De fleste har etter hvert blitt komfortable med å bruke KI til enkeltoppgaver. Du skriver en prompt, får et svar, og går videre. Det funker godt – så lenge oppgaven er avgrenset. Men i mange virksomheter stopper ikke arbeidet der.
Oppgaver stopper ikke ved ett svar. Informasjon må hentes fra flere steder, vurderes, bearbeides og brukes videre. Det er her mange opplever at verdien av kunstig intelligens flater ut. Ikke fordi teknologien ikke fungerer, men fordi den ikke er koblet på resten av arbeidsflyten. For å få mer ut av KI, må vi bevege oss fra enkeltstående prompts til sammenhengende prosesser.
Vil du ha en enkel innføring i hva KI-agenter er og når de gir verdi? Det kan du lese mer om i denne artikkelen.
Når én prompt ikke er nok
En språkmodell er trent på store mengder offentlig tilgjengelige data frem til en gitt dato. Den har ikke tilgang til oppdatert informasjon, kjenner ikke systemene dine, og gjør ingenting videre med svaret den gir. Det betyr at du som bruker ofte må gjøre resten selv. Du henter data fra andre kilder, tolker svaret, bruker det videre og gjentar prosessen neste gang behovet oppstår.
Det er først når denne flyten blir tydelig at mange begynner å stille et nytt spørsmål: Hva om mer av dette kunne vært håndtert automatisk?
Hva skjer når vi kobler på en agent?
En KI-agent kan fungere som et lag mellom brukeren og modellen. I stedet for at spørsmålet går direkte til modellen, går det via agenten. Det åpner opp for noe mer enn bare et svar.
Samtidig trenger ikke en agent alltid å bli trigget av en bruker. Den kan også operere mer selvstendig, for eksempel ved å overvåke en innboks, et system eller en hendelse – og starte en prosess når noe skjer.
Agenten kan:
-
hente inn informasjon fra relevante kilder
-
bruke verktøy og systemer
-
sende utvidet kontekst til modellen
-
bruke resultatet videre i flere steg
For brukeren kan det fortsatt oppleves som én interaksjon. I andre tilfeller skjer det helt uten at noen er inne og spør. Fellesnevneren er at det som skjer i bakgrunnen, er mer likt en prosess enn et enkelt svar.
Slik ser flyten ut
Selv om det kan høres komplekst ut, er flyten ganske konkret når man bryter den ned.
Det starter med at brukeren stiller et spørsmål. Agenten bruker modellen til å tolke hva som egentlig etterspørres, og vurderer deretter hvilke kilder eller verktøy som er relevante. Det kan være interne systemer, databaser, API-er eller søk på nett.
Når informasjonen er hentet inn, sendes den tilbake til modellen – nå med langt bedre kontekst enn utgangspunktet. Modellen kan da formulere et mer presist svar, eller foreslå neste steg. Hvis oppgaven krever det, kan agenten gjenta prosessen, med ny informasjon, før resultatet til slutt sendes tilbake til brukeren.
Det som utenfra ser ut som ett svar, er altså en serie med vurderinger og handlinger.
Et konkret eksempel
La oss si at du spør om noe som krever oppdatert informasjon – for eksempel vær, status i et system eller en kundesak.
En språkmodell alene vil enten gi et generisk svar eller si at den ikke har tilgang til data. En agent kan derimot hente informasjon i sanntid, bruke modellen til å tolke den, og presentere et konkret svar. For brukeren er forskjellen enkel: svaret er faktisk nyttig, fordi det er basert på riktig kontekst.
Verktøyene som gjør det mulig
Det som gjør denne typen flyt mulig, er kombinasjonen av modell og verktøy. I mange tilfeller handler det ikke om å bygge noe helt nytt, men om å koble sammen det som allerede finnes.
Et eksempel er hvordan en innkommende forespørsel kan håndteres:
En e-post sendes inn med en ny kundehenvendelse. I stedet for at noen manuelt plukker den opp og følger den opp videre, kan en agent overvåke innboksen og starte prosessen automatisk.
Agenten kan da:
-
tolke innholdet i forespørselen
-
opprette en mulighet i CRM-systemet
-
lagre relevante vedlegg og informasjon
-
lage en kort oppsummering og dele den i relevante Slack-kanaler
-
sende en bekreftelse tilbake til avsender
Det som tidligere var en manuell prosess med flere steg og avhengigheter, blir håndtert som én sammenhengende flyt. Ikke nødvendigvis mer komplisert, bare mer koblet sammen.
Denne typen flyt er ofte utgangspunktet for å jobbe mer systematisk med effektivisering ved hjelp av KI – noe vi har skrevet mer om her.
Hva med egne data?
En viktig del av dette er hvordan agenten får tilgang til relevant informasjon. Her brukes ofte det som kalles RAG (Retrieval-Augmented Generation), som betyr at modellen får tilgang til dokumenter, historikk eller annen kontekst som er spesifikk for virksomheten. Dette er informasjon språkmodellen ikke er trent på, og derfor ikke har tilgang til før vi tilgjengeliggjør denne for modellen.
Det gjør det mulig å svare mer presist, og ikke minst mer relevant.
Kontroll og rammer
Når flere steg automatiseres, blir det også viktigere å ha kontroll på hva som faktisk skjer. En agent må operere innenfor tydelige rammer. Den må vite hvilke verktøy den kan bruke, hvilke data den har tilgang til, og hvilke handlinger som eventuelt krever godkjenning.
Samtidig er det viktig å skille mellom to typer kontroll:
-
Guardrails handler om hvordan informasjonen flyter mellom agenten, modellen og brukeren, og hva som sendes inn, og hva som er lov å sende tilbake.
-
Kontrollmekanismer i agenten handler om hva den faktisk får lov til å gjøre – hvilke systemer den kan bruke, hvilke handlinger den kan utføre, og når det kreves menneskelig godkjenning.
Typiske grep kan være å begrense tilganger, logge handlinger og legge inn kontrollpunkter der mennesker vurderer kritiske steg.
Dette er en forutsetning for å kunne bruke teknologien på en trygg og forutsigbar måte, spesielt når agenten får mer ansvar over tid.
Start enkelt – bygg videre
Det er fort gjort å tenke stort når man ser hva som er mulig. Erfaringen er ofte at det lønner seg å starte mindre. Finn en oppgave som:
-
går over flere steg
-
tar tid i dag
-
og som har tydelig verdi å forbedre
Test, lær og juster. Når én flyt fungerer, er det langt enklere å bygge videre.
