Överallt utropas “AI-agenternas år”. På YouTube, X och i konferensföredrag avlöser löftena varandra: agenter ska ersätta hela avdelningar och snart räknas som fullvärdiga medarbetare. Mycket av det är helt enkelt fel eller åtminstone kraftigt överdrivet. I ett samtal i podden “Marketing Against the Grain” bedömer Joe Mora, vd och grundare av crewAI, läget nyktert – inklusive en ärlig bedömning av vad som fungerar i dag och vad som just inte gör det. För beslutsfattare i små och medelstora företag är precis den här skiljelinjen mellan substans och marknadsföring avgörande innan budgetar börjar rulla.
- En AI-agent är mer än en chatbot: den får en uppgift, arbetar autonomt och använder minne (memory) och verktyg (tools) för att komma åt system som CRM eller ERP.
- Agenter används på riktigt – men de är långsammare och mer felbenägna än hypen antyder. Vi befinner oss i utprovningsfasen, inte i fullständig automatisering av hela avdelningar.
- Att börja rätt betyder: välj enkla användningsfall med lågt precisionskrav, inte högkritiska processer som skatteblanketter.
- Fler människor stannar kvar i processen (“human in the loop”) än många väntar sig. Kontroll och spårbarhet är centrala.
- Bara omkring 15 procent av de tillfrågade företagen har agenter i produktiv drift – den som börjar nu hör till dem som rör sig tidigt.
Vad en AI-agent egentligen är
Stora språkmodeller som de bakom ChatGPT eller Claude är i grunden mycket bra på att förutsäga nästa ord och skapa innehåll. De skriver ett mejl, gör det ledigare på begäran och kan till och med välja mellan två varianter med motivering – en sorts rudimentär bedömning.
En agent använder just den förmågan för att tänka igenom ett problem på egen hand. Skillnaden mot chatten: du ger agenten en uppgift och kan lämna rummet. Den försöker sedan autonomt nå ett mål över flera steg. Mora sätter fingret på det: en agent behöver agency, alltså handlingsförmåga.
Två byggstenar är typiska för det:
- Memory (minne): så att agenten behåller information över de enskilda stegen – kortsiktigt och långsiktigt.
- Tools (verktyg): gränssnitt mot andra system som CRM, ERP eller researchtjänster, så att agenten kan agera i ditt ställe.
Verklighetskollen: långsam, men användbar i bakgrunden
Som exempel tjänar OpenAI:s “Operator”, tillgänglig i ChatGPT Pro-varianten för runt 200 US-dollar i månaden. Agenten styr en webbläsare och kan till exempel researcha hotell, flyg eller restauranger. Omdömet i samtalet är nyktert: Operator är långsam och delvis omständlig – uppskattningsvis tio gånger långsammare än en människa på samma uppgift.
Den avgörande poängen: vid uppgifter som får löpa i bakgrunden spelar långsamheten knappt någon roll. Mora beskriver hur han använder agenter för sina inlägg i sociala medier: mata in idén, hämta kaffe, arbeta vidare – och utkastet är klart när han kommer tillbaka. På så sätt får han regelbundet gjort något som han annars lät ligga av tidsskäl.
Kärnidé: latens är okritisk när en liten “armé” av agenter betar av uppgifter i bakgrunden medan du ägnar dig åt viktigare saker.
Förtroende och kontroll: varför människan måste förbli synlig
En central fråga för autonoma agenter är hanteringslogiken: ska agenten bara rapportera en bordsbokning som “klar”, eller ska man kunna se den arbeta? Operator satsar på att låta agenten arbeta synligt och på att man ska kunna gripa in när som helst.
Det har två skäl: säkerhet och förtroende. Man ser vad som händer och kan korrigera. Ett varnande exempel ur samtalet: en tidig mejlagent skulle bara skapa utkast, men började skicka delvis besynnerliga mejl på egen hand. Just i företag gäller: den som automatiserar en kritisk process vill kunna visualisera, kontrollera och i efterhand granska den.
Att börja rätt: låg precision först
Den kanske mest praktiska rekommendationen gäller valet av de första användningsfallen. Mora skiljer mellan lågt och högt precisionskrav:
- Låg precision (runt 90 procents träffsäkerhet räcker): till exempel en agent som utifrån samtalstranskript eller CRM-data skapar utkast till säljpresentationer. Fel går här att hantera och är lätta att rätta.
- Hög precision (99,99 procent krävs): till exempel att fylla i skatte- eller myndighetsblanketter. Mora nämner blanketter på över 70 sidor och handböcker på 620 sidor – här får inget gå fel.
Det tydliga beskedet: börja inte med hög precision, då bränner du fingrarna. Börja enkelt och skala därifrån.
Fyra riktlinjer för att komma i gång
- Anamma tidigt: skaffa dig ett försprång i stället för att avvakta.
- Vänta inte på andras användningsfall: titta inte på vad koncern X gör – hitta din egen, enkla startpunkt.
- Börja enkelt: bryt ner en roll i enskilda uppgifter och plocka ut dem med lågt precisionskrav.
- Bygg ut mot “low risk, high impact”: utvidga stegvis till fall med låg risk och hög nytta.
Ett praktiskt tips ur samtalet: ta en konkret roll – till exempel en säljares (BDR) – och låt uppgifterna delas upp i låg och hög precision. Just de lågprecisa uppgifterna är idealiska experimentfält. För att bygga finns i dag flera vägar: no-code-plattformar för mindre tekniska användare likaväl som ramverk för utvecklare som programmerar agenter i Python.
Hur företag använder agenter på rätt sätt
Fel ansats är att bygga agenter som en ren 1:1-kopia av ett mänskligt jobb. Mer framgångsrikt är att automatisera enskilda mikrouppgifter, så att människor frigörs för viktigare saker – en sorts befordran: ansvaret för slutresultatet stannar hos människan, agenten tar över förarbetet.
Ett exempel från praktiken: ett telekomföretag automatiserar avtalsanalysen. Innan ett avtal hamnar hos juridikavdelningen levererar agenter redan rekommendationer och markerade ändringar (“red lines”). På så sätt går det att skala sådant som tidigare var för dyrt.
När det gäller förankringen i företaget avtecknar sig ett mönster: bort från enskilda medarbetare som i smyg använder ChatGPT och därvid möjligen röjer känsliga uppgifter och låser in kunskap i silos – mot en central styrning, ofta under CIO, CTO eller en Head of AI. Det ger kontroll över vilka modeller som används och hur personuppgifter hanteras. Det verkligt stora mervärdet hämtar tekniska team, eftersom komplexa automatiseringar måste kopplas djupt in i ostrukturerade data och egna system.
Konkreta användningsfall inom marknadsföring och försäljning
Tre exempel ur samtalet visar vad agenter duger till i dag:
- Lead-anrikning med hypoteser: registrerar sig någon ny på en webbplats undersöker agenter personen och företaget. Dessutom bildar de hypoteser om hur den här personen skulle kunna använda produkten, strukturerar resultatet som JSON och spelar in det i HubSpot och i produktdatabasen. Resultat: hyperpersonaliserade mejl och exakt anpassade produktförhandsvisningar.
- Säljförberedelse: agenter undersöker kunder i förväg – till exempel via researchverktyg som Perplexitys