Learn about agentic AI solutions Learn more about agentic AI solutions from SAS

AI-agenter

Hvad de er, og hvorfor de er vigtige

AI-agenter er systemer drevet af kunstig intelligens (AI), der udfører komplekse opgaver eller træffer informerede beslutninger med varierende menneskelig involvering. De overgår traditionelle chatbots og store sprogmodeller (LLM'er) ved at integrere data og avancerede analyseværktøjer for at være mere tilpasningsdygtige og i stand til at foretage komplekse ræsonnementer på tværs af brancher.

Traditionel AI til AI-agenter

AI-systemer har udviklet sig fra simple regelbaserede programmer til intelligente, adaptive modeller, der er i stand til at foretage komplekse ræsonnementer - og som forandrer den måde, software udvikles og implementeres på.

Tidlige AI-modeller, som ELIZA, brugte foruddefinerede scripts til at simulere samtaler. Disse regelbaserede agenter manglede tilpasningsevne.

Indførelsen af forstærkningslæring (RL) gjorde det muligt for AI at forbedre sig gennem erfaring og feedback. Et kendt eksempel er TD-Gammon – et backgammon-program, der anvendte forstærkningslæring til at lære af sine tidligere partier og gradvist forbedre sin spillealgoritme.

Maskinlæring og deep learning har bidraget til at gøre AI mere avanceret, så teknologien kan producere komplekse resultater, behandle store datamængder og automatisere arbejdsgange på tværs af brancher.

AI-agenter bliver stadig mere autonome og integreres med LLM'er for at forbedre beslutningstagningen, optimere processer og levere indsigt i realtid.

Why is agentic AI important?

Agentic AI helps organizations move from generating insights to acting. Unlike traditional AI systems that primarily predict, generate or recommend, agentic AI systems can reason about next steps, use tools and take actions across workflows with varying levels of human oversight. As organizations move beyond experimentation, their focus is on deploying AI that operates within a business context, adheres to governance standards and delivers measurable outcomes.

This distinction makes agentic AI especially relevant in today’s market:

The demand for automation and productivity. Organizations are under pressure to reduce costs, increase human productivity and scale operations quickly. Automation through AI agents is a powerful solution, capable of handling both repetitive and more complex functions.
Enhanced decision-making. Making informed decisions is crucial to staying competitive. AI agents help organizations analyze vast amounts of data, extract insights and make real-time decisions that can improve operational efficiency, customer experience and profitability.
Dynamic environments and adaptability. The pace of change in business environments requires systems that can quickly adapt. Agentic AI excels at operating in dynamic environments, adapting its plans and actions based on new information, feedback and changing conditions.

Agentic AI can improve productivity by automating multistep workflows, coordinating tasks and supporting faster decisions – enabling humans to focus on higher-value work.

Autonomy levels

Agent autonomy can be thought of along a spectrum, characterized by these levels:

Level 1: Human directed. Agents recommend or prepare actions while humans initiate or approve consequential actions.
Level 2: Human supervised. Agents execute defined tasks within established boundaries, with ongoing human oversight.
Level 3: Semiautonomous. Agents plan and execute multistep workflows independently within predefined guardrails, escalating exceptions or higher-risk decisions.
Level 4: Highly autonomous. Agents pursue goals and execute workflows with minimal human intervention, subject to predefined policies, controls and monitoring.

Of course, giving an agent full ownership can introduce risk. There are several factors to help determine the appropriate level of autonomy, including the level of risk, industry use and regulatory environment. In addition, these factors should be considered:

Ease of reversing agent decisions.
Impact/severity if the agent is wrong.
Sensitivity of the data involved.
Permissions and systems the agent can access.
Predictability and observability of the task.
Ability to detect failures.
Need for human judgment.
Financial, customer and safety consequences.

With inherent risk, it’s more important than ever to build AI systems with governance, particularly for highly regulated industries where transparency, accountability and human oversight are nonnegotiable. The most successful agentic AI systems will keep humans in the loop, combining human judgment with AI-driven speed and scale.

AI-agenter i nutidens verden d

AI-agenter former industrier ved at muliggøre automatisering, øge effektiviteten og forbedre kundeinteraktioner. Udforsk flere ressourcer:

AI-agenterne er kommet, men hvor autonome skal de være?

Et kig på balancen mellem AI-autonomi og menneskeligt tilsyn.

