Från AI-agenter till Agentic AI
AI-agenter är ett av de hetaste begreppen just nu inom generativ AI. Men vad betyder det egentligen när vi pratar om agentic AI? Vad är det som skiljer en vanlig AI-agent från en agentic? Och hur bygger man såna system i praktiken?
I den här artikeln reder vi ut begreppen, visar hur agentic AI fungerar – och hur du kommer igång med Microsofts plattformar och verktyg, både med low-code och pro-code.
Artikeln skriven av: Daniel Berg, Wizardworks
Vad är en AI-agent?
En AI-agent är en digital medhjälpare som använder en generativ språkmodell – till exempel GPT-4 via Azure OpenAI Service för att utföra uppgifter. Det kan handla om att besvara frågor, skapa innehåll, analysera data eller interagera med andra system.
I sin enklaste form är agenten reaktiv. Den svarar på det den blir tillfrågad, baserat på sin träningsdata. Den har ingen förståelse för aktuell information och kan inte agera utanför sin modell.
Från reaktiv till användbar: RAG och actions
För att en AI-agent ska bli praktiskt användbar behöver vi koppla på två viktiga komponenter:
Retrieval-Augmented Generation (RAG)
Med RAG kan agenten hämta aktuell information från externa källor – till exempel dokument i SharePoint Online, data i Dataverse eller strukturerad information i Azure AI Search. Genom att använda vektorbaserad semantisk sökning hittar agenten relevant innehåll baserat på mening, inte bara nyckelord. AI-agenten får då tillgång till mer information än bara den som den blivit tränad på – exempelvis interna bolagsdokument.
Actions
För att AI-agenten ska kunna göra något, behöver den kopplas till externa funktioner – till exempel via Azure Logic Apps, Power Automate, Azure Functions eller direkt via REST-API:er. Då kan den automatiskt uppdatera system, kalla på externa tjänster eller trigga interna arbetsflöden.
Tillsammans gör RAG och actions agenten både informerad och handlingskraftig – men det krävs mer för att den ska bli agentic.
Vad gör en AI-agent agentic?
Att vara agentic innebär att AI-agenten kan ta ett mål – och sedan själv planera hur det ska uppnås.
En agentic AI:
- Tar emot ett uppdrag (t.ex. “Skapa ett onboarding-paket till en nyanställd”)
- Planerar hur uppgiften ska lösas
- Hämtar in information, anropar funktioner, utför åtgärder
- Anpassar sig om något förändras
- Kan kalla in andra agenter för att lösa delar av uppgiften
Det är just den här förmågan till autonom målstyrning och resonerande planering som särskiljer en agentic AI.
Agenten kan triggas av en händelse – t.ex. en ny rad i en Excel Online-tabell, ett nytt formulärsvar via Microsoft Forms, eller ett inkommande mejl i Outlook 365 – och agera utan att en människa styr varje steg.
Multi-agent-system: ett team i molnet
I mer avancerade lösningar ser vi ofta flera AI-agenter som samarbetar – till exempel en lösning där:
- En agent hämtar data från Azure SQL Database
- En annan kallar på affärslogik via Azure Functions
- En tredje genererar output via Azure OpenAI Service
- En fjärde kontrollerar resultatet och skickar det vidare
Tillsammans bildar de ett multi-agent-system, där en övergripande orchestrator-agent håller ihop helheten och säkerställer att uppdraget genomförs korrekt. För att undvika oändliga iterationer behövs en termination strategy – t.ex. ett tak på antal försök, en tydlig utvärdering eller ett “nöjdhetsvillkor” i prompten.
Vad är agentic AI?
Här kommer vi till kärnan. En agentic AI är en AI-agent som agerar självständigt för att uppnå ett mål. Den:
- Får ett mål eller uppdrag
- Planerar hur det ska lösas
- Utför steg för steg-aktiviteter
- Kan hämta data, utföra actions och involvera andra agenter
- Justerar sin plan längs vägen
Autonomi är nyckelordet. Agenten triggas ofta av en händelse – till exempel en ny fil, ett visst klockslag, ett inkommande e-postmeddelande eller ett formulärsvar – och agerar därefter utan att en människa styr varje steg.
Bygg agentic AI med Microsoft – low-code och pro-code
Low-code: Copilot Studio
Microsoft Copilot Studio gör det möjligt att skapa autonoma AI-agenter utan att skriva kod. Det bygger på två nyckelkomponenter:
- Generativ orkestrering – låter agenten avgöra hur den ska lösa ett mål, inte bara vad den ska svara
- Triggers – startar agentens arbetsflöde vid specifika händelser, t.ex. en ny post i SharePoint, ett e-postmeddelande, eller en RSS-uppdatering
Du kan enkelt koppla på AI-modeller från Azure OpenAI och integrera mot befintliga Microsoft 365-tjänster.
Pro-code: Semantic Kernel
För mer komplexa lösningar använder vi Semantic Kernel, Microsofts open source-ramverk för AI-orkestrering i enterprise-miljöer. Det gör det möjligt att:
- Anropa olika AI-modeller via Azure OpenAI eller andra leverantörer
- Lagra och använda minne via Azure Cosmos DB eller vektorbaserade lagringar
- Kalla på funktioner, anropa andra agenter eller exekvera arbetsflöden
- Skapa multi-agent-samarbeten med tydlig kontroll
Semantic Kernel är tillgängligt i .NET, Python och Java – och har stöd för integration med övriga Azure-tjänster.
Avslutningsvis...
Agentic AI representerar nästa steg i intelligent automation. Istället för att bara svara på frågor kan agenten nu förstå ett mål, planera hur det ska uppnås och agera – helt autonomt.
Det öppnar upp för helt nya typer av lösningar – både inom interna processer och kundnära applikationer.
Söker du en AI-konsult?
Vi har fler tillgängliga AI-experter i vår marknadsplats!