En KI-agent (også kalt AI-agent) er programvare du gir en oppgave. Den bestemmer stegene, bruker verktøyene dine for å utføre dem og stopper når jobben er gjort, eller når den står fast. Agentisk KI (på engelsk «agentic AI») er det bredere ordet for KI som jobber på denne måten. De to begrepene er altså ikke konkurrenter. «KI-agent» er navnet på en ting. «Agentisk» beskriver hvor mye av arbeidet KI-en planlegger og gjør på egen hånd.
Hvorfor betyr dette noe? Fordi leverandører bruker begge ordene løst, og merkelappen forteller sjelden hva et produkt faktisk kommer til å gjøre med innboksen din, CRM-et ditt eller kundene dine. Denne guiden forklarer hvor ordene kommer fra, hvordan folk bruker dem i dag, og hvordan du kan vurdere ethvert verktøy ved å stille noen enkle spørsmål.
Hvis begrepene fortsatt virker abstrakte, kan du begynne med en agent i arbeid, som viser hvordan mål, bakgrunnsinformasjon og verktøy henger sammen. Følg deretter arbeidsløkken i agentisk KI for å se hvorfor det å planlegge og handle selvstendig ikke er det samme som å være pålitelig eller ha tillatelse til å gjøre endringer.
KI-agenter vs. agentisk KI: kortversjonen
| KI-agent | Agentisk KI | |
|---|---|---|
| Hva det er | Noe du kan peke på | En beskrivelse, eller en hel kategori |
| Hvordan folk sier det | «Vi bruker en KI-agent til å undersøke nye leads.» | «Denne arbeidsflyten er agentisk.» |
| Hvor stort | Ett system som gjør én type oppgave | Alt fra en enkel KI-støttet prosess til flere agenter som jobber sammen |
| Hva du bør spørre om | Hvilken jobb eier den, og hva har den tilgang til? | Hvor mange beslutninger tar den før et menneske sjekker arbeidet? |
Ingen eier disse begrepene. Hvis en artikkel gir deg én «offisiell» grense mellom dem, er det én gruppes mening du får.
Hvor ordene kommer fra
«Agent» er gammelt. I læreboken Artificial Intelligence: A Modern Approach fra 1995 definerte Stuart Russell og Peter Norvig en agent som alt som oppfatter omgivelsene sine og handler på dem. Etter den definisjonen teller en termostat. Det nye er at dagens KI-modeller kan lese rotete arbeidsmateriale, som en sint e-post fra en kunde, og bestemme hva som skal gjøres med det.
«Agentisk» er nyere. I juni 2024 foreslo Andrew Ng, grunnlegger av DeepLearning.AI, en måte å slutte å krangle på om hva som «teller» som en agent. Se det som et spørsmål om grad, skrev han: «Unlike the noun 'agent,' the adjective 'agentic'» (oversettelse: «I motsetning til substantivet ‹agent› lar adjektivet ‹agentisk›») deg beskrive systemer som er litt agentaktige eller svært agentaktige.
Noen måneder tidligere hadde han brukt en god sammenligning. Å be en KI om et svar i én omgang er som å be noen skrive en stil uten noen gang å trykke på tilbaketasten. En agentisk tilnærming lar KI-en lage en disposisjon, undersøke, skrive et utkast, sjekke og revidere, slik et menneske ville gjort.
YouTube · Sequoia Capital
What's next for AI agentic workflows ft. Andrew Ng of AI Fund (Hva skjer videre med agentiske KI-arbeidsflyter, med Andrew Ng fra AI Fund) · 26. mars 2024
Sammenligningen med stilen uten tilbaketast er den klareste korte forklaringen på «agentisk» vi har funnet. Det er et foredrag fra 2024, så se det som en leksjon i idéen, ikke som en rapport om dagens verktøy.
Tre måter folk bruker begrepene på i dag
1. «Agentisk» som paraplybegrep. Anthropics guide Building effective agents (desember 2024) kaller alt dette «agentiske systemer», og deler dem deretter i to. I en arbeidsflyt (workflow) er stegene bestemt på forhånd. Hos en agent velger KI-en stegene selv. En ukerapport som alltid går gjennom de samme fem stegene, er agentisk, men den er en arbeidsflyt.
