande fråga för alla uppgifter som går bortom att flytta pallar i ett lager eller automatiskt svara på e‑mail.

Frågan blir ännu mer angelägen när det finns en frestelse att använda AI för målsystem i militära drönare. Inklusive i Ukraina, med en “Rush for AI-Enabled Drones on Ukrainian Battlefields”.

Reuters rapporterade att tävlingen om AI‑drivna drönare “tar krigföring in i okända territorier när stridande par tävlar om att få ett teknologiskt övertag i striden.” I Ukraina fokuserar AI‑drönarutvecklingen på tre nyckelområden: målidentifiering, terrängkartläggning för navigering och skapandet av sammankopplade “svärmar” av drönare.

Ett företag, Swarmer, bygger mjukvara för att nätverka drönare, vilket möjliggör att beslut verkställs omedelbart över en svärm med minimal mänsklig inblandning.

Vill vi verkligen ge AI den här typen av kapacitet? Men vill vi verkligen att bara “fienden” ska ha den?

Dessa frågor är sannolikt sådana som måste diskuteras och beslutas internationellt. De är också ett ämne som AI‑industrin inte bör undvika.

AI‑agenter redan i tjänst

OpenAI‑agenter

Som en långvarig ledare inom AI är det inte förvånande att se OpenAI ha flera solida GPT‑baserade agenter. Företaget tillhandahåller utvecklare med dedikerade verktyg för att utveckla AI‑agenter, inklusive multi‑agent Open AI SDK (Standard Development Kit).

OpenAI‑modellen verkar främst fokusera på att skapa bättre versioner av GPT och andra LLM‑modeller och sedan använda dem som bas för separat agentutveckling, med förhoppning om att dess ledande position ska generera efterfrågan på agenter som använder GPT.

Google

Google (GOOGL ) har varit närvarande inom AI under lång tid genom sin DeepMind‑modell. Men det är med Gemini 2.0 som den omfamnade “agent‑eran”.

Google är också mycket medveten om det potentiella hotet som LLM‑AI utgör för traditionell sökning, som fortfarande idag är källan till 90 % av företagets intäkter.

Så den använde Gemini 2.0 för att skapa AI‑översikter, ett extra sökresultat för att hantera mer komplexa ämnen och flerstegsfrågor, inklusive matematik och kodning.

Den skapade också Jules, en kodningsassistent‑AI‑agent, och Genie 2, en AI‑modell för att skapa spelbara 3D‑världar.

Google strävar också efter att ligga i framkant genom hårdvaruforskning, särskilt sina Trillium TPUs (Tensor Processing Units).

Manus

Butterfly Effect, en kinesisk startup, släppte Manus i mars 2025 och påstod att det är den första generella AI‑agenten som kan agera autonomt.

Medan vissa såg i den ett “andra DeepSeek‑ögonblick” för AI‑agenter, där Kina tar ledningen, är situationen mindre klar än DeepSeek:s märkbart mer beräknings‑ (och finansiellt) effektiva tillvägagångssätt.

Manus verkar lite långsammare, mer benägen att krascha, men också ge mer detaljerade svar än ChatGPT. Trots detta verkar det som att generella AI‑agenter kan bli möjliga tidigare än förväntat, även om de kanske inte är idealiska för alla situationer.

Alibaba

En e‑handelsledare under press från konkurrerande plattformar som Temu, eller till och med TikTok, Alibaba återtar sin position som teknikledare med framsteg inom AI.

Speciellt öppnade den sin QwQ-32B‑modell i början av mars 2025, med påståendet att den med en femtedel av parametrarna i DeepSeek‑R1 är designad för effektivitet.

Dessutom släppte Alibaba i mars 2025 en ny version av Quark, en AI‑assistent/agent driven av företagets AI Qwen, som kombinerar djupgående tänkande och generativ AI. Före denna AI‑förnyelse hade Quark redan 200 miljoner användare när den var en sökmotor.

AI‑agentföretag

Alibaba

Mer känt i väst för sin e‑handelsplattform och som leverantör av billiga material, delar och konsumentvaror, är Alibaba också ett massivt teknikföretag i Kina, ledande inom AI och molntjänster.

Speciellt kontrollerar Alibaba 36 % av molnmarknaden i Kina, långt före alla sina konkurrenter.

Källa: Jeff Townson

Kanske ännu viktigare är att den redan erbjuder sex nya DeepSeek AI‑modeller, den öppna källkods‑AI som har skakat världen genom att plötsligt överträffa de flesta amerikanska AI‑modeller för en minimal del av kostnaderna både i utveckling och per användning.

Alibaba har också sin egen AI‑modell, Qwen, och påstår att Qwen 2.5 är ännu bättre än DeepSeek V3.

“Qwen 2.5‑Max överträffar … nästan över hela linjen GPT‑4o, DeepSeek‑V3 och Llama‑3.1‑405B,”

Alibaba’s Cloud Unit

Sammanfattningsvis, förutom sin tillväxt inom moln och AI, förblir Alibaba en e‑handelsjätte i Kina, med Taobao & Tmall endast något ned från deras 29 % andel av globala onlinesförsäljningar 2019.

Källa: Forbes

Den senaste AI‑utvecklingen har förändrat hur Alibaba uppfattas. Från en traditionell e‑handelsposition under press och dominerande molnsförsäljning (men också under press från konkurrenter) har den återtagit ledarskapet i Kinas teknikinnovation.

Quark är nu det extra vapnet som Alibaba använder för att ta över den kinesiska AI‑assistansmarknaden, efter att ha byggt grunden genom att först lansera den som en AI‑sökmotor och samla 200 miljoner användare.

Så, trots att dess relativt låga aktiekurs har påverkats av år av tekniknedslag i Kina och oro kring investeringar i landet, kan Alibaba vara ett tillfälle för investerare som är villiga att satsa på att Kina tar ledningen i AI‑racet.

(Du kan också läsa vår dedikerade rapport fokuserad på Alibaba för mer detaljer).

Senaste om Alibaba