AI-agenter og AI-workflows adskiller sig især ved, hvem der styrer næste trin. Et workflow følger en forudbestemt rækkefølge, mens en AI-agent kan vælge handlinger, bruge værktøjer og justere processen undervejs. Valget handler derfor om kontrol, fleksibilitet, risiko og hvor forudsigelig opgaven er.
AI-agenter adskiller sig fra AI-workflows ved, at agenten selv kan vælge næste handling, mens workflowet følger faste trin. Forskellen handler især om kontrol, fleksibilitet, dataadgang og risiko, når AI bruges til automatisering, analyse eller handlinger i interne systemer.
Hvad er den korte forskel?
Et AI-workflow er en planlagt arbejdsgang, hvor hvert trin normalt er defineret på forhånd. Systemet kan bruge en sprogmodel, et søgeværktøj, en database eller et internt system, men rækkefølgen og beslutningspunkterne er kodet eller konfigureret af mennesker.
En AI-agent er mere selvstyrende. Den får et mål, adgang til relevante værktøjer og et sæt rammer, men den kan selv vælge, hvilke trin den vil tage for at nå målet. Den kan for eksempel hente oplysninger, analysere et svar, vælge en ny handling, kontrollere resultatet og fortsætte, hvis opgaven ikke er løst.
Den praktiske forskel er ikke, om der bruges kunstig intelligens. Begge typer kan bruge samme model. Forskellen ligger i styringen: workflowet følger en fast rute, mens agenten bruger modellen som aktiv beslutningstager i processen.
Hvordan fungerer et AI-workflow i praksis?
Et AI-workflow kan beskrives som en kæde af kendte trin. Det kan begynde med en brugerinput, fortsætte med datarensning, sende en opgave til en model, kontrollere outputtet og gemme resultatet i et system. Hvis noget fejler, sendes processen typisk til et kendt fejlhåndteringstrin.
Den type løsning passer godt til opgaver, hvor organisationen allerede kender rækkefølgen. Et kundeservicesystem kan for eksempel klassificere en henvendelse, hente ordredata, foreslå et svar og sende sagen til en medarbejder, hvis svaret kræver godkendelse.
Workflowet kan godt være avanceret. Det kan indeholde flere modelkald, regelbaserede kontroller, godkendelser, datakilder og automatiserede handlinger. Det bliver stadig et workflow, hvis systemet ikke selv vælger en ny hovedstrategi, men følger de stier, der er designet på forhånd.
- Fordelen er forudsigelighed, fordi hvert trin kan dokumenteres og testes.
- Ulempen er lavere fleksibilitet, fordi uventede situationer kræver nye regler eller nye grene.
- Den bedste brug er gentagne opgaver med kendte variationer og tydelige kvalitetskrav.
Hvordan fungerer en AI-agent i praksis?
En AI-agent arbejder i en løkke. Den vurderer målet, vælger en handling, bruger et værktøj, læser resultatet og beslutter næste skridt. Det kan fortsætte i flere runder, indtil opgaven er løst, en grænse er nået, eller et menneske skal tage stilling.
Agenten kan være enkel, for eksempel en model med adgang til søgning og et sagsstyringssystem. Den kan også være del af et større system med specialiserede underagenter, hvor én agent planlægger, en anden henter data, og en tredje kontrollerer output. Det ændrer ikke kerneideen: systemet bruger løbende feedback til at vælge næste handling.
Google Cloud beskriver agenters rolle, værktøjer, hukommelse og model som centrale dele af en agentarkitektur. I praksis betyder det, at agenten ikke kun skriver tekst, men kan handle i et miljø. Den kan bruge et API, søge i dokumenter, opdatere en sag eller kalde et beregningsværktøj, hvis den har fået adgang til det.
En agent bør derfor ikke forstås som en chatbot med et nyt navn. En chatbot kan svare i en samtale. En agent kan også få et mål, udføre flere handlinger og bruge resultaterne fra én handling til at vælge den næste.
Hvor går grænsen mellem workflow og agent?
