AI-agenter - Jeg tænker, altså er jeg... en AI-agent

skrevet af: Casper Greve og Anders Rosengaard, Jan 2025

I de seneste år er AI blevet det nye Klondike med guldfeber til følge. En guldfeber der får momentum med hver ny trend og lancering. Et af de seneste buzzwords i dette AI-vanvid er "AI-agenter". Men hvad betyder det overhovedet? En James Bond robot?

Nye teknologi-trends lever sjældent op til hypen - og dertil er AI-terminologien allerede rodet og fyldt med flere misforståelser. At tilføje endnu et udtryk som "AI-agent" kan synes unødvendigt. Når alt kommer til alt, har implementering af teknologi for teknologiens skyld ofte ført til dyre fejl og dårlige afkast. Men AI-agenter kan være anderledes. Selvom de måske ikke kommer udstyret med gadgets og en dry Martini á la 007 i hånden - i det mindste ikke endnu - har de potentialet til at levere reel, håndgribelig værdi.

Motiveret af løftet om AI-agenter, har denne artikel til formål at udforske deres værdi, praktiske anvendelsestilfælde, hvordan de fungerer, og hvordan de adskiller sig fra det lige så populære koncept med AI-assistenter.

Jeg tænker, derfor er jeg… En AI-agent

Mens det berømte citat i overskriften fra den franske filosof René Descartes måske er lidt tænkt her, er det en passende måde at illustrere, hvordan AI-agenter adskiller sig fra AI-assistenter. Mens en assistent kan udføre kommandoer som “skriv en sang,” er den helt afhængig af menneskelig input for at vide, hvilken opgave der skal udføres. Derimod kan en AI-agent ræsonnere, træffe beslutninger og autonomt udføre handlinger uden behov for direkte instruktioner til hvert skridt.

Et håndgribeligt eksempel - Johns Plante forretning.

John driver en lille virksomhed, der sælger planter. For et par år siden begyndte han at indsamle data om, hvilke planter der sælger bedst i forskellige sæsoner. Men at drive butikken efterlader ikke meget tid til analyse af dataene. Heldigvis har han en trofast AI-assistent. Hver gang John bemærker et fald i salget, spørger han assistenten: “Hvilke planter er i sæson?” Baseret på assistentens svar beslutter John, hvad han skal bestille hjem og formår at øge sit salg.
Selvom assistenten tilfører værdi til Johns virksomhed, afhænger dens værdi af, hvor godt John informerer og anvender den. John træffer stadig alle de kritiske beslutninger, såsom hvilke eksakte planter han skal købe, i hvilke mængder og hvornår.

Forestil dig nu, at John havde en AI-agent i stedet. AI-agenten er tilsluttet Johns salgsdata og har adgang til hjemmesiden, hvor han bestiller sit lager af planter. AI-agenten overvåger kontinuerligt Johns lager og årstiderne. Baseret på historiske data og aktuelle trends ræsonnerer agenten om, hvilke planter der skal bestilles og i hvilke mængder.
John er begejstret for, hvor meget arbejde AI-agenten automatiserer. Men han er også lidt nervøs for at give for meget kontrol til systemet. For at imødekomme denne bekymring tilføjes et “human-in-the-loop” funktionalitet til agenten. Det betyder, at før agenten placerer nogen ordrer, bliver John underrettet og har mulighed for at godkende eller afvise købet.

For at opsummere:

• AI-assistent: Afhænger af Johns input for at fungere - og værdien er begrænset af, hvor meget input John giver.

• AI-agent: Bruger data til autonomt at ræsonnere og træffe beslutninger, hvilket tilbyder værdi, der ikke er afhængig af Johns inputniveau.
  
  

AI-agent anvendelsestilfælde

Forhåbentlig har eksemplet med Johns planteforretning givet en klar adskillelse mellem AI-agenter og AI-assistenter. Men du undrer dig måske stadig over, hvad AI-agenter præcist kan gøre?

Heldigvis bliver AI-agenter allerede implementeret i forskellige anvendelsestilfælde, der fremhæver de specifikke smertepunkter, de kan adressere, og den værdi, de skaber. Følgende eksempler viser AI-agenteres potentiale i virkelige applikationer fra forskellige domæner.

Forskning & Udvikling:

• Smerte: Forskning og udvikling kræver flere trin af manuelt arbejde i at søge tidligere artikler og screene resuméer. Ofte baseres dette på statiske søgninger med begrænsede syntaksmuligheder. Dette fører til manuel belastning og øget risiko for fejl.

• Værdi: AI-agenter (og AI-assistenter) kan forbedre processen med forskning og udvikling ved at forbedre kvaliteten og tiden for videnskabelig information retrieval og screening. Forskere ville spare tid på at lave søgeforespørgsler og spare tid på at skulle gennemgå færre artikler.

