Det afgørende gennembrud for AI-agenter er hastigt på vej til at ramme alle dele af samfundet: Deutsche Bank peger i en analyse på, at den agentiske intelligens både bliver markant bedre og dramatisk billigere måned for måned. Det kan gøre det økonomisk rationelt at sætte millioner af AI-agenter i arbejde på stadig flere opgaver, både i erhvervslivet og for forbrugere. Men udviklingen rummer samtidig en række nye risici, fordi autonome systemer får mulighed for at arbejde længere, bevæge sig længere væk fra den oprindelige instruktion og handle med stadig mindre menneskelig indblanding.
Den mest opsigtsvækkende pointe i Deutsche Bank Research Institutes analyse The Expanding Frontier of Agentic AI: A User’s View er ikke, at kunstig intelligens fortsætter med at blive bedre og bedre. Det overraskende er hastigheden, hvormed tidligere avancerede og kostbare egenskaber bliver tilgængelige langt billigere.
Cheføkonom Yi Xiong beskriver udviklingen ud fra sine egne erfaringer med AI-agenter. Over få måneder er agenterne blevet i stand til at løse de samme opgaver med færre instruktioner, bruge digitale værktøjer mere effektivt og bevæge sig længere fra en simpel startinstruktion, før de behøver menneskelig hjælp.
Det er netop denne sidste egenskab, der adskiller agentisk AI fra den chatbot, de fleste kender i dag. Den egentlige værdi ligger ikke alene i at producere et godt svar, men i at kunne håndtere en flertrinsproces: Forstå et mål, vælge værktøjer, udføre delopgaver, kontrollere resultaterne og fortsætte mod målet uden hele tiden at spørge brugeren, hvad næste skridt skal være.
Hvis Deutsche Banks observationer holder, kan denne form for AI blive økonomisk anvendelig langt hurtigere og langt bredere, end hvis udviklingen alene var afhængig af stadig større og dyrere topmodeller.
Banken forsøger at måle udviklingen ved at sammenholde modellernes agentiske evner med deres pris. Banken anvender et Agent Index baseret på benchmarks inden for bl.a. brug af værktøjer, flertrinsopgaver, websøgning, terminaloperationer og softwareudvikling. Derefter sammenholdes præstationen med API-prisen pr. million tokens.
Resultatet er en såkaldt Pareto-front: Den viser, hvor meget agentisk intelligens, man på ethvert tidspunkt kan købe for en given pris. Og det er bevægelsen i denne grænse, der er interessant. Ifølge Deutsche Bank flytter den sig måned efter måned markant mod både højere kvalitet og lavere pris. Brugeren kan enten få mere intelligent AI for de samme penge eller opnå omtrent samme kvalitet til en langt lavere pris.
Et eksempel illustrerer hastigheden. En model i juni opnåede næsten samme agentiske score som en førende model fra april, men kostede kun 1,16 dollar mod tidligere syv dollar pr. million tokens. På blot to måneder var det muligt at reducere tokenomkostningen med mere end 80 pct. uden nævneværdigt tab af performance.
Hvis en traditionel chatbot benyttes ti gange om dagen, er forskellen mellem en dyr og billig model måske beskeden i den samlede privatøkonomi. Men en AI-agent kan arbejde kontinuerligt. Den kan gennemføre tusindvis af operationer, anvende værktøjer gentagne gange og løse opgaver over længere tid. Her bliver prisforskellen afgørende. En opgave, der i dag er for dyr til at automatisere, kan om få måneder være rentabel.
Største modeller behøver ikke blive vinderne
Analysen peger også på en anden vigtig udvikling: Der er ikke længere et enkelt forhold mellem modelstørrelse og agentisk kvalitet. Deutsche Bank fremhæver DeepSeek-V4-Flash som et særligt eksempel. Modellen har 284 mia. parametre, hvoraf blot 13 mia. er aktive ad gangen, men præsterer ifølge analysen bedre på agentiske opgaver end flere væsentligt større modeller.
Forklaringen er ikke mere rå størrelse, men bedre arkitektur og post-training – altså træning, der specifikt lærer modellen at håndtere opgaver mere effektivt. Det ændrer perspektivet på hele AI-kapløbet.