Læs blogindlægget Read blog posts on a variety of AI agent topics

Kontrol af AI-agenter: Den nye grænse for pålidelig AI

Udforskning af de rammer, der er nødvendige for at sikre, at AI-agenter agerer etisk og pålideligt.

Læs blogindlægget Blog about AI governance

At forstå komponenterne i en AI-agent: En livscyklus i fem trin

Nedbrydning af de vigtigste faser i udviklingen og implementeringen af AI-agenter.

Læs blogindlægget 5 step lifecycle of AI agent

Hvorfor beslutningsintelligens betyder mere i AI-agenternes tidsalder

Undersøgelse af, hvordan AI-drevet beslutningstagning forbedrer forretningsresultater og strategisk planlægning.

Læs blogindlægget Learn what AI anxiety is and how you can manage it

Agentisk AI forklaret

Hvad er agentisk AI? Som en førende trend inden for teknologi er der mange, der spekulerer på, hvad det er, og hvordan det vil påvirke erhvervslivet. Flere faktorer gør agentisk AI særligt relevant i dag - herunder behovet for automatisering, bedre beslutningstagning og større produktivitet. Der er dog risici og bekymringer ved autonom AI, som sætter fokus på ansvarlig AI. Hør Marinela Profi fortælle om agentisk AI, brugssituationer i den virkelige verden samt fordele og risici.

Hvem bruger AI-agenter?

AI-agenter revolutionerer flere brancher ved at forbedre effektivitet, beslutningstagning og kundeoplevelser..

Banksektoren

Registrering af svindel, risikovurdering og automatisering af kundeservice sørger for sikre transaktioner og bedre brugeroplevelser.

AI-løsninger til banksektoren Learn about AI in banking solutions from SAS

Sundhedssektoren

Analyse af medicinske data, hjælp til diagnosticering og automatisering af administrative opgaver, så udbydere kan fokusere på patientresultater.

AI-løsninger til sundhedssektoren Learn about AI in health care solutions from SAS

Forsikringsbranchen

Automatisering af skadesbehandling, afsløring af svindel og personlig tilpasning af forsikringsanbefalinger reducerer den manuelle indsats og forbedrer kundetilfredsheden.

AI-løsninger til forsikringsbranchen Learn about AI in insurance solutions from SAS

Den offentlige sektor

Forbedring af offentlige tjenester, bedre cybersikkerhed og automatisering af rutineopgaver for større effektivitet.

AI-løsninger til den offentlige sektor Learn about AI in public sector solutions from SAS

AI-agenter opererer inden for et spektrum af beslutningstagning - fra helt autonome handlinger til menneskestyret tilsyn. Nøglen er at afbalancere kompleksitet, hastighed og determinisme for at sikre, at AI leverer de rigtige resultater på det rigtige tidspunkt." Bryan Harris Chief Technology Officer SAS

AI i aktion: Driver forretningssucces

Se, hvordan AI-drevet automatisering transformerer kundeservice og forretningsgange for Georgia-Pacific. Georgia Pacific customer page

Sådan fungerer AI-agenter

AI-agenter er ikke en one-size-fits-all-løsning. I stedet opererer de inden for et spektrum af autonomi, der spænder over to forskellige beslutningssløjfer:

Mennesket ude af loopet. Fungerer autonomt og træffer beslutninger i realtid uden menneskelig indblanding.
Mennesket i loopet. Inddrager menneskeligt tilsyn efter behov og hjælper, men erstatter ikke helt den menneskelige beslutningstagning.

Hver af disse beslutningssløjfer kommer med vigtige overvejelser, herunder:

Problemets kompleksitet. Problemer med lavere kompleksitet håndteres ofte bedst autonomt, mens udfordringer med højere kompleksitet ofte har gavn af menneskeligt tilsyn.
Determinisme. Systemer, der fungerer uafhængigt, skal levere ensartede, repeterbare resultater. De systemer, der arbejder sammen med mennesker, kan give mulighed for mere udforskende eller adaptive resultater.
Hurtig beslutningstagning. Brug i realtid kræver reaktioner på millisekundniveau, mens nuancerede scenarier kan give mere tid til analyse.
Nøjagtighed og kontrol. Automatiseringsniveauet varierer afhængigt af den nødvendige nøjagtighed og behovet for lovgivningsmæssigt tilsyn i brancher som bank, forsikring og sundhedspleje.

What is AI agent governance?

AI agent governance is the set of policies, controls and oversight practices that guide how autonomous AI systems are designed, deployed, monitored and improved. Governance is critical for AI agents because autonomous systems can recommend actions, initiate workflows and affect business outcomes.