2. «Agentisk KI» som team av agenter. En forskningsoversikt, AI Agents vs. Agentic AI (først publisert i mai 2025, revidert i september 2025), bruker «KI-agent» om ett enkelt system som gjør én jobb, som å svare på supportspørsmål. «Agentisk KI» forbeholder den flere agenter som deler opp et større mål seg imellom og koordinerer.
3. «Agentisk KI» som markedsmerkelapp. Analytikere og leverandører bruker det ofte som kategorinavn. I juni 2025 spådde Gartner at over 40 % av prosjektene med agentisk KI ville bli avlyst innen utgangen av 2027 på grunn av kostnader, uklar verdi eller svak risikokontroll. Det er en prognose, ikke en opptelling. Gartner satte også navn på «agent washing»: å kalle en gammel chatbot eller et automatiseringsverktøy en agent uten å legge til noen reell ny evne. I mai 2026 advarte Gartner mot det samme innen programvare for planlegging av forsyningskjeder.
Figur 1. En vanlig bruk av «agentiske systemer» som paraplybegrep for arbeidsflyter og agenter. Multiagent beskriver hvordan agenter kombineres. Dette er ikke produktkategorier som utelukker hverandre.
Det egentlige spørsmålet: hvem velger stegene?
Alle tre bruksmåtene deler én idé. Jo mer en KI bestemmer selv, desto mer agentisk er den. Det meste av arbeidet i en bedrift faller inn under ett av tre nivåer:
- Assistent. Du spør, den svarer eller skriver et utkast. Du gjør alt det andre.
- Arbeidsflyt. Stegene er avtalt på forhånd. KI-en tar seg av lesingen og skrivingen innenfor hvert steg.
- Agent. Du gir den et mål. Den bestemmer hva den skal sjekke, hvilket verktøy den skal bruke, og når den vet nok.
Maya Murad i IBM kaller dette en «glidende skala» (sliding scale) for autonomi. Du velger nivået for hver oppgave. Det er ikke en funksjon du kjøper én gang.
YouTube · IBM Technology
What are AI Agents? (Hva er KI-agenter?) · 15. juli 2024
Maya Murad går gjennom den «glidende skalaen» for KI-autonomi, og forklarer deretter hvorfor en avgrenset, forutsigbar oppgave ofte fungerer bedre med en fast vei enn med en agent.
Agent eller automatisering? En debatt verdt å kjenne til
Folk som bygger disse systemene profesjonelt, diskuterer akkurat dette nå. Alex Vacca, som beskriver seg selv som gründer og daglig leder i Frontal AI, et selskap som hjelper B2B-bedrifter med å øke inntektene, formulerte argumentet for automatisering rett ut i et nylig innlegg.
X · Alex Vacca (@itsalexvacca) · 7. oktober 2026
"If you can write every step down first, build an automation." … "An agent fails quietly." (Oversettelse: «Hvis du kan skrive ned hvert steg på forhånd, bygg en automatisering.» … «En agent feiler i det stille.»)
Poenget hans er praktisk. Hvis en jobb har faste steg (vårt eksempel: å kopiere nye skjemainnsendinger inn i et CRM), er det bortkastede penger å betale en KI for å bestemme de stegene. Han påpeker også at en ødelagt automatisering vanligvis gir en feilmelding, mens en agent kan fortsette å melde suksess mens svarene gradvis blir dårligere. Derfor lar han et menneske godkjenne før noe sendes.
Vi er enige i testen, med ett forbehold: Det er én praktikers syn, basert på hans eget oppsett, fra en som selger akkurat denne typen arbeid. Det stemmer likevel med det Anthropic og IBM sier. Start med det enkleste som fungerer. Bruk en agent bare når stegene virkelig avhenger av hva den finner.
Vanlige myter
«Agentisk KI er den nyere, bedre versjonen av KI-agenter.» Nei. En agent er noe av det mest agentiske som finnes. Begrepene beskriver grader, ikke produktgenerasjoner.
