Hvad er AI Agenter i Praksis?

Skrevet af

Valde Sandberg Christensen

Tilbage til inspirationssiden

Mange behandler deres første AI-agent som et stykke software, man installerer.  

AI-agent.exe – install – næste, næste – færdig. 

Det giver god mening, når nu AI-agenter vitterligt er et stykke software. Men for mange AI-agenter er der efterhånden mange ting, der mere minder om medarbejdere. Det er i virkeligheden frugtbart at dykke lidt mere ned i leder-værktøjskassen.

Roller/ansvar – kompetencer – værktøjer – ressourcer – alignment – ledelse, ledelse og ledelse. 

Potentialet er virkelig stort. Hos os arbejder vi med ERP og med finansdata, der skal stemme på øren og som løber igennem systemet med hundrede tusindvis af kroner i timen. Det ligger i sagens natur, at vi går forsigtigt til værks og er bevidst åbne om hvad vi ved, og ikke ved endnu. Nogle ting står dog allerede klart og dem deler jeg nedenfor. 

Hvad en AI-agent egentlig er

Den er først og fremmest ikke et menneske. Som software er nogle af dens særpræg dog alligevel sært menneskelige. Måske er det derfor vi forstår agenter nemmere i relation til mennesker.  

Som selvstændige tænkere er selv de bedste modeller stadig noget bag menneskerne. Jeg plejer at sige at på de fleste områder (kodning er en bemærkelsesværdig undtagelse, mere om det i et andet blogindlæg) ræsonnerer agenter på niveau med en dygtig anden-års studentermedhjælper. De skal ledes, og de skal ledes ret meget.  
 
I den sammenhæng er det heldigt at de er meget nemme at lede – selv store arbjeder kan foretages på få minutter. Og så har de en bogstavelig superkraft, som slår alle studentermedhjælpere jeg har mødt. De bedste agenter læser omtrent 1800 siders (en halv million ord) information på et par sekunder. Og den kan godt lave bevidst informationssøgning undervejs. Det gør dem særligt velegnede til opgaver, hvor det er en fordel at overskue store mængder information samtidig. I vores kontekst er det på niveau med den paratviden en BC-konsulent med et par år på bagen har – bare at det er for alle vidensbaser i verden.   

En agent er samtidig en sandsynlighedsberegner. Den er trænet til at finde det mest sandsynlige næste ord givet de 100.000 foregående, og den opfinder gerne sine egne strukturer. Derfor egner den sig dårligt til opgaver, hvor svaret skal være særligt ens og præcist hver gang. Vi kan tvinge svarene ind i faste rammer, men det kræver overvågning og vedligehold at holde dem der. I praksis kombinerer vi det deterministiske, altså almindelig konventionel it som databaseopslag og regler, med de ikke-deterministiske dele. Det giver mere stabile resultater. 

Pareto reglen på speed 

Hos os har vi tit sagt til os selv og vores kunder, at det tager 20% af tiden at opnå 80% af resultatet. Underforstået at man i mange it-løsninger ikke kan fravælge de sidste 20%. Med AI oplever vi at vi for de opgaver, hvor vi har trænede modeller og specificerede fremgangsmåder er tættere på at opnå 80% af resultatet med 1% af arbejdet.  

Det lyder abstrakt, men konsekvensen er konkret: agenter er meget stærke i de situationer, hvor 80% nu er bedre end 100% om en uge. Jeg behøver for eksempel kun 80% af en dygtig Business Central-konsulent for at besvare de fleste spørgsmål en superbruger får. De sidste 20 procent, de svære sager, kræver stadig mennesket. Men de mange enkle gentagelser kan løftes med en brøkdel af indsatsen. 

Et konkret eksempel: Superbrugeragenten 

Vi har lavet en superbrugeragent for nylig. Den hjælper medarbejdere med at finde svar i procesbeskrivelser og systemvejledninger, så de ikke skal vente på en kollega eller lede i en mappe, ingen har åbnet i to år. 

Det kræver overblik over et stort fagområde at overskue alle kundens processer og samtidig al funktionaliteten i Business Central. Det er agenter gode til. Samtidig er tilgængelighed den væsentligste faktor ved en superbruger – 80% af værdien lige nu er i langt de fleste tilfælde bedre end 100% en gang over middag. Den del er agenter også gode til. Det svære var, at få agenten til at genkende, når den ikke kendte svaret og henvise til et menneske. Det er agenter ikke gode til. Men det er vi heldigvis.  

Business Central understøtter allerede AI på en række områder, blandt andet marketingtekster, bankafstemning, chat med data og oprettelse af salgslinjer. Microsoft peger samtidig på mere selvstændige scenarier som Sales Agent og Payables Agent. Vi tester i øjeblikket, hvordan Payables Agent klarer sig mod den mere etablerede AI i Continias Document Capture. Vi har ikke konklusionen endnu, og vi melder ud, når vi har den. 

Superbrugeragenten er kun det første trin. Den største værdi, vi indtil videre ser, ligger i at forstå kundernes løsninger hurtigere: analysere data, kode, telemetri og processer på en helt anden skala end før. Det bliver emnet for de næste indlæg i serien.