AI agent governance ensures AI agents operate ethically, legally and transparently. Effective governance requires AI systems to be accountable, explainable and auditable while remaining under appropriate human control. Some of the key governance pillars include:

Human-in-the-loop oversight.
Explainability and traceability.
Auditability and lineage.
Testing and evaluation.
Ethical and bias auditing.
Regulatory and business safeguards.
Identity and access management.
Tool and action permissions.
Human interaction and escalation.

These measures help organizations mitigate risks related to discrimination, financial losses, misinformation and cybersecurity threats. AI governance should be a standard business discipline, much like cybersecurity and data privacy governance are today. Because agents can access data, invoke tools and take actions, agent security must extend beyond protecting the model itself to securing the entire agentic system.

Emerging regulations, industry standards and dedicated AI governance boards will help organizations deploy autonomous systems responsibly. Rather than slowing innovation, governance will enable organizations to build safer, smarter and more trustworthy AI agents that can deliver business value while maintaining trust.

The risks of improper governance

An AI agent is more than a language model. An enterprise agent typically combines a model with instructions, business context, memory or retrieved knowledge, tools and APIs, orchestration and governance controls. These components allow the agent to reason about a goal and take actions within defined boundaries.

Without proper governance, AI agents could become a liability. Here are a few unwanted outcomes:

Decision risk. Agents may make inaccurate, biased or inappropriate decisions.
Operational risk. Agents may execute incorrect actions, trigger cascading workflows or cause unintended business consequences.
Security and privacy risk. Agents with access to tools, credentials and sensitive data can create new attack surfaces, including prompt injection, unauthorized tool use and data leakage.
Compliance and legal risk. Agent behavior may violate regulations, organizational policies or contractual obligations.
Reputational risk. Incorrect or inappropriate agent-generated communications or actions can damage customer trust and brand reputation.

AI governance works best when it’s treated as a strategic advantage, not a burden. It’s a living system that evolves in relation to technologies, organizations and the world around it.

AI-agenter i praksis

AI-agenter fungerer ved hjælp af fem nøglekomponenter: Perception, kognition, beslutningstagning, handling og læring.

1. Opfattelse: Indsamling af data

En AI-agents fundament er dens evne til at opfatte verden ved at indsamle data fra sensorer, input og databaser. Kvaliteten og bredden af disse data er afgørende - nøjagtige, relevante oplysninger giver mulighed for bedre beslutninger, mens ufuldstændige data kan føre til fejl. Opfattelsen sætter scenen for alle efterfølgende handlinger.
2. Cognition: Analyzing information

Når AI-agenten har indsamlet data, behandler og fortolker den dem i erkendelsesfasen. Her identificerer agenten mønstre, opdager tendenser og udleder indsigter ved hjælp af analytics, machine learning, linguistic rules, inference og LLMs.
3. Beslutningstagning: Fastlæggelse af den bedste handling

I beslutningsfasen fastsætter en AI-agent den bedste fremgangsmåde på baggrund af sin analyse og de betingelser, der stilles til agenten. Agenten vælger den mest effektive reaktion, ligesom vi træffer valg ved hjælp af tilgængelig information. En veldefineret beslutningsramme er afgørende, da dårlige beslutninger kan have økonomiske, driftsmæssige eller imagemæssige konsekvenser.
4. Handling: Gennemførelse af beslutningen

Når AI-agenten har truffet en beslutning, omsætter den valget til handling. Det kan betyde at udføre en opgave, anbefale en løsning eller udløse et svar i et andet system. Og den handling er ikke altid virtuel - det kan være at sende en e-mail eller omdirigere en produktionslinje til en backup-sti, fordi der er identificeret et sandsynligt behov for vedligeholdelse. Det er her, man går fra at tænke til at gøre og omsætter indsigter til resultater i den virkelige verden.
5. Læring: Forbedring over tid

I modsætning til traditionelle systemer, der har brug for manuelle opdateringer, forbedrer AI-agenter sig over tid ved at analysere resultaterne af deres handlinger. Hvis en beslutning virker, forstærker agenten den tilgang; hvis den mislykkes, justerer den sig. Denne evne til at tilpasse sig gør AI-agenter smartere, mere effektive og bedre tilpasset et specifikt mål over tid. Agenter kan dokumentere de forbedringer og den læring, der sker, så deres brugere kan spore og revidere deres udvikling, hvilket giver mulighed for både gennemsigtighed i beslutningstagningen og ansvarlighed i handling.

Forståelse af komponenterne i en AI-agent: En livscyklus i fem trin Read the blog explaining the different parts of an AI agent

What is retrieval-augmented generation?

Retrieval-augmented generation, or RAG, is a technique that helps AI systems generate more accurate responses by grounding them in trusted external data. Instead of relying solely on information learned during training, a retrieval-augmented generation system first searches relevant documents, databases or knowledge sources and then uses the retrieved information to help generate an answer. This allows the model to provide more current, accurate and context-specific responses.

In agentic AI systems, RAG helps agents access the right enterprise knowledge before making recommendations or taking action. A typical RAG workflow has two main stages:

Retrieval – when the system searches or queries relevant knowledge sources, often using semantic search, vector embeddings, keyword search, structured queries or a combination of techniques.
Generation – when the language model receives both the user's question and the retrieved content as input, enabling it to create a response grounded in the retrieved evidence rather than relying entirely on its internal knowledge.

RAG is widely used in enterprise search, customer support, knowledge management and agentic AI because it can reduce AI hallucinations and make responses more trustworthy. Organizations can connect RAG systems to internal documents, policies, manuals and databases, allowing users to receive answers based on authoritative sources. However, the effectiveness of RAG depends heavily on the quality of the retrieval process, the relevance of the underlying data and how well the retrieved information is integrated into the model's response.

RAG is one of several grounding mechanisms. For agentic systems, grounding can extend beyond RAG. Agents may access databases, APIs, analytical models, business rules and enterprise applications through tools. This allows an agent not only to retrieve knowledge, but also to obtain the current state, perform analysis and take governed actions.

Miljøets rolle

En AI-agent opererer ikke i et vakuum - den interagerer med systemer, mennesker og processer, som former dens beslutninger. Miljøet giver den kontekst og feedback, der påvirker perception, kognition og handlinger. Et veldefineret miljø hjælper agenten med at træffe bedre beslutninger og løbende forbedre sig.

AI-agenter versus agentisk AI

AI-agenter og agentisk AI er blevet brugt i flæng, men de har forskellige betydninger. Læs videre for at forstå forskellen.

AI-agenter er specifikke, opgaveorienterede AI-systemer, der er designet til at udføre gentagne opgaver på vegne af en bruger. Disse agenter kan automatisere processer, analysere data og træffe beslutninger baseret på foruddefinerede regler og algoritmer. De interagerer med deres miljø, systemer, mennesker og processer for at forme deres beslutninger og handlinger.

Agentisk AI refererer til intelligente systemer eller "agenter", der udviser et højere niveau af autonomi og beslutningsevne. Disse systemer kan træffe beslutninger, udføre opgaver og lære af deres interaktioner i et givet miljø. Agentisk AI udgør en mere omfattende tilgang, der bruger flere AI-agenter til at nå komplekse mål på egen hånd. Det involverer en kombination af AI, automatisering og menneskeligt tilsyn for at omdefinere, hvordan virksomheder fungerer, træffer beslutninger og interagerer med teknologi.

Kort sagt: AI-agenter er værktøjerne. Agentisk AI er det system, der bruger disse værktøjer til at tænke, beslutte og handle på egen hånd. Ikke alle AI-agenter er agentiske - ægte agentisk AI kræver et højere niveau af autonomi og koordinering. Men fuld autonomi alene er ikke nok til virksomhedsbrug. Det er her, gennemtænkt orkestrering, menneskeligt tilsyn og tillid kommer ind i billedet.

Næste skridt

Se, hvordan agentisk AI spiller en rolle i forretningsinnovation

Lær om agentiske AI-løsninger fra SAS See how SAS can help you develop agentic AI solutions

SAS® Intelligent beslutningstagning

SAS Intelligent beslutningstagning giver organisationer mulighed for at automatisere og styre komplekse beslutninger med hastighed og præcision. Ved at kombinere styring af forretningsregler, registrering af hændelser i realtid, beslutningsstyring og avanceret analyse kan virksomheder træffe datadrevne beslutninger i stor skala. Fra personlig markedsføring og next-best-handlinger til kredittjenester og forebyggelse af svindel strømliner det kundeinteraktioner i realtid og operationelle arbejdsgange.

SAS Intelligent beslutningstagning Discover how you can use the SAS Viya platform for trustworthy AI solutions