Grænsen ligger i graden af beslutningsfrihed. Hvis modellen kun udfylder et trin i en fast proces, er løsningen et AI-workflow. Hvis modellen selv vælger rækkefølge, værktøj, delmål eller næste kontroltrin, bevæger løsningen sig mod en AI-agent.
Der findes mange blandingsformer. Et system kan for eksempel have et fast workflow omkring brugerrettigheder, datavalidering og godkendelse, men lade en agent vælge, hvilke dokumenter der skal undersøges for at besvare en kompleks sag. I sådan en løsning er workflowet rammen, mens agenten håndterer den del, der kræver fleksibel vurdering.
En praktisk tommelfingerregel er at spørge, om du kan tegne hele processen som et beslutningstræ, før opgaven starter. Hvis ja, er et workflow ofte nok. Hvis systemet først undervejs kan opdage, hvilke delopgaver der findes, peger det mod en agent.
| Område | AI-workflow | AI-agent |
|---|---|---|
| Styring | Faste trin og kendte beslutningspunkter | Dynamiske valg ud fra mål, værktøjer og feedback |
| Egnet opgave | Gentagne processer med tydelige regler | Åbne opgaver, hvor næste trin afhænger af fund undervejs |
| Kontrol | Lettere at teste, dokumentere og afgrænse | Kræver tydelige grænser, logging og stopbetingelser |
| Fejltype | Fejl opstår ofte i et kendt trin | Fejl kan sprede sig gennem flere selvvalgte handlinger |
Hvornår giver et workflow den bedste kontrol?
Et workflow er ofte den bedste løsning, når opgaven skal være stabil, gentagelig og let at forklare. Det gælder især processer, hvor der allerede findes faste regler: kategorisering af indkomne sager, berigelse af data, standardiseret rapportering, intern godkendelse eller udsendelse af ensartede beskeder.
Kontrol handler også om ændringer. Hvis en organisation skal kunne ændre ét trin uden at påvirke hele løsningen, giver et workflow en klar struktur. Du kan teste hvert led, måle fejlprocenter og sætte manuelle godkendelser ind på bestemte steder.
Workflowet er også velegnet, når outputtet skal kunne spores. En dataanalyseproces kan for eksempel adskille datakilder, beregning, modelvurdering og menneskelig godkendelse. Hvis resultatet senere skal forklares, er det lettere at se, hvor en fejl opstod.
Derfor kan et AI-workflow være mere moden teknologi end en agent i mange driftssituationer. Det lyder mindre fleksibelt, men det kan være netop den egenskab, der gør løsningen egnet til produktion.
Hvornår giver en AI-agent mere værdi?
En AI-agent giver mest værdi, når opgaven ikke kan beskrives som en fast rute. Det kan være research på tværs af mange kilder, fejlfinding i kode, planlægning af en kompleks opgave eller analyse af en sag, hvor systemet først efter de første fund ved, hvad næste relevante handling er.
Agenten er især relevant, når der er tre forhold på samme tid: opgaven har et klart mål, vejen til målet er ukendt, og der findes konkrete værktøjer, som agenten kan bruge til at kontrollere fremdrift. Uden værktøjer bliver agenten ofte bare en længere samtale. Uden mål bliver processen svær at stoppe og evaluere.
En agent kan også være nyttig, når der skal skiftes strategi undervejs. Hvis en søgning ikke finder dokumentet, kan agenten prøve en anden kilde. Hvis en test fejler, kan den læse fejlen og ændre sin løsning. Hvis en opgave kræver en ny underopgave, kan den dele arbejdet op.
Det betyder ikke, at agenten bør have fri adgang til alt. Jo mere autonomi systemet får, desto klarere skal værktøjer, rettigheder, datagrænser og menneskelige kontrolpunkter være.
Hvordan påvirker værktøjer og data forskellen?
Værktøjer afgør, hvad både workflows og agenter reelt kan gøre. En model uden adgang til systemer kan primært analysere, formulere og foreslå. En model med værktøjer kan hente dokumenter, slå op i databaser, oprette opgaver, kalde API’er eller kontrollere et resultat.
