AI-agenter som fungerar i produktion
En agent är ett program med en loop, inte en anställd. Den svåra delen är inte att få modellen att anropa ett verktyg. Det är att få den att sluta i tid, göra rätt när något går fel och lämna spår efter sig.
Vad en agent faktiskt är
En agent är ett program som får ett mål, väljer ett verktyg, läser svaret och fortsätter tills målet är nått eller en gräns slår till. Modellen är en del av programmet. Den är inte programmet.
Det betyder att vanlig mjukvaruutveckling gäller. Du behöver en tydlig uppgift, en ägare, ett sätt att se vad som hände och ett sätt att stoppa den. En agent som inte går att stoppa är inte en produkt.
Börja med ett smalt jobb
Jag börjar hellre med ett jobb som en person gör i tio minuter varje dag än med en agent som ska sköta hela kundtjänsten. Ett smalt jobb går att mäta, testa och förbättra. Ett brett jobb går bara att prata om.
Ett bra första jobb har ett tydligt svar, ett litet antal system och ett naturligt slut. Exempel: sortera inkommande mejl i tre kategorier, hämta orderstatus och föreslå ett svar, eller sammanställa en veckorapport från två system.
Sätt gränser innan du sätter fart
En agent behöver gränser som är enkla att förklara för en människa. Hur många steg får den ta? Vilka verktyg får den använda? Vilka handlingar kräver godkännande? Vad händer om ett verktyg svarar med fel?
Jag sätter alltid ett max antal steg, en tidsgräns och en lista över tillåtna verktyg. Skrivande steg kräver godkännande eller en idempotensnyckel. Om agenten inte kan lösa uppgiften ska den lämna över, inte försöka igen i evighet.
- Max antal steg och en hård tidsgräns.
- En lista över verktyg, med läs- och skrivverktyg åtskilda.
- Godkännande för betalningar, mejl, bokningar och raderingar.
- Ett tydligt läge för “jag vet inte” som går till en människa.
Logga varje steg, inte bara slutet
När en agent gör fel är det sällan sista svaret som är problemet. Det är steget innan: fel verktyg, fel parameter eller ett verktygssvar som missförstods. Logga därför varje steg med ett spårnings-id, verktygets namn, en maskad indata och resultatets status.
Logga också kostnaden och tiden per steg. En agent som tar tolv anrop där tre räcker är dyr även om svaret är rätt. Siffrorna gör det lättare att välja mellan en bättre prompt, ett bättre verktyg och en enklare lösning.
Utvärdera med riktiga fall
En demo med tre exempel säger nästan ingenting. Samla i stället 30–50 riktiga fall från verksamheten, med det svar en erfaren person skulle ge. Kör agenten på dem varje gång du byter modell, prompt eller verktyg.
Mät inte bara om svaret är rätt. Mät om agenten valde rätt verktyg, om den frågade när den borde och om den slutade i tid. De sakerna avgör om den går att lita på i vardagen.
När du inte ska bygga en agent
Om flödet är känt och görs likadant varje gång är vanlig automation bättre. Om svaret måste vara exakt är en databasfråga bättre. Om en människa ändå ska granska varje steg är det ofta gränssnittet, inte agenten, som behöver bli bättre.
En agent är rätt när uppgiften kräver omdöme, när antalet vägar är stort och när ett fel går att upptäcka eller ångra. Annars bygger du något dyrare än problemet.
Tjänster som hör hit
Läs vidare
Frågor och svar
Vad kostar en AI-agent att bygga?
Det beror på antalet system och hur mycket som ska godkännas av en människa. Ett smalt första flöde brukar gå att bygga på några veckor. Ett brett system med många integrationer tar längre tid och kräver mer test.
Kan agenten använda våra befintliga system?
Ja, om systemen har ett API eller en export som går att läsa. Saknas det bygger vi en kontrollerad väg in, hellre än att agenten får fri tillgång till databasen.
Hur vet vi att agenten inte gör något dumt?
Genom att begränsa verktygen, kräva godkännande för skrivande steg och logga varje anrop. Vi testar också mot riktiga fall och har en enkel väg att stänga av flödet.