«Mer autonomi er alltid bedre.» Nei. Mer autonomi koster mer og er vanskeligere å kontrollere. For en ukerapport som ser lik ut hver gang, er en fast arbeidsflyt billigere og mer forutsigbar.
«En agent vet alt om bedriften din.» Den vet bare det den kan se: verktøyene du har koblet til, og samtalen den er i. I Okou har for eksempel hver chat sin egen kontekst. En ny chat starter blankt, med mindre du bevisst henter inn en tidligere chat.
«Flere agenter betyr mer kapasitet.» Ikke nødvendigvis. Hver overlevering mellom agenter er enda et sted der feil kan hope seg opp, eller der tilgang kan spre seg. Spør hvem som eier sluttresultatet.
«Merkelappen forteller hva den gjør.» Nei. Gartner laget begrepet «agent washing» nettopp for dette, og advarte fortsatt mot det i 2026. Se bort fra ordet, og spør hva produktet gjør på egen hånd.
Én oppgave, tre måter: en kampanjerapport
Tenk deg at en markedssjef trenger fredagens kampanjeoppsummering. Dette er en illustrerende oppgave, ikke et kunderesultat. Kampanjeoversikten registrerer påmeldinger, annonsekontoen registrerer forbruk, og oppdragsbeskrivelsen definerer rapporteringsperioden. Én kanal har ikke rapportert ferdig ennå.
1. Be en agent én gang
Sjefen ber: "Sammenlign forbruk og påmeldinger for ukens kampanjer. Bruk datoene i oppdragsbeskrivelsen, lenk tallene til kildene og marker kanaler med ufullstendige data. Lag en oppsummering; ikke endre budsjetter eller publiser den." Agenten velger trinnene: les oppdragsbeskrivelsen, hent tallene, oppdag mangelen og lag en sammenligning med tydelige forbehold. Å kalle dette en agent forteller hvem som utfører oppgaven, ikke om konklusjonen er riktig.
En ekte aktivitetsindikator fra en annen oppgave. Den viser arbeid som pågår, ikke dokumentasjon på at kampanjerapporten er kontrollert eller fullført.
2. Lagre rapporteringsmetoden som en arbeidsflyt
Når sjefen har kontrollert resultatet, lagrer vedkommende kildelisten, datoregelen, beregningen og sjekklisten for gjennomgang som en Okou-arbeidsflyt. Trinnene kan være ganske forutsigbare selv om noe av arbeidet innenfor et trinn fortsatt krever skjønn, for eksempel å oppdage at én kanal bruker et annet datointervall. En arbeidsflyt er en gjenbrukbar metode. Den er ikke bevis på at flere agenter har samarbeidet, og den er ikke et løfte om at KI-en kan ta alle avgjørelser alene.
3. Legg til en tidsplan separat
En automatisering kan starte arbeidsflyten hver fredag for en navngitt ansvarlig. Den endrer når oppgaven starter. Den gir ikke manglende data, gjør ikke rapporten pålitelig og gir ikke tillatelse til å endre budsjettet.
Godkjenningskriteriene er de samme i alle tre versjonene: konsekvente datoer, tall med kildelenker, manglende data merket og et utkast lagt igjen til gjennomgang. Hvis rapporten anbefaler å flytte budsjett, kontrollerer sjefen dokumentasjonen og bestemmer. Derfor går det nyttige skillet mellom den som gjør arbeidet, den lagrede metoden og utløseren, snarere enn tre stadig mer imponerende produktbetegnelser.
Det som blir hos menneskene
Å la KI velge stegene skal ikke bety at ingen har ansvar for resultatet. Før en agent rører ekte arbeid, avklar fire ting:
- Hva den får lese. Hvilke innbokser, CRM-systemer og dokumenter, og gjennom hvem sin konto.
- Hva den får endre. Å skrive et utkast er ikke å sende. Å foreslå en CRM-oppdatering er ikke å gjøre den.
- Hvor den stopper. Hvilke handlinger som alltid venter på et menneske.
- Hva den leverer tilbake. En brief, et utkast eller en oppføring som noen kan sjekke mot kildene.
