AI-agenter i praksis: tre nivåer, og hvorfor du bør starte på det enkleste

Alle snakker om AI-agenter, men ordet brukes om alt fra en chatbot til et system som jobber helt på egen hånd. Her er hva det betyr i praksis, med eksempler fra agentene jeg bruker og har bygget, og hvorfor de fleste mindre bedrifter bør starte på det enkleste nivået.

Hva en AI-agent er

En AI-agent, eller KI-agent, er en AI-modell som får et mål og noen verktøy, og som selv bestemmer hvilke steg som trengs. Den henter data, gjør noe, ser på resultatet og prøver igjen til oppgaven er løst. Det er forskjellen fra vanlig automatisering, der du bestemmer alle stegene på forhånd.

Verktøyene kobles som regel til med MCP (Model Context Protocol), en åpen standard som lar AI-en lese fra og jobbe i andre systemer: oppgavetavla, kundesupporten, designverktøyet eller CRM-et.

Nivå 1: En assistent med koblinger

Du spør, og assistenten henter det den trenger fra systemene deres. Den gjør ingenting på egen hånd, men du slipper å kopiere inn alt selv.

Slik bruker jeg det i utviklingsarbeidet hver dag. Claude henter bugs, forbedringer og status fra oppgavetavla i Notion, ser og tolker designet fra designeren i Figma, og leser kundesamtaler og tidligere henvendelser i Intercom. Når noe skal testes, bruker den Playwright og Claude i nettleseren til å klikke seg gjennom løsningen.

For en mindre bedrift betyr nivå 1 et bedriftsabonnement på et AI-verktøy, koblet til e-post, dokumenter og de systemene dere bruker. Det krever ingen utvikling. Det krever at noen velger riktige koblinger, gir riktige tilganger og lærer de ansatte å bruke det.

Nivå 2: En agent som gjør en fast jobb selv

Agenten starter av seg selv, på en tidsplan, og gjør én avgrenset jobb. Et menneske godkjenner resultatet. Jeg har bygget to slike for Unlisted. Begge kjører i Anthropics sky (Claude Managed Agents), så det trengs ingen egen server.

Svarutkast i kundesupporten. Agenten sjekker Intercom hvert femte minutt i arbeidstiden og hver halvtime ellers. Når en kunde har skrevet og ikke fått svar, leser den samtalen, kundens historikk det siste året, supportens playbook og hjelpeartiklene. Så legger den inn et forslag til svar som internt notat, på kundens språk og i teamets stil. Den sender aldri noe til kunden. Forslaget ligger klart for supporten, som bestemmer hva som sendes. Agenten leser bare innboksen. Den har ikke tilgang til databasen og kan ikke gjøre endringer som påvirker kunder eller kundedata.

Bugfiks fra oppgavetavla. Hver time på hverdager ser agenten etter nye, ferdig beskrevne bugs på tavla i Notion. For hver bug finner den årsaken i koden, lager en rettelse på en egen gren, bygger og tester den, og lager et utkast til pull request i Azure DevOps. Til slutt skriver den en enkel forklaring på kortet, med lenker og hva som er endret, og flytter kortet til test. Pull requesten er et utkast, og kortet går til test, så ingenting slippes uten at et menneske har sett på det.

Begge agentene er i testfase nå. Jeg oppdaterer artikkelen med resultatene når testingen er ferdig.

Nivå 3: AI bygget inn i produktet

Her blir AI en del av det kundene deres bruker. Hos Unlisted har jeg bygget inn AI-chat og AI-drevet onboarding, der kundene laster opp dokumenter som AI-en leser og tolker. Jeg har også laget egne MCP-servere for plattformen, én for vanlige brukere og én for administratorer, slik at AI-assistenter kan hente data derfra. Begge kan bare lese, aldri endre.

Nivå 3 er et utviklingsprosjekt. Det kan gi mest, men det koster også mest, og det bør bygge på det dere har lært på nivå 1 og 2.

De tre nivåene samlet

Hvorfor du bør starte på nivå 1

• Det er billig og trygt. Assistenten gjør ingenting uten at noen ber om det.
• Dere lærer hva som virker. Hvilke oppgaver AI gjør godt hos dere, og hvilke regler den trenger. Det er nettopp det som blir instruksjonene til en agent senere.
• Dere ser om folk bruker det. En agent ingen stoler på, blir slått av.

Gå videre til nivå 2 når dere har én oppgave som går igjen mange ganger i uken, og som dere vet at AI gjør godt nok når et menneske godkjenner resultatet.

Seks regler for trygge agenter

Dette er reglene jeg bygger agentene mine etter:

1. Forslag, ikke handlinger. Agenten lager utkast: et svar, en pull request. Et menneske sender, godkjenner og slipper.
2. Innsyn, ikke makt. Gi lesetilgang først. MCP-serverne mine for Unlisted kan bare lese, aldri endre. Agenten i kundesupporten leser innboksen, men har ingen tilgang til databasen og kan ikke endre noe som påvirker kundene.
3. Nøkler i et hvelv. Tilgangsnøkler lagres i et eget hvelv (vault), aldri i instruksjonene.
4. Instruksjonene i versjonskontroll. Regler, playbook og tidsplaner ligger i et eget repo, slik at endringer kan spores og rulles tilbake som all annen kode.
5. Riktig modell til riktig jobb. En billig modell til å sjekke, en kraftig til å tenke.
6. Gode oppgaver inn. Bugfiks-agenten tar bare kort som er ferdig beskrevet. En agent blir aldri bedre enn oppgaven den får.

Reglene for agentene bygger på de samme prinsippene som en AI-policy for de ansatte: hvilke data som kan brukes, hvilke verktøy som er godkjent, og hvem som har ansvaret.

Hva det koster

• Nivå 1: et bedriftsabonnement per bruker, pluss noen timer med oppsett og opplæring.
• Nivå 2: oppsett, og deretter betaling per kjøring. Det er derfor modellvalget betyr så mye.
• Nivå 3: et utviklingsprosjekt, fra noen uker til flere måneder.

Se også hva en AI-konsulent koster og hva AI kan brukes til i en mindre bedrift. Vet dere ikke hvilket nivå som passer, er det nettopp det kartleggingen finner ut.