• Kapabilitet: Brug af AI-agenter til at støtte screeningen og vurderingen af videnskabelige studier baseret på tekstinput om inklusions- og eksklusionskriterier.

Handel - Energi & Råvarer:

• Smerte: At navigere i komplekse markeder og placere ordrer manuelt kan være tidskrævende, hvor flere trin øger chancen for fejl. Især når man overvåger svingende priser.

• Værdi: AI-agenter forenkler handelsprocessen ved autonomt at overvåge markedsforholdene, identificere muligheder og placere ordrer for specificerede mængder, alt imens der holdes en menneskelig faktor in-loop til godkendelse.

• Kapabilitet: Ved at kombinere markedsdataanalyse og naturlig sprogbehandling, forstår AI-agenter instruktioner såsom “køb 10 optioner af produkt X til pris Y” og udfører opgaven effektivt. Dette førte til hurtigere og lettere handelsudførelse, hvilket sparer ~ 1 min på transaktioner, mens det også sænker fejlfrekvensen og risikoen for fejl.  

Email søgning og effektivitet:

• Smerte: De fleste mennesker i virksomhedsledelse kæmper med at søge gennem tusinder af emails for et specifikt nøgleord, tidsstempel eller kontekst. Det er en kedelig og ineffektiv proces for de fleste, men meget almindelig.

• Værdi: AI-agenter reducerer drastisk søgetiden ved at forstå abstrakte forespørgsler som “Find emailen fra min chef, hvor han kom med input til min økonomiske præsentation” og pege på den nøjagtige email.

• Kapabilitet: Ved at udnytte forståelse af naturligt sprog og kontekstuel søgning, kan AI-agenter fortolke og udføre nuancerede og menneskelignende søgekommandorer. Et af de centrale eksempler på dette er https://superhuman.com/ med kunder, der oplever værdi i tid, der er sparet, og større kapacitet.

Forsyningskæde - Efterspørgselsplanlægning

• Smerte: En almindelig udfordring er at håndtere efterspørgselsplanlægningsprocessen i frontlinjen. Dette kan være på gulvet i detailbutikker, i lagerstyring eller i produktionsplanlægning. På tværs af disse scenarier skal en kombination af historisk efterspørgsel og prognoser kombineres med ordrer, planlægning og logistik.

• Værdi: AI-agenter kan hjælpe med at lette og modne efterspørgselsplanlægningsprocessen ved at yde effektiv og præcis hjælp i udførelsen.

• Kapabilitet: Kombination af oplysninger fra historiske data og prognoser med arbejdsgange og eksterne faktorer.

Finansiel Analyse:

• Smerte: Finansprofessionelle udfører ofte gentagne analyser og kontrol manuelt ved at sammenligne Excel-ark eller flere datasæt. 

• Værdi: AI-agenter kan levere accelereret finansiel analyse og kontrol skræddersyet til organisationens og domænets krav.

• Kapabilitet: Anvendelsestilfældet for dette kan være både internt og eksternt. I JP Morgan inkluderer en del af "LLM Suite" udrulningen muligheden for medarbejdere at få intern støtte fra AI-agenter og AI-assistenter til finansiel analyse.

Idé til kode

• Smerte: Inkrementel udvikling med AI-assistenter kræver ofte konstant manuel indgriben og mangler fremadskuende perspektiv for komplekse builds.

• Værdi: AI-agenter kan autonomt ræsonnere igennem de trin, der er nødvendige for at bygge en applikation fra en idé, hvilket reducerer den manuelle arbejdsbyrde og fremskynder udviklingen.

• Kapabilitet: Ved at ræsonnere om det overordnede projekt kan AI-agenter generere sammenhængende, sekventeret kode, der stemmer overens med den planlagte applikationsarkitektur.

E-handel

• Smerte: Kunder står ofte over for forhindringer som ufuldstændige transaktioner, begrænset personalisering eller mangel på opfølgningskommunikation.

• Værdi: AI-agenter forbedrer e-handelsoplevelsen ved at placere ordrer, spore forsendelser, lette billedbaserede søgninger, sende påmindelser om forladte indkøbskurve og give personlige anbefalinger baseret på tidligere køb.

• Kapabilitet: Gennem integration med e-handelsplatforme analyserer AI-agenter kundeadfærd, får adgang til realtidsdata og tilbyder skræddersyede interaktioner for at øge salget og kundeloyalitet. Shopify er et godt eksempel på dette (https://www.shopify.com/magic).
  
  

Hvordan fungerer AI-agenter?