I et workflow er værktøjsbrugen normalt placeret i faste trin. Systemet ved på forhånd, hvornår det skal hente data, hvornår det skal kalde en model, og hvornår det skal gemme resultatet. I en agentløsning kan modellen selv vælge værktøj ud fra situationen, hvis den har fået lov til det.
Det gør værktøjsbeskrivelser og datagrænser centrale. Et værktøj bør have et tydeligt formål, klare inputfelter, forventede output og begrænsninger. Hvis værktøjerne er uklare, kan en agent vælge forkert, gentage handlinger eller misforstå et resultat.
Dataadgang bør også afgrænses. En agent, der skal analysere dokumenter, behøver ikke nødvendigvis adgang til at ændre kundedata. En agent, der må sende beskeder, bør normalt ikke kunne sende dem uden logning, begrundelse eller godkendelse. Det er her, retrieval augmented generation, rettighedsstyring og dokumenteret kontekst bliver praktiske dele af designet.
Hvilke risici opstår, når systemet får mere autonomi?
Autonomi flytter risikoen fra enkeltstående modeloutput til hele beslutningsforløbet. I et fast workflow kan en fejl ofte afgrænses til et bestemt trin. I en agentløsning kan en forkert vurdering føre til flere efterfølgende handlinger, som bygger på den samme fejl.
Risikoen handler ikke kun om forkerte svar. Den kan også handle om datalæk, utilsigtede handlinger, forkert brug af værktøjer, gentagne modelkald, høje omkostninger eller manglende forklaring af, hvorfor systemet valgte en bestemt vej. Agenters fleksibilitet kræver derfor mere driftskontrol end et simpelt modelkald.
En robust agentløsning bør have stopbetingelser, miljøfeedback, logning, adgangsbegrænsning og menneskelig kontrol ved handlinger med konsekvens. Det gælder især, hvis agenten kan ændre data, kontakte eksterne parter eller træffe beslutninger, som påvirker mennesker.
For sikkerhed er det nyttigt at skelne mellem modelrisiko og systemrisiko. Modelrisiko handler om hallucinationer, fejlvurderinger og uegnede svar. Systemrisiko handler om, hvad der sker, når en model får adgang til værktøjer, data og handlinger. Jo stærkere værktøjerne er, desto mere betyder systemdesignet.
Hvordan bør organisationer i Danmark vurdere løsningen?
Organisationer i Danmark bør begynde med opgavens karakter, ikke med teknologinavnet. Spørgsmålet er, om opgaven kræver fast proceskontrol eller fleksibel problemløsning. Hvis processen allerede er kendt, er et workflow ofte lettere at dokumentere. Hvis opgaven kræver løbende valg, kan en agent være relevant, men kun med klare rammer.
Databeskyttelse, adgangsstyring og ansvar bør vurderes tidligt. En intern løsning kan behandle følsomme oplysninger, forretningsdata eller borgerdata, og de samme praktiske spørgsmål går igen: Hvilke data må systemet se? Hvilke handlinger må det udføre? Hvem godkender output? Hvordan logges beslutninger?
EU AI Act giver en bred reguleringsramme for AI-systemer i EU, men den praktiske vurdering afhænger af formål, risikotype, rolle og anvendelsesområde. En agent i en intern skriveproces er noget andet end et system, der indgår i ansættelse, uddannelse, kredit, sundhed eller myndighedsudøvelse. Det er derfor mere præcist at lave en konkret AI-governance-vurdering end at kalde alle agentløsninger ens.
En enkel metode er at placere løsningen i tre lag: model, workflow og handling. Modellen producerer vurderinger. Workflowet styrer processen. Handlingen ændrer noget i verden eller i organisationens systemer. Jo længere løsningen går fra tekst til handling, desto stærkere bør kontrol og ansvar være.
Hvordan kan workflows og agenter kombineres?
Den stærkeste løsning er ofte ikke et valg mellem de to. Et workflow kan danne en sikker ramme, mens en agent håndterer de dele, der kræver fleksibilitet. Det giver mulighed for at styre adgang, godkendelse, logning og afslutning, samtidig med at agenten kan løse delopgaver, der ikke kan forudprogrammeres fuldt ud.