Folk som bruker KI på jobben, tenker allerede slik. I Microsofts Work Trend Index 2026, en undersøkelse blant 20 000 KI-brukere i 10 land gjennomført tidlig i 2026, sa 86 % at de ser på KI-resultater som et utgangspunkt, ikke et endelig svar. Dette er folks egne svar, ikke en måling av resultater.
Les mer om hvordan et team tilpasser seg når KI begynner å ta over arbeid, i hva som endrer seg når KI jobber selvstendig.
Spørsmål å stille ethvert «agentisk» verktøy
- Hvem velger stegene? Bestemt på forhånd, valgt av KI-en hver gang, eller en blanding?
- Hva kan det se? Hvilke verktøy, gjennom hvem sin pålogging, og husker det tidligere samtaler?
- Hva krever din godkjenning? Håndheves det med tillatelser, eller står det bare i en prompt?
- Hva gjør det når det er usikkert? Flagger det problemet, eller gjetter det?
- Kan du se hva det har gjort? Blir hvert steg og resultat registrert?
- Kan teamet ditt gjenbruke det som fungerer? Kan metoden lagres, deles og planlegges med en navngitt eier?
Et verktøy som svarer tydelig på disse spørsmålene, er verdt en titt, uansett hva det kaller seg. For idéer om hvor du kan begynne, se disse eksemplene på KI-agenter i ekte arbeid og guiden vår om å styre kontekst og tillatelser.
FAQ
Er agentisk KI det samme som en KI-agent?
Ikke helt. En KI-agent er et bestemt system som tar imot en oppgave, velger stegene og bruker verktøy for å fullføre den. Agentisk KI er det bredere begrepet for KI som jobber slik, i hvilken som helst grad. Alle KI-agenter er agentiske, men «agentisk KI» kan også bety en fast arbeidsflyt med KI-steg, eller flere agenter som jobber sammen.
Hva er forskjellen på agentisk KI og generativ KI?
Generativ KI skriver eller lager noe når du ber om det, og venter så. Agentisk KI bruker den evnen til å jobbe mot et mål: Den planlegger, handler med verktøy, sjekker resultatet og fortsetter. De fleste KI-agenter kjører på en generativ modell, men å skrive et svar er bare en del av det de gjør.
Hva er risikoene ved agentisk KI?
Risikoene kommer av å handle, ikke av å svare. En KI med tilgang til e-post, et CRM eller annonsekontoer kan gjøre en feil endring eller sende noe ingen har sjekket. Gartners prognose fra 2025 om at mange prosjekter med agentisk KI vil bli avlyst innen 2027, pekte på kostnader, uklar verdi og svak risikokontroll. Gi den bare den tilgangen oppgaven krever, før logg over hvert steg, og krev godkjenning for alt som forlater bedriften.
Hva er forskjellen på agentisk KI og RPA?
RPA (robotic process automation, robotisert prosessautomatisering) følger innspilte steg nøyaktig, som å kopiere felt fra ett system til et annet. Agentisk KI kan håndtere arbeid der neste steg avhenger av hva den leser, som en e-post som må forstås. Noen RPA-verktøy har fått merkelappen «agentisk» uten reelle endringer, så be om å få se hvordan et verktøy håndterer noe uventet.
Kan agentisk KI jobbe helt selvstendig?
Noen systemer kan kjøre mange steg uten et menneske. I næringslivet er det sjelden målet. De fleste team lar KI-en undersøke, skrive utkast og foreslå, mens et menneske godkjenner alt som går ut av huset eller er vanskelig å angre, som å sende en e-post eller endre en oppføring. Analytikere er også forsiktige: I mai 2026 sa Gartner at de fleste verktøy for planlegging av forsyningskjeder ikke hadde nådd full autonomi.
Trenger jeg en KI-agent eller en enklere automatisering?
Start enkelt. Hvis en oppgave har de samme stegene hver gang, er en lagret arbeidsflyt på en tidsplan billigere og mer forutsigbar. Bruk en agent når stegene avhenger av hva den finner, som å finne ut hvorfor en kunde er i faresonen. Mange team gjør begge deler: De bruker en agent til å finne fram til metoden, og lagrer den så som en arbeidsflyt for å gjenta den.