Hvis stadig bedre agentisk adfærd kan opnås uden konstant at forøge modellen, kan forbedringerne fortsætte, selv hvis den rå skalering af beregningskraft bliver vanskeligere eller dyrere. Det betyder også, at den teknologiske udvikling ikke nødvendigvis vil være koncentreret omkring ganske få ekstremt kostbare modeller.
Deutsche Banks data viser tværtimod en hurtig indhentning fra kinesiske modeller. I marts var den effektive pris-performance-front domineret af amerikanske modeller. Allerede få måneder senere var kinesiske modeller rykket langt tættere på toppen, og banken konstaterer, at de ikke længere alene konkurrerer på pris, men også på kvalitet.
For brugerne er det afgørende, fordi konkurrencen presser både pris og innovation.
I stedet for at være afhængig af én ekstremt dyr model kan en virksomhed eller privat bruger vælge forskellige modeller efter opgaven. De vanskeligste opgaver kan sendes til den dyreste og mest kompetente model, mens hovedparten af rutinearbejdet udføres af langt billigere modeller.
En af analysens mest interessante observationer er, at faldende AI-priser ikke nødvendigvis reducerer udgifterne til AI. Hos Deutsche Banks cheføkonom er det modsatte sket. Før han begyndte at bruge AI-agenter, var hans AI-forbrug stort set nul. Derefter kom et abonnement på 20 dollar om måneden. Få måneder senere var de løbende udgifter steget til 100-200 dollar om måneden, suppleret med udgifter til lagring og hardware.
Årsagen var ikke stigende priser. Priserne faldt. Han begyndte ganske enkelt at bruge AI til langt flere ting. Deutsche Bank kobler det til Jevons-paradokset: Når en ressource bliver mere effektiv og billigere, kan det samlede forbrug stige frem for at falde. Det kan blive en af de vigtigste mekanismer bag den næste AI-bølge.
Hvis prisen på agentisk intelligens halveres, behøver virksomhederne ikke nødvendigvis reducere deres AI-budget. De kan i stedet sætte dobbelt så mange agenter i arbejde – eller lade eksisterende agenter arbejde længere og på flere områder. Det er en helt anden økonomisk dynamik end traditionel software.
Når softwarelicensen først er købt, er anvendelsen ofte relativt statisk. AI-agenter forbruger løbende regnekraft. Faldende enhedspris kan derfor hurtigt blive omsat til stærkt stigende samlet forbrug.
Deutsche Banks centrale spørgsmål er netop, hvad der sker, når millioner af mennesker og virksomheder får råd til at holde kompetente agenter kørende længere, på flere opgaver og uden konstant at bekymre sig om hvert token.
Den mest interessante langsigtede konsekvens er derfor, at AI-intelligens kan ændre karakter som økonomisk ressource. I dag bruges de bedste modeller stadig selektivt. De er relativt dyre, og virksomheder vurderer, hvor det giver mening at anvende dem. Hvis Deutsche Banks kurver fortsætter bare nogenlunde i samme retning, kan den tankegang ændre sig.
Virksomheder behøver ikke længere spørge: ”Er denne opgave værd at bruge AI på?” Spørgsmålet kan blive: ”Hvorfor skulle vi ikke have en agent kørende på den?” Det kan føre til en verden med millioner af relativt specialiserede agenter, der eksisterer permanent frem for kun at blive aktiveret, når et menneske sender en prompt.
Det betyder også, at AI-agenter kan blive mindre synlige. I dag er AI en aktivitet: Man åbner ChatGPT eller et andet program. I en mere moden agentverden kan AI blive infrastruktur, der hele tiden arbejder i baggrunden. Det svarer til forskellen mellem at gå på internettet i 1990’erne og at leve i en økonomi, hvor stort set alle systemer permanent er forbundet.
Hvor hurtigt kan det gå?
Tre sandsynlige faser frem mod 2030 ser ifølge banken sådan ud. Den præcise tidsplan er usikker, men de tekniske og kommercielle skridt, der allerede er taget, gør det muligt at opstille et realistisk hovedscenario.
2026-2027 bliver sandsynligvis assistentfasen. Agenter søger, sammenligner, overvåger og forbereder handlinger, men mennesket godkender de fleste beslutninger. Forbrugerne bruger dem til rejser, shopping og administration. Virksomheder bruger dem især i it, research, kundeservice, økonomi og interne administrative processer.
