Agentisk AI: vägen förbi demon

"Agent" är 2026 års mest slitageord. Samtidigt är budskapet från analystehusen nyktert: Gartner förutspår att över 40 procent av agentiska AI-projekt avslutas innan slutet av 2027 — på grund av stigande kostnader, oklar affärsvärde och otillräckliga riskkontroller.

Vi ser samma mönster på plats hos kunder. Inte för att agenttekniken är dålig — den är ofta imponerande — utan för att demot är lätt och produktionen är svår. Här är ramen vi använder för att bygga agentiska flöden som håller.

Börja med frågan: vad händer när agenten har fel?

Varje automation designas för sina misslyckanden. För en klassisk batch-process är felet förutsägbart: jobbet kraschar och rullas tillbaka. För en agent som fattar beslut i öppna format är felet tystare: den svarar felaktigt med självsäker ton. Frågan "vad händer när den har fel, och hur märker vi det?" ska ha ett skriftligt svar innan första raden kod.

Den fyrfaldiga gränsen

Varje agent vi sätter i produktion får fyra typer av gränser:

1. Behörighet. Minsta möjliga rättighet. En agent som ska läsa fakturor ska inte kunna se HR-data — oavsett hur smidigt det vore.
2. Verktyg. En definierad och whitelistad verktygslåda. Fri nätverksåtkomst är ingen arkitektur, det är en sårbarhet.
3. Kostnad och omfattning. Tak för anrop, token och steg. Agenten som loopar oändligt ska bli ett larm, inte en faktura.
4. Beslutspunkter. Definierade moment där en människa godkänner innan agenten får verkställa — särskilt där felet är dyrt: betalningar, utskick, raderingar.

Det låter kanske varsamt. Det är det. Men det är också skillnaden mellan en automation som får löpa och en som stoppas efter första incidenten.

RPA och agenter är inte motståndare

En vanlig missuppfattning är att agentisk AI ersätter RPA. I praktiken kompletterar de varandra: RPA är starkt på regelbundna, väldefinierade flöden med stabila gränssnitt. Språkmodellsagenter är starka på variation — dokument som ser olika ut, undantag, naturligt språk. I många processer är rätt arkitektur en hybrid: RPA håller ryggraden, agenten hanterar variationen, människan beslutar.

Processutvinning (process mining) är ofta rätt startpunkt: den visar var volym, variation och felkällor faktiskt finns — innan någon bygger något.

Egenskapen som spelar roll: spårbarhet

Ett agentiskt flöde utan komplett loggning är omöjligt att driva, granska eller försäkra. Varje beslut — vilka verktyg användes, vilka data lästes, vad godkände vem — ska kunna rekonstrueras. Det är samtidigt en förutsättning för AI-förordningens krav på mänsklig tillsyn och dokumentation, och för DORA-styrda verksamheter som måste redovisa leverantörskedjor.

En kontrollista före produktion

• Skriftligt svar på "vad händer när den har fel?"
• Minsta behörighet och whitelistade verktyg
• Kostnads- och stegränser med larm
• Mänskliga beslutspunkter där felet är dyrt
• Komplett loggning och rekonstruerbarhet
• Utvärderingsmiljö med era verkliga fall — körd regelbundet

Bygg enligt listan och ni hör till den minoritet vars agentiska projekt når produktion. Resten är demon.

Källor

• Gartner — pressmeddelande 25 juni 2025: över 40 % av agentiska AI-projekt avslutas till 2027
• OWASP — Top 10 för LLM-tillämpningar (2025), genai.owasp.org
• McKinsey — State of AI, november 2025 (agentanvändning i skala, via sekundärkälla)