Næste sektion af denne artikel dykker ned i de tekniske grundlag, der muliggør, at AI-agenter kan operere autonomt. I hjertet af det, der gør AI-agenter unikke, er deres evne til at ræsonnere og tage handlinger baseret på denne ræsonnering. For at forstå hvad ræsonnering betyder for AI-agenter, er det væsentligt at kende byggeklodserne i AI-agenter og forstå konceptet om kontrol-logik.

Byggeklodserne i AI-agenter

De grundlæggende komponenter i AI-agenter arbejder sammen for at muliggøre ræsonnering, beslutningstagning og handlingsudførelse. Disse byggeklodser inkluderer:

1. Store Sprogmodeller (LLMs): LLMs fungerer som den kognitive motor i mange AI-agenter. Uddannet på store mængder tekstdata, giver disse modeller evnen til at fortolke sprog, generere sammenhængende svar og ræsonnere gennem komplekse opgaver. LLMs fungerer som den primære kilde til "viden" og generelle problemløsningsevner for AI-agenter.

2. Værktøjer: Værktøjer udvider kapabiliteterne for AI-agenter ud over deres sprogmodeller. Disse inkluderer API'er, scripts, databaser eller softwareapplikationer, som agenter kan påkalde for at udføre specialiserede opgaver, såsom at hente realtidsinformation, analysere data eller udføre komplekse arbejdsprocesser. Værktøjer er essentielle for at integrere agentens logik med det eksterne miljø.

3. Data: AI-agenter er afhængige af data som input under drift for at træffe informerede beslutninger. Dette kan inkludere strukturerede data (som databaser), ustrukturerede data (som tekst eller billeder), og realtidsinput fra brugerinteraktioner eller eksterne sensorer. Adgang til relevante og opdaterede data gør det muligt for AI-agenter at tilpasse sig ændrede miljøer.

4. Generelle Softwarekomponenter: Denne komponenter tilvejebringer infrastrukturen og supportsystemerne, der er nødvendige for AI-agenter til at fungere effektivt. De inkluderer rammer og biblioteker, der håndterer hukommelse, netværksprotokoller, brugergrænsefladeelementer og integration med eksterne systemer. Softwarekomponenter er fundamentet for AI-agenter og sikrer, at de interagerer problemfrit med deres miljø.

Synergien mellem LLMs, værktøjer, data og softwarekomponenter gør det muligt for agenter at fortolke input, behandle information og udføre handlinger på en måde, der efterligner menneskelig ræsonnering og adfærd. Ved at kombinere disse komponenter kan AI-agenter bygge bro mellem statiske, foruddefinerede programmer og dynamiske, intelligente systemer, der er i stand til autonom handling.

Kontrol-logik

Kontrol-logik, et grundlæggende princip inden for ingeniørvidenskab og datalogi, refererer til det sæt af regler, algoritmer eller systemer, der dikterer, hvordan en proces eller et system opfører sig. Det bestemmer, hvordan input fortolkes, beslutninger træffes, og handlinger udføres for at opnå et ønsket resultat. I essensen definerer kontrol-logik stien fra input til output, med elementerne langs den sti, der dikterer, hvilke handlinger der udføres imellem de to.

Når det anvendes på AI-agenter, er der to hovedformer for kontrol-logik, der er relevante: programmatisk kontrol-logik og agent-drevet ræsonnering:

• Programmatisk kontrol-logik er baseret på faste, regelbaserede instruktioner, der dikterer en agents adfærd og sikrer forudsigelige resultater inden for definerede rammer. Denne tilgang er værdifuld i strukturerede miljøer med klare og konsekvente regler, hvor konsistens, præcision og streng overholdelse af retningslinjer er vigtigere end tilpasningsevne eller ræsonnering.

• Agent-drevet ræsonnering derimod giver AI-agenter mulighed for at tilpasse sig dynamisk og optimere resultater i komplekse og usikre situationer. Denne ræsonnering gør det muligt for AI-agenter at bestemme stien mellem input og output, autonomt beslutte, hvilke handlinger der skal tages. Det gør dem i stand til at operere effektivt i dynamiske miljøer ved at udnytte tilgængelige data og den lærte logik fra store sprogmodeller (LLMs). Som et resultat kan AI-agenter navigere i tvetydighed og udføre opgaver, der kræver fleksibilitet og kritisk tænkning.

I mange virkelige scenarier, hvor forholdene er dynamiske og uforudsigelige, bliver rigiditeten i programmatisk kontrol-logik en betydelig begrænsning. I sådanne tilfælde excellerer AI-agenter på grund af deres evne til at ræsonnere og tilpasse sig, hvilket gør dem bedre tilpasset til at håndtere kompleksiteten og udsvingene i virkelige miljøer.

