Hva er agentisk AI: En guide for deg som leder en virksomhet

Hva er forskjellen mellom agentisk AI, generativ AI og automatisering?

De fleste har nå gjort seg kjent med tradisjonelle AI-verktøy som ChatGPT eller Claude. Du stiller et spørsmål og får et svar. Med agentisk AI tar vi neste steg med et verktøy som ikke bare svarer på spørsmål, men som også planlegger, tar beslutninger og utfører oppgaver selvstendig. AI-agenten gir du et mål, og den tar deg dit i flere trinn på egenhånd.

Men hva er da forskjellen mellom agentisk AI, generativ AI og regelbasert automatisering (RPA)? Enkelt forklart kan man si:

• RPA: Gjør nøyaktig det den er programmert til å gjøre uten fleksibilitet.

• Generativ AI: Skaper innhold og svarer på spørsmål, men handler ikke på eget initiativ.

• Agentisk AI: Kombinerer resonnering, beslutningstaking og handling. Kan også håndtere uforutsette situasjoner.

Poenget er ikke at agentisk AI erstatter det dere allerede har. Det handler om et nytt lag av kapasitet, i tillegg til den automatiseringen og de AI-verktøyene dere kanskje allerede bruker.

Hvordan fungerer agentbasert AI i praksis?

For å forstå hva som gjør agentbasert AI annerledes, er det ikke nok å sammenligne definisjoner. Det interessante er hvordan det faktisk fungerer i en virksomhet.

En agentbasert AI-løsning består av flere agenter som samarbeider i en multi-agent-arkitektur med ulike ansvarsområder. En agent kan for eksempel håndtere kundedialog, mens en annen søker i forretningssystemet og en tredje foreslår neste steg. Hver AI-agent har et mål, bryter det ned i delsteg, handler, evaluerer og justerer om nødvendig. I mer komplekse løsninger orkestreres dette av en overordnet agent som koordinerer flyten, men enklere oppsett kan fungere med en enkelt agent eller agenter som samhandler uten hierarki.

Dette gjør den agentbaserte AI-løsningen skalerbar på en måte som enkeltautomatiseringer sjelden er, og resulterer i flere særskilte egenskaper:

• Autonomi. Den trenger ikke veiledning steg for steg

• Resonnering. Den kan planlegge og prioritere

• Verktøybruk. Den kan integreres i forretningssystemer, samarbeidsplattformer og databaser

• Minne og kontekst. Den husker hva som har skjedd tidligere i prosessen.

API-integrasjon i sanntid

En viktig teknisk forskjell er hvordan agentbasert AI kommuniserer med deres systemer. I motsetning til tradisjonell RPA som ofte baserer seg på skjermopptak og faste skript, interagerer agentbasert AI via API-er direkte med deres systemer. Det gjør løsningen mer robust, lettere å vedlikeholde og mindre sensitiv for endringer i brukergrensesnittet deres.

Eksempler på bruksområder:

• Kundeservice og support. En AI-agent som ikke bare svarer på kundens spørsmål, men som kan gå inn i sakshåndteringssystemet, sjekke ordrestatus og starte en retur.

• Økonomi og administrasjon. Automatisere fakturahåndtering, matching, avviksrapportering. Agenten sørger for at flyten fungerer og eskalerer til dine kolleger når det trengs.

• IT og drift. Agenter som overvåker systemer, identifiserer problemer, kjører feilsøking og utbedrer enklere hendelser, men som alltid varsler hvis en sak trenger menneskelig inngripen.

Muligheter og risikoer med agentisk AI

Potensialet er tydelig, men som med all teknologi som får mandat til å handle selvstendig, finnes det også ting å være oppmerksom på.

En agentisk AI-løsning gir rask og konsekvent håndtering av repetitive og tidkrevende arbeidsflyter, slik at du og dine medarbeidere kan bruke tid på mer verdiskapende oppgaver. Det kan bli ekstra verdifullt for bedrifter med mindre team, der AI-agenten blir en ekstra avlastende kollega.

Er agentisk AI cybersikkert?

Med muligheter kommer også risikoer knyttet til kontroll, transparens og sikkerhet. Her blir datakvalitet og tilgang viktige parametere å ta hensyn til. For å sikre at deres agentiske AI-løsning kan brukes på en sikker måte finnes det flere anbefalinger å ta utgangspunkt i:

• Autorisasjonsstyring. Akkurat som for deres medarbeidere gjelder Zero trust også for agentisk AI. En AI-agent skal aldri ha bredere tilgang enn nødvendig, kun til de systemene og de dataene den faktisk trenger.
• Dataisolering og klassifisering. Hvor lagres dataene som agenten bruker? Forlater de miljøet deres? Virksomhetskritiske data som brukes skal være klassifisert og håndteres i samsvar med deres informasjonssikkerhetspolicy.
• Logging og sporbarhet. Alt agenten gjør skal loggføres. Hvilke beslutninger den tok, hvilke data som ble brukt og hvilke tiltak som ble iverksatt. Det er en forutsetning for både feilsøking og regeloverholdelse.
• Begrensninger. Bygg inn tydelige grenser for hva agenten får gjøre og ikke gjøre. Det kan handle om beløpsgrenser, godkjenningssteg eller at den alltid eskalerer til en av dine kolleger ved usikkerhet. Agentisk AI fungerer best i samarbeid med oss mennesker.
• Evaluering. En agent som fungerer i dag kan forringes hvis data endres og systemer oppdateres. Regelmessig gjennomgang av agentens oppførsel er viktig, akkurat som med deres andre systemer.

Er ditt selskap klart for agentisk AI?

Å ta neste steg i deres AI-reise handler ikke først og fremst om teknologi. Det må baseres på forretningsverdi og ansvar. Dere må derfor spørre dere: Hvilke prosesser kan automatiseres, hva tar mest tid i forhold til den verdien det skaper? Har vi orden på våre data og våre systemer? Hvem eier egentlig AI-spørsmålet?

Mye av det som trengs finnes sannsynligvis allerede i plattformene dere bruker i dag. Det handler om å vite hvor dere skal begynne, og hva som faktisk gir effekt i nettopp deres virksomhet.

Det er der vi kommer inn. Vi hos Nordlo hjelper dere å navigere fra nåsituasjonen til konkret nytte. Vil dere diskutere hvor dere står? Ta kontakt så tar vi en samtale.