AI-agenter i företag: vad de är och var de gör nytta

Vad är en AI-agent, och hur skiljer den sig från automation?

En vanlig automation, som en regel i Zapier eller Make, följer en fast väg: när ett formulär skickas in, skapa en rad i kalkylbladet och skicka ett mejl. Varje steg är bestämt i förväg. Det är förutsägbart, och det är en styrka.

En AI-agent får i stället ett mål och väljer själv vilka steg som behövs. Om informationen saknas kan den leta på ett annat ställe. Om ett svar ser konstigt ut kan den kontrollera igen. Det gör agenter bra på uppgifter där underlaget är rörigt och varje fall ser lite olika ut, som fritext i mejl eller mötesanteckningar.

Baksidan är att agenten kan välja fel väg med stor självsäkerhet. Därför passar de bäst i ett AI workflow, alltså ett arbetsflöde där agenten gör det tunga sorteringsarbetet och vanliga regler och människor står för gränserna. Ofta är den bästa lösningen en blandning: fasta regler där vägen är känd, en agent där bedömning behövs och en människa vid besluten.

Kontrollerna som avgör om det fungerar

En agent blir inte säker av att modellen är bra. Den blir säker av ramarna runt den. Ett tydligt mål är det första: "håll ordning på inkorgen" kan betyda nästan vad som helst, medan "kategorisera nya supportärenden och skriv ett svarsförslag i utkastmappen" går att kontrollera.

Behörigheterna ska vara så smala som möjligt. Om agenten bara behöver läsa i CRM ska den inte kunna radera där. Oåterkalleliga steg, som att skicka ett mejl till en kund, betala en faktura eller ändra i bokföringen, ska kräva ett mänskligt godkännande. Allt agenten gör ska loggas, så att det går att se vad den gjorde och varför. Och det behövs stoppvillkor: om underlaget saknas eller agenten är osäker ska den lämna över till en människa i stället för att gissa.

Risker att räkna med

Agenter kan hitta på uppgifter och agera på dem. De kan också luras av innehållet de läser, till exempel ett mejl med instruktioner som agenten tolkar som en order. Det kallas promptinjektion och är ett skäl till att en agent som läser extern text inte bör ha breda behörigheter. Därtill kommer personuppgifter: om agenten läser kundmejl behandlar den personuppgifter, och då gäller GDPR precis som för andra system.

Börja smalt

Välj en återkommande process med tydligt underlag och ett tydligt slut. Låt agenten först bara läsa och rapportera vad den skulle ha gjort. Testa på verkliga fall från de senaste veckorna, inte på påhittade exempel. När förslagen håller, låt den skriva utkast som en människa godkänner. Först när det fungerar över tid är det rimligt att låta den utföra enklare åtgärder själv.

Verktygen kan vara plattformar som n8n eller Make, egna lösningar eller färdiga agenter inbyggda i Microsoft 365 och Google Workspace. Valet spelar mindre roll än gränserna. Om du funderar på att köra n8n på egen server har jag skrivit om n8n self-hosted i Sverige, och för kundtjänst finns en svarstrappa med mänsklig överlämning.

Ett exempel från mitt eget arbete

Jag använder AI-agenter i mitt eget utvecklingsarbete, i ett system jag byggt för att hålla dem inom ramarna. Jag sätter målet och gränserna: vad som ska göras, vad som inte ingår och vilka delar som får ändras. Agenten arbetar i en separat kopia, så att ett misslyckat försök inte påverkar något annat. Ändringen räknas som ett förslag tills den har klarat kontrollerna, och om den ändras igen måste kontrollerna köras om.

Gröna tester räckte ändå inte. En gång var allt godkänt tekniskt, men när jag öppnade sidan som en vanlig läsare pekade flera länkar till något som inte var publikt. Därför ingår ett test mot den riktiga sajten. Publicering och känsliga beslut stannar hos mig. Lärdomen: behandla agentens arbete som ett förslag tills det har visat sig fungera där det ska användas.