Teknologibakken omkring AI-agenter

At forstå AI-agenter, AI-agentkomponenter og interfaces kræver ofte en oversigt over den involverede teknologibakke. Fra de mest almindelige opfattelser omkring Grundlæggende Modeller til de AI-agent specifikke teknologier. Nedenfor er en teknologibakkeoversigt med de vigtigste konceptuelle teknologibakke lag med nogle af de mest almindelige teknologier/leverandører:

Højdepunkter og erfaringer fra AI-agent tech-landskab og projekter

Efterhånden som adoptionen af AI-agenter vokser, er mange virksomheder og teknologier dukket op, der tilbyder at forenkle og standardisere processen med at bygge robuste AI-agenter.

Fra vores Codellent erfaringer er LangGraph en af de fremtrædende rammer til at bygge AI-agenter. LangGraph stammer fra det mere vidt genkendte LangChain-system, men adskiller sig ved at lette fleksibel kontrol-logik ved at fokusere på muligheden for præcis kontrol over agentadfærd. I modsætning til LangChain, der lægger vægt på at kæde opgaver og arbejdsgange for sprogmodeller, excellerer LangGraph i at muliggøre LLM'er til at styre kontrol-logikken selv.
Denne fleksibilitet gør LangGraph særligt effektiv til at bygge AI-agenter, der har brug for at håndtere komplekse beslutningsprocesser dynamisk. Den lægger også vægt på modulopbygning, hvilket giver udviklere mulighed for problemfrit at integrere værktøjsopkald og eksterne rammer for at udvide agentens kapabiliteter.

Derudover sikrer LangGraph gennemsigtighed i, hvordan agenter ræsonnerer og handler, hvilket er kritisk for fejlsøgning og forbedring af agentens ydeevne. Nedenfor er et eksempel på det kontrollerede AI-agentflow, som LangGraph muliggør:

Efterhånden som adoptionen af AI-agenter vokser, er mange virksomheder og teknologier dukket op, der tilbyder at forenkle og standardisere processen med at bygge robuste AI-agenter.

Andre AI Orchestration Frameworks, såsom OpenAI’s Swarm Framework eller Anthropics MCP, har også unikke kapabiliteter. Men i vores erfaring på tværs af forskellige tilfælde fortsætter LangGraph med at skille sig ud for sin balance mellem brugervenlighed og avanceret konfigurerbarhed.

Den modulære karakter af LangGraph kombineret med den tilgængelighed, det giver til, hvordan LLM'en beslutter om kontrol-logik, har gjort det muligt for os hurtigt at prototype og implementere agenter. For os har LangGraph vist sig at være en stærk og pålidelig ramme til at skabe effektive og robuste AI-agenter, især i scenarier, hvor tilpasningsevne og gennemsigtighed er afgørende.

Som teknologilandskabet udvikler sig, er det spændende at se, hvordan frigivelsen af nye rammer, værktøjer og LLM-modeller fortsat gør AI-agenter mere tilgængelige og i stand, hvilket muliggør deres udvikling til et stigende antal specifikke scenarier.

For dybere indsigt i den nuværende tilstand af AI-agenter anbefaler vi stærkt LangChains seneste undersøgelse: https://www.langchain.com/stateofaiagents

Opsummerende tanker

Så, er AI-agenter de James Bonds robotter, vi drømte om?
Ikke endnu. Ingen fancy gadgets - og ingen tør martini. Men det, AI-agenter mangler i James Bond-faktor, kompenserer de for i praktisk værdi. AI-agenter har vist, at de kan håndtere komplekse opgaver autonomt, ræsonnere gennem udfordringer og tilpasse sig dynamiske miljøer, alt imens de sparer tid og kræfter.

I modsætning til AI-assistenter, der i høj grad er afhængige af menneskelig input til at udføre foruddefinerede opgaver, skiller AI-agenter sig ud for deres evne til at ræsonnere og handle uafhængigt. Denne ræsonnering giver dem mulighed for at evaluere data, træffe beslutninger og udføre handlinger uden behov for trin-for-trin instruktioner. Det er forskellen mellem at få at vide, hvad man skal gøre, og at finde ud af, hvad der skal gøres - en sondring der gør det muligt for AI-agenter virkelig at operere autonomt.

I denne nye AI-guldfeber er det let at miste sig selv i buzzwords og hype. Men i modsætning til mange flygtige trends har AI-agenter potentialet til at være mere end blot en skinnende nyhed. Med virkelige anvendelsestilfælde, der spænder over industrier og flere processer, er AI-agenter i gang med at indfri deres løfter og øge produktiviteten.