AI-agenter er resultatet af en lang udvikling fra tidlige ideer om maskinel intelligens til systemer, der kan planlægge, bruge værktøjer og handle inden for afgrænsede rammer. Historien viser, at moderne agentteknologi bygger på symbolsk AI, læring, sprogmodeller og nye krav til kontrol.
AI-agenter bygger på en lang teknisk udvikling fra symbolsk problemløsning og planlægning til sprogmodeller, værktøjsbrug og kontrolleret autonomi. Overblikket forklarer de vigtigste historiske lag, hvad der adskiller agenter fra chatbots, og hvilke kontrolpunkter der afgør, om agentteknologi kan bruges ansvarligt i praksis.
Hvad menes der med en AI-agent?
En AI-agent er et system, der ikke kun producerer et svar, men forsøger at nå et mål gennem observation, vurdering, handling og feedback. I en enkel version kan agenten vælge næste trin i en opgave. I en mere avanceret version kan den bruge eksterne værktøjer, hente data, kalde et API, skrive kode, planlægge delopgaver eller koordinere med andre agenter.
Begrebet hænger tæt sammen med kunstig intelligens, men det er ikke identisk med AI i bred forstand. En billedmodel, en klassifikationsmodel eller en almindelig chatbot kan være AI uden at være en egentlig agent. Agentbegrebet handler især om målrettet adfærd over tid.
En praktisk afgrænsning er at se efter fire forhold: systemet har et mål, det kan vælge mellem flere handlinger, det kan reagere på resultaterne af egne handlinger, og det arbejder med en vis grad af selvstændighed. Selvstændigheden er altid relativ. En god agent er ikke nødvendigvis fri til at gøre alt, men den er designet til at handle inden for klart definerede grænser.
Hvor begynder ideen om maskiner, der kan handle intelligent?
Ideen om AI-agenter begynder før selve ordet agent blev almindeligt i datalogi. Alan Turing formulerede i 1950 spørgsmålet om maskiners intelligens som et spørgsmål om observerbar adfærd i Computing Machinery and Intelligence. Det var ikke en agentarkitektur, men det flyttede diskussionen fra indre bevidsthed til, hvad et system kan gøre i en interaktion.
Den tidlige AI-forskning var optaget af, om maskiner kunne bruge regler, symboler og søgning til at løse opgaver, der normalt krævede menneskelig tænkning. Det omfattede spil, logiske beviser, sprog og planlægning. Her ligger et tidligt spor til agenttanken: et intelligent system skulle kunne forbinde mål, viden og handlinger.
Det afgørende skifte var ikke blot, at computere kunne beregne hurtigere end mennesker. Det var, at forskere begyndte at behandle tænkning som noget, der kunne modelleres gennem repræsentationer, regler og beslutningsprocesser. Senere blev denne tanke både kritiseret, udvidet og kombineret med læring fra data.
Hvordan satte Dartmouth-projektet retningen i 1950’erne?
Det klassiske startpunkt for AI som forskningsfelt er Dartmouth-forslaget fra 1955 og sommerprojektet i 1956. Forslaget om Dartmouth Summer Research Project on Artificial Intelligence samlede ideer om maskiners brug af sprog, abstraktion, problemløsning og mulig selvforbedring.
Forslaget er interessant for AI-agenter, fordi det ikke kun handlede om at få en maskine til at give et korrekt svar. Det beskrev en bredere ambition: maskiner skulle kunne bruge sprog, danne begreber, løse opgaver og forbedre deres egne metoder. Det ligner flere af de spørgsmål, moderne agentudviklere stadig arbejder med.
Dartmouth gjorde ikke nutidens AI-agenter mulige i teknisk forstand. Datakraft, data, softwaremiljøer og læringsmetoder var meget begrænsede. Alligevel satte projektet en dagsorden, hvor intelligens blev forstået som en kombination af repræsentation, problemløsning og handling. Den dagsorden går igen i både klassisk planlægning og moderne sprogmodelbaserede agenter.
Hvorfor blev symbolske systemer og planlægning centrale?
I de første årtier efter Dartmouth var symbolsk AI dominerende. Systemer blev bygget med regler, logiske repræsentationer, søgning i mulige løsninger og planlægningsmetoder. Et system kunne for eksempel beskrive en målsituation, undersøge hvilke handlinger der kunne føre dertil, og vælge en sekvens af trin.
Det var et vigtigt skridt mod agentadfærd, fordi planlægning gjorde systemet handlingsorienteret. I stedet for kun at genkende et mønster skulle systemet beregne, hvad det skulle gøre næste gang. Tidlige planlæggere arbejdede dog ofte i stærkt forenklede miljøer, hvor reglerne var kendte, og hvor verden ikke ændrede sig uventet.
Den symbolske tradition gav et varigt bidrag: tydelige tilstande, mål, delmål, handlinger og begrundelser. Den viste også en begrænsning. Når virkelige miljøer er uklare, støjfyldte eller åbne, bliver faste regler hurtigt skrøbelige. Moderne AI-agenter arver derfor både styrken og svagheden fra den symbolske periode.
Hvad ændrede ekspert-systemer og multiagentforskning?
Ekspert-systemer i 1970’erne og 1980’erne viste, at regelbaserede systemer kunne have praktisk værdi i afgrænsede domæner. De var ofte gode til at anvende ekspertviden i en bestemt rækkefølge, men de var sjældent autonome i moderne forstand. De reagerede typisk på input frem for at forfølge mål i et skiftende miljø.
I 1990’erne blev agentbegrebet mere selvstændigt i forskningen. Michael Wooldridge og Nicholas Jennings beskrev i Intelligent agents: theory and practice centrale egenskaber som autonomi, reaktivitet, proaktivitet og social evne. Det flyttede fokus fra enkeltstående regelmotorer til systemer, der kunne indgå i miljøer og samarbejde med andre systemer.
Multiagentforskning gjorde det klart, at en agent ikke kun skal tænke på sin egen opgave. Den kan skulle koordinere, forhandle, dele information eller undgå konflikt med andre agenter. Den vinkel er igen relevant i dag, hvor flere AI-systemer kan arbejde sammen i et workflow, men hvor ansvar og kontrol stadig skal være tydeligt placeret.
Hvordan bidrog reinforcement learning til agentbegrebet?
Reinforcement learning gav agentbegrebet en anden teknisk kerne: et system kan lære gennem handlinger, belønninger og konsekvenser. Agenten vælger en handling i et miljø, får feedback og justerer sin strategi. Det gjorde agenttænkningen mere dynamisk end faste regelbaserede systemer.
I reinforcement learning er agenten ofte formelt defineret som den del af systemet, der handler i miljøet. Miljøet returnerer observationer og belønninger. Det er en præcis model, som har været vigtig i spil, robotik, kontrolsystemer og simuleringer.
Begrænsningen er, at læring gennem belønning kræver gode miljøer, gode målsignaler og mange forsøg. Det kan være effektivt i simulatorer, men vanskeligt i åbne organisatoriske arbejdsgange, hvor fejl kan have økonomiske, sikkerhedsmæssige eller etiske konsekvenser. Derfor kombineres moderne agentdesign ofte med afgrænsede værktøjer, regler, menneskelig godkendelse og testmiljøer.
Hvorfor blev sprogmodeller et nyt vendepunkt?
Store sprogmodeller ændrede agentudviklingen, fordi de kan bruge naturligt sprog som grænseflade mellem mål, viden, værktøjer og handlinger. Før skulle meget agentlogik beskrives i formelle regler eller specialiseret kode. Med sprogmodeller kan systemet i højere grad omsætte en instruktion til delopgaver, foreslå handlinger og forklare sin arbejdsproces.
Transformer-arkitekturen fra 2017, beskrevet i Attention is All You Need, blev et teknisk vendepunkt for moderne sprogmodeller. Den gjorde opmærksomhedsmekanismer centrale i behandlingen af sekvenser og blev et grundlag for mange senere modeller.
For AI-agenter betød sprogmodeller ikke, at alle gamle problemer forsvandt. De gjorde det lettere at formulere mål, forstå tekst, skrive mellemtrin og bruge værktøjer. Men de introducerede også nye usikkerheder: modellen kan formulere overbevisende fejl, misforstå kontekst eller handle ud fra et ufuldstændigt grundlag. Derfor er grounding af AI-modeller blevet et centralt kontrolpunkt.
Hvad gør moderne AI-agenter anderledes end chatbots?
En chatbot svarer typisk på brugerens næste besked. En moderne AI-agent kan derimod arbejde gennem flere trin for at nå et mål. Den kan analysere en opgave, vælge et værktøj, udføre en handling, læse resultatet, rette kursen og fortsætte. Forskellen ligger ikke kun i modellen, men i hele systemdesignet omkring den.
Forskning som ReAct: Synergizing Reasoning and Acting in Language Models viste en metode, hvor en sprogmodel skifter mellem ræsonnement og handling. Handlingerne kan for eksempel være opslag i en ekstern kilde eller interaktion med et miljø. Den type mønster er blevet et vigtigt referencepunkt for agentbaserede systemer.
En moderne agent består ofte af flere lag:
- En model, der fortolker mål og kontekst.
- En planlægningsdel, der opdeler opgaven i trin.
- Et værktøjslag, som giver adgang til søgning, databaser, dokumenter, kode eller andre systemer.
- En hukommelses- eller kontekstmekanisme, som bevarer relevante oplysninger over tid.
- Kontrolmekanismer, der begrænser rettigheder, logger handlinger og kræver godkendelse ved risikable trin.
Det er derfor upræcist at beskrive en agent som en chatbot med ekstra funktioner. Den centrale forskel er, at agenten er koblet til handling. Når systemet kan påvirke filer, data, kunder, kode, økonomi eller interne processer, ændrer kravene til design og ansvar sig markant.
Hvilke begrænsninger følger med agenters autonomi?
Autonomi gør AI-agenter nyttige, men den gør også fejl mere konkrete. En forkert anbefaling i en almindelig samtale kan rettes, før den bruges. En forkert agenthandling kan allerede have ændret en fil, sendt en besked, truffet et valg i et system eller startet en proces. Derfor bør autonomi behandles som en teknisk rettighed, ikke som en løs produktbeskrivelse.
De mest almindelige begrænsninger ligger i målforståelse, kontekst, værktøjsvalg og evaluering af egne resultater. En agent kan bryde en opgave ned på en måde, der virker logisk, men som ikke passer til organisationens faktiske regler. Den kan også overvurdere kvaliteten af et output, hvis den ikke har adgang til en pålidelig reference.
Et nyttigt kontrolspørgsmål er, hvad agenten må gøre uden menneskelig godkendelse. Lavrisikoopgaver kan være informationssøgning, kladdearbejde, sortering eller rapportudkast. Højere risiko opstår, når agenten kan sende eksterne beskeder, ændre produktionsdata, køre kode, give adgang til oplysninger eller træffe beslutninger, som påvirker personer.
Hvordan bør organisationer vurdere agentteknologi i praksis?
Organisationer bør begynde med opgaven, ikke med agentbetegnelsen. Hvis opgaven kun kræver et tekstsvar, kan en almindelig sprogmodel være tilstrækkelig. Hvis opgaven kræver gentagelige trin i et kendt system, kan klassisk workflow-automatisering være bedre. Hvis opgaven kræver fleksibel planlægning, datafortolkning og værktøjsbrug, kan en agent være relevant.
En enkel beslutningsrækkefølge kan se sådan ud:
- Definer målet i et sprog, der kan testes.
- Afgræns de datakilder og værktøjer, agenten må bruge.
- Beslut hvilke handlinger der kræver menneskelig godkendelse.
- Test agenten i et miljø, hvor fejl ikke rammer drift eller kunder.
- Log beslutninger, værktøjskald og ændringer, så forløbet kan efterprøves.
- Mål kvaliteten mod realistiske cases, ikke kun enkle demonstrationer.
Den praktiske læring fra AI-agenters historie er, at intelligens ikke ligger i et enkelt lag. Den ligger i samspillet mellem model, opgave, miljø, data, handlinger og kontrol. Derfor bør AI-governance indgå tidligt, især når en agent får adgang til systemer med forretningskritiske eller personfølsomme oplysninger.
Hvilken historisk linje kan man bruge som beslutningsmodel?
Historien kan bruges som en praktisk model for at forstå, hvilken type agent man egentlig står med. De tidlige symbolske systemer minder om agentens planlægningslag. Reinforcement learning minder om samspillet mellem handling og feedback. Multiagentforskning minder om koordinering. Sprogmodeller minder om fortolkning, formulering og værktøjsstyring.
| Historisk lag | Bidrag til agentdesign | Praktisk kontrolpunkt |
|---|---|---|
| Symbolsk AI | Mål, regler, tilstande og planlægning | Er regler og undtagelser tydelige nok? |
| Ekspert-systemer | Domæneviden og beslutningstræer | Er opgaven afgrænset nok til faste kriterier? |
| Multiagent-systemer | Koordinering mellem flere aktører | Hvem ejer ansvar, rettigheder og konflikter? |
| Reinforcement learning | Handling, feedback og optimering | Er belønningssignalet sikkert og realistisk? |
| Sprogmodeller | Fortolkning, delopgaver og værktøjsbrug | Er output forankret i data og efterprøvet? |
Tabellen viser, hvorfor det sjældent er nok at spørge, om en agent er avanceret. Det bedre spørgsmål er, hvilke historiske lag systemet trækker på, og hvor svaghederne ligger. En agent med stærk sproglig forståelse kan stadig mangle robust planlægning. En agent med stærke værktøjer kan stadig mangle sikre grænser.
Hvad betyder udviklingen for Danmark og EU?
For organisationer i Danmark og EU er AI-agenters udvikling især relevant, fordi teknologien flytter AI fra rådgivende output til aktiv procesdeltagelse. Det påvirker arbejdsgange i administration, kundeservice, analyse, softwareudvikling, undervisning og dokumenthåndtering. Jo mere agenten kan gøre, desto mere skal dens rettigheder, dataadgang og ansvar beskrives.
EU’s AI-regulering og almindelige krav til databeskyttelse ændrer ikke den historiske tekniske udvikling, men de gør den praktiske indførelse mere struktureret. Når et system kan handle med varierende autonomi og påvirke digitale eller fysiske miljøer, bliver dokumentation, menneskeligt tilsyn og risikovurdering en del af designopgaven.
Den nøgterne konklusion er, at AI-agenter ikke bør vurderes som magiske digitale medarbejdere. De bør vurderes som sammensatte AI-systemer med konkrete mål, værktøjer, begrænsninger og risici. Det gør historien nyttig: den viser, at fremskridt altid er kommet sammen med nye kontrolproblemer.
Hvilke kilder ligger til grund?
Artiklen bygger især på Turings tekst om maskinel intelligens, Dartmouth-forslaget fra 1955, Wooldridge og Jennings’ agentteori fra 1990’erne, Transformer-artiklen fra NeurIPS 2017 og ReAct-forskningen i sprogmodellers kombination af ræsonnement og handling.