2027-2028 kan blive delegationsfasen. Betalingsstandarder, agentidentiteter og bedre kontrolsystemer gør det mere almindeligt at give agenter begrænsede økonomiske mandater. De kan genbestille varer, betale visse fakturaer, ændre abonnementer og gennemføre standardtransaktioner. Oracle vurderer f.eks., at betalingsagenter inden for tre år kan blive almindelige i erhvervslivet og løbende overvåge forpligtelser, likviditet og leverandørvilkår, mens mennesker primært håndterer undtagelser.
Fra omkring 2028-2030 kan agent-mod-agent-økonomien begynde at få reel skala. Her bliver store dele af standardiserede transaktioner gennemført mellem virksomheders og kunders software. Indkøbssystemer handler med leverandøragenter, kundens rejseagent handler med flyselskabets system, og betalingsinfrastrukturen sikrer, at begge agenter har mandat.
Det er et scenario – ikke en sikker prognose. Regulering, sikkerhedsproblemer eller manglende forbrugertillid kan forsinke udviklingen betydeligt.
I et hurtigt gennembrudsscenario fortsætter modelpriserne med at falde, mens modellerne samtidig bliver mere pålidelige. Betalingsstandarderne falder på plads. Forbrugerne accepterer begrænsede fuldmagter. I så fald kan agentiske workflows blive almindelige allerede inden for to-tre år.
I et langsommere scenario bliver sikkerhed det store problem. Et antal alvorlige fejl eller svindelsager gør forbrugerne tilbageholdende med at give agenten adgang til mail, bankkonti og betalinger. Agenter bliver populære som research- og rådgivningsværktøjer, men mennesker fortsætter med at trykke på den sidste købsknap.
I det mest positive scenario fortsætter konkurrencen mellem amerikanske og kinesiske udviklere med at presse priserne ned. Samtidig bliver modellerne mere effektive, og ny træning forbedrer agenternes evne til at planlægge og gennemføre komplekse opgaver. Samlet kan det udløse meget store produktivitetsgevinster.
Virksomheder kan eksperimentere langt mere aggressivt, fordi omkostningen ved fejl og forsøg bliver lavere. Små virksomheder kan få adgang til kapaciteter, der tidligere krævede store it-budgetter.
Deutsche Bank ser netop denne kombination som en styrke: Dyre topmodeller flytter den maksimale performance fremad, mens stadig mere effektive lavprismodeller gør agentiske workflows økonomisk anvendelige i stor skala.
Risikoscenariet
Men præcis den samme udvikling indeholder den største risiko. Deutsche Bank konstaterer, at agenterne allerede kan ”rejse længere” fra en simpel instruktion, før mennesket behøver gribe ind. Det er på én gang målet og problemet.
Jo længere, agenten kan arbejde selvstændigt, desto større produktivitetsgevinst. Men desto større kan konsekvenserne også blive, hvis den tager en forkert beslutning tidligt i processen. En fejl i en traditionel chatbot giver måske et forkert svar. En agent, der løser 95 pct. af en kompleks opgave korrekt, kan være imponerende i en benchmark. Men hvis en virksomhed sætter den til at gennemføre en million processer, betyder 5 pct. fejlrate 50.000 problemer. Det er her, overgangen fra demonstrationsfase til industriel anvendelse bliver vanskelig.
Spørgsmålet er efterhånden mindre, om modellerne bliver bedre. Dataene viser en meget hurtig forbedring. Det afgørende bliver, hvad virksomheder og samfund gør, når kompetent agentisk intelligens bliver så billig, at den kan anvendes næsten overalt. Hvis Jevons-paradokset slår igennem, bliver resultatet ikke blot, at eksisterende AI-opgaver udføres billigere.
Der kan opstå helt nye opgaver, fordi det pludselig er økonomisk forsvarligt at sætte en digital agent til at arbejde med problemer, ingen hidtil har fundet det værd at bruge menneskelig tid på. Det er den virkelig store mulighed i Deutsche Banks analyse. Men det er også den store risiko.
Morten W. Langer
Pr. mdr.
349 kr.
Få straks adgang til denne artikel og alle andre artikler på ugebrev.dk
- Alle artikler på ugebrev.dk
- Om investering, finans, ledelse, samfundsansvar, life science og Bestyrelsesguiden.dk
- Daglige nyhedsmails med nyheder og analyser
