Vad är en AI-agent? Förklarat med exempel

Den enkla definitionen

Ordet agent används idag om nästan allt som har med AI att göra, vilket gör det ganska oanvändbart. Så här menar vi det: en AI-agent är ett program som får ett mål och en uppsättning verktyg, och som sedan själv bestämmer vilka steg som behövs för att komma i mål.

Verktygen är det viktiga i den meningen. Ett verktyg kan vara att läsa ett mejl, slå upp en kund i affärssystemet, hämta ett dokument från en mapp, skriva ett utkast eller lägga upp ett ärende. Det är verktygen som gör att agenten kan uträtta något i verkligheten och inte bara producera text.

Den andra halvan av definitionen är att agenten väljer stegen själv. Ingen har skrivit en regel för exakt den här kombinationen av omständigheter. Det är därför agenter klarar ostrukturerad vardag bättre än traditionella flöden, och samtidigt varför de kräver mer omsorg för att bli pålitliga.

Agent, chatbot eller klassisk automation?

Tre saker som ofta blandas ihop i samma säljmöte, trots att de löser helt olika problem.

Chatboten

En chatbot svarar på det ni skriver. Den kan vara mycket bra på att formulera sig, sammanfatta ett dokument ni klistrar in eller hjälpa någon att komma igång med en text. Men den sitter i sitt eget fönster och når inte era system. Någon måste alltid kopiera in frågan och kopiera ut svaret, vilket betyder att arbetet fortfarande utförs av en människa som bara fått en snabbare penna.

Den klassiska automationen

Ett regelstyrt flöde gör exakt det den blivit programmerad att göra, varje gång, oändligt snabbt och helt förutsägbart. När en faktura kommer med rätt format på rätt ställe fungerar det utmärkt. Problemet uppstår när verkligheten avviker: leverantören byter mallen, kunden skriver artikelnumret i mejltexten i stället för i bilagan, någon glömmer ett fält. Då stannar flödet, och en människa får ta över, ofta utan att förstå var det gick fel.

Agenten

Agenten ligger mellan de två. Den läser fritext lika bra som en chatbot, når era system lika bra som en automation, och kan hantera ett fall ingen skrivit en regel för. Priset för den flexibiliteten är att den ibland väljer fel steg, vilket gör att kontroll och loggning inte är extrafunktioner utan en del av själva bygget.

• Chatbot: svarar på frågor i sitt eget fönster, når inte era system.
• Klassisk automation: gör exakt samma sak varje gång, stannar vid undantag.
• Agent: läser, bedömer, hämtar och utför, väljer stegen själv.

Exempel: en ärendeagent steg för steg

Det blir konkret först när man följer ett ärende. Säg att ni är ett serviceföretag och att det kommer in en förfrågan på mejl klockan 22 på en söndag.

1. Agenten läser mejlet och avgör vad det handlar om: en förfrågan om service på en anläggning, inte en faktura eller ett allmänt frågemejl.
2. Den plockar ut det som går att plocka ut: kontaktperson, företag, adress, beskrivning av felet, önskad tid.
3. Den slår upp avsändaren i ert affärssystem och hittar att det är en befintlig kund med ett serviceavtal.
4. Den upptäcker att adressen i mejlet inte matchar någon av kundens anläggningar, och att det inte framgår vilken av dem det gäller.
5. I stället för att gissa formulerar den en kort fråga tillbaka till kunden och lägger ärendet i väntläge.
6. När svaret kommer in på måndag morgon kompletterar den ärendet, kategoriserar det som akut enligt era egna kriterier, och lägger det hos rätt tekniker med hela underlaget bifogat.
7. Teknikern öppnar ett färdigt ärende med kunduppgifter, avtalsstatus, felbeskrivning och mejltråden kvar. Ingen har behövt skriva in något för hand.

Lägg märke till vad som faktiskt hände i steg fyra och fem. Agenten stötte på något som inte gick ihop och valde att fråga i stället för att fortsätta. Det beteendet är inte magi, det är byggt: agenten har fått veta vilka uppgifter som måste vara säkra innan ett ärende får skapas, och vad den ska göra när de inte är det.

Lägg också märke till vad som inte hände. Ingen offert skickades, inget pris nämndes och inget löfte om tid gavs. Sådant passerar alltid en människa.

Vad agenter inte klarar

Den här delen brukar saknas i presentationer, vilket är synd, för den avgör om projektet lyckas.

• De kan ha fel med full självsäkerhet. En språkmodell formulerar sig lika övertygande när den gissar som när den vet. Motmedlet är att den bara får svara utifrån godkända källor i era system och att svaret pekar tillbaka på var uppgiften kom ifrån.
• De blir aldrig bättre än underlaget. Om kunduppgifterna finns i tre system med tre stavningar gör agenten samma fel som en ny medarbetare hade gjort, fast snabbare och oftare.
• De ersätter inte omdöme. Prissättning, avtal, anställningar och känsliga kundrelationer kräver att någon tar ansvar, och ansvar går inte att delegera till ett program.
• De är inte gratis att driva. Varje körning kostar i modellanrop, och en agent som ingen följer upp blir sämre med tiden, eftersom verkligheten runt den ändrar sig.
• De löser inte en trasig process. Automatiserar ni ett flöde som är fel från början får ni samma fel, snabbare.

Slutsatsen är inte att låta bli. Slutsatsen är att bygga med en mänsklig kontrollpunkt från början, mäta hur ofta agenten träffar rätt, och flytta kontrollpunkten först när ni själva har sett tillräckligt många korrekta utfall i loggarna.

Vad kostar en AI-agent?

Det beror på hur många system den ska nå och hur mycket omdöme den ska utöva, men storleksordningen är inte hemlig. En enkel agent i ett system med tydliga regler landar normalt på 30 000 till 60 000 kronor och är i drift på ett par veckor. En pilot med ett avgränsat flöde, två till tre integrationer och mänsklig granskning ligger på 60 000 till 150 000 kronor och tar två till fyra veckor.

Till bygget kommer den löpande kostnaden. Modellanrop och hosting brukar hamna mellan 500 och 5 000 kronor i månaden beroende på volym, och därutöver kostar drift och förvaltning om ni vill att någon annan ska hålla lösningen igång.

Hur börjar man?

Det vanligaste misstaget är att börja i tekniken: någon bestämmer att företaget ska göra något med AI och letar sedan efter ett problem som passar. Det ger en demo som imponerar på ledningsgruppen och som inte hjälper någon på måndagen.

Börja i stället i vardagen, med fyra frågor om varje kandidat ni funderar på:

1. Hur ofta händer det? Något som inträffar femtio gånger i veckan är nästan alltid en bättre kandidat än något som inträffar en gång i månaden, även om det senare känns jobbigare.
2. Hur många undantag finns det? Ju fler specialfall, desto mer arbete, och desto viktigare att en människa granskar.
3. Går uppgifterna att lita på? Om svaret är nej är städning av data första steget, inte automation.
4. Vad kostar det er idag? Timmar per vecka gånger en rimlig timkostnad. Siffran behöver inte vara exakt, den behöver bara vara ärlig.

Kandidaten som vinner är sällan den som lät mest spännande på mötet. Den är oftast tråkig, återkommande och osynlig, och det är precis därför den är värd att ta bort.