Sådan anvendes ”selvtænkende” agentisk AI

Agentisk AI er den nyeste gren på AI-stammen. I en gennemgang forklarer tre eksperter fra McKinsey, hvordan denne type AI adskiller sig fra traditionelle sprogmodeller, hvor den giver mening at anvende – hvor den ikke giver mening at anvende, om den store hype og de forskellige risici.

Agentisk AI er en form for ‘level up’ i forhold til traditionel AI. Hvor traditionel AI primært er reaktiv og fungerer med spørgsmål-svar, er agentisk proaktiv og tager initiativ – den tager selv ‘action’.

Den kan arbejde selvstændigt, planlægge, udføre komplekse opgaver og samarbejde med andre AI-agenter – alt uden nødvendigvis at have mennesker indover hele tiden. Den går altså fra at have en passiv rolle til en aktiv rolle.

Vi befinder os stadig på et tidligt stadie i teknologiens udbredelse og anvendelse. Men allerede om 1-2 år kan det se helt anderledes ud. McKinsey mener, at AI-agenter til den tid muligvis allerede er så almindelig en del af vores hverdag, at det vil forsvinde lidt i baggrunden og bare være der, ligesom internettet er i dag.

Fra hype til realitet

Som med meget ny teknologi er der stor hype forbundet med agentisk AI. Der er store forhåbninger og mange forventninger. Mange var i starten helt oppe at køre over, at AI kunne opsummere lange rapporter, skrive e-mails og udarbejde referater på få sekunder.

Og ja – potentialet er stort. Men ifølge konsulenthuset er det vigtigt at se på virkeligheden. Og virkeligheden er, at selvom AI allerede skaber værdi, har den endnu ikke ændret verden markant. I stedet ser man, at de største forandringer foreløbigt er koncentreret i specifikke sektorer.

Denne udvikling følger et velkendt mønster fra tech-verdenen: hype-cyklussen. Nye teknologier starter ofte med høje forventninger og store ord. Før eller siden rammer den næste fase, hvor den reelle værdi langsomt tager form. Overgangen fra hype til konkret værdi tager tid.

Den store hype kan også komme til at betyde, at man tror AI-agenter er løsningen på alt. Men det er langt fra tilfældet. For relativt simple opgaver kan teknologien hurtigt blive unødigt kompleks. I mange tilfælde vil et par linjer kode være tilstrækkeligt.

Som det formuleres, vil det være som at anvende et missil til at klaske en flue at anvende en Large Language Model (LLM) til at udregne en kreditscore for en virksomhed.

Agentisk AI giver derimod mening i situationer, hvor opgaver er mere komplekse. Et oplagt eksempel er kundeservice. Her kan AI-agenter føre naturlige samtaler med kunder i talesprog, hente relevant information direkte fra virksomhedens databaser og guide kunden videre i systemet. Hvis sagen bliver for kompleks, kan agenten viderelevere henvendelsen til en kundeservicemedarbejder.

Mange rutineopgaver vil i fremtiden unægteligt blive løst af AI-agenter. Det skaber bekymring hos mange, om hvad det kommer til at betyde for deres jobsituation. Dog tyder intet på, at menneskelig arbejdskraft bliver overflødig – men indholdet af arbejdet vil ændre sig.

Det ses allerede i dag særligt inden for softwareudvikling. Udviklere, der tidligere skrev kode selv, har nu behov for nye kompetencer. I stedet for at skrive koden skal de nu overvåge og evaluere AI-generet kode. Fokus flytter sig altså fra produktion til styring og kvalitetssikring.

Kvalitetssikring er ekstremt kompleks

Der følger også en række risici og udfordringer med agentisk AI. En af dem er såkaldte hallucinationer, hvor AI-agenter leverer output, der fremstår overbevisende – men som i realiteten er helt forkerte.

Der opstår også særlige risici, når AI-agenter interagerer direkte med kunder. Hvis agentens tone eller formuleringer ikke er kontrolleret ordentligt, kan den fremstå uforskammet og potentielt skade virksomhedens brand. Derfor er det afgørende at arbejde med kvalitetssikring.

Det kunne virke oplagt at overvåge og evaluere agenternes output med AI. Men det er ikke just en god idé. For som det påpeges, er det problematisk at lade AI-agenter overvåge andre AI-agenter. I praksis betyder det, at man bruger ét system, man ikke stoler 100 pct. på, til at kontrollere et andet system, man heller ikke stoler 100 pct. på.

Konklusionen er derfor, at evaluering af kvalitet og output fra agentiske AI-systemer er ekstremt kompleks. Det kræver en kombination af tekniske løsninger, klare governancestrukturer og fortsat menneskelig involvering.

MAL