OpenAI beskriver blandt andet orchestration, handoffs og specialiserede agenter som designmønstre, hvor et system kan vælge, om en specialist skal overtage en del af samtalen, eller om en hovedagent skal bevare kontrollen og kalde specialister som afgrænsede værktøjer. Den sondring er nyttig, fordi den handler om ejerskab, ikke bare om antal agenter.
Et praktisk eksempel er en analyseopgave. Workflowet kan definere input, datakilder, rettigheder og slutformat. Agenten kan undersøge, hvilke dokumenter der er relevante, sammenligne fund og foreslå en konklusion. Workflowet kan derefter kræve en menneskelig godkendelse, før resultatet gemmes eller deles.
På samme måde kan dynamic workflows i Claude Code ses som et eksempel på, hvordan agentiske mønstre kan bruges til større arbejdsopgaver, hvor delopgaver kan opstå undervejs. Den generelle lære er, at fleksibilitet bør placeres dér, hvor den giver faglig værdi, mens resten bør holdes så kontrollerbart som muligt.
Hvilke kontrolpunkter bør du bruge før drift?
Før en AI-agent eller et AI-workflow bruges i drift, bør du teste mere end selve modellens svar. Du bør teste hele processen: input, datakilder, værktøjskald, fejltilfælde, godkendelser, logning, stopbetingelser og omkostninger. Det er den samlede arbejdsgang, der afgør, om løsningen er stabil.
- Definér målet: Hvilken opgave skal løses, og hvordan måles et korrekt resultat?
- Afgræns værktøjer: Hvilke systemer må løsningen læse fra, og hvilke må den ændre?
- Sæt stopbetingelser: Hvor mange trin, forsøg eller værktøjskald må systemet bruge?
- Indbyg godkendelse: Hvilke handlinger kræver et menneskes accept?
- Log beslutninger: Hvad skal kunne forklares efterfølgende?
- Test fejl: Hvad sker der ved manglende data, modstridende kilder eller uventede værktøjssvar?
Kontrolpunkterne er ikke kun relevante for store organisationer. Små teams kan også miste overblik, hvis en agent får adgang til flere systemer uden klare begrænsninger. En intern AI-politik kan gøre grænserne konkrete, så udviklere, medarbejdere og ledelse vurderer samme løsning ud fra samme krav.
Hvordan vælger du mellem workflow og agent?
Start med den simpleste løsning, der kan løse opgaven pålideligt. Hvis opgaven kan beskrives som faste trin, bør du normalt begynde med et workflow. Hvis workflowet bliver uoverskueligt, fordi systemet hele tiden skal håndtere nye delopgaver, kan en agentisk del give mening.
Et godt valg afhænger af fem spørgsmål: Er processen kendt? Skal systemet træffe nye valg undervejs? Er værktøjerne sikre og velbeskrevne? Kan fejl opdages hurtigt? Kræver handlingerne menneskelig godkendelse? Svarene siger mere end etiketten på teknologien.
Hvis opgaven er kundeservice med faste sagstyper, kan et workflow være nok. Hvis opgaven er at undersøge en kompleks sag med ukendte dokumenter og flere mulige veje, kan en agent være nyttig. Hvis opgaven både har faste krav og åbne delproblemer, kan en hybrid være den bedste arkitektur.
Det mest robuste design er ofte gradvist. Begynd med en fast proces, mål kvaliteten, tilføj mere fleksibilitet, hvor den dokumenteret forbedrer resultatet, og behold faste kontroller omkring handlinger med risiko. Planlagte AI-agenter viser netop, hvorfor autonomi først bliver praktisk interessant, når adgang, sikkerhed og ansvar er tænkt ind i systemet.
Hvilke kilder ligger til grund?
Skellet mellem workflows og agenter bygger især på Anthropic-artiklen Building effective agents, som beskriver forskellen mellem faste arbejdsgange og systemer, hvor modellen dynamisk styrer processen. Agentbegrebet er suppleret med Google Clouds forklaring af AI agents, OpenAIs dokumentation om orchestration and handoffs og EUR-Lex-teksten til Regulation (EU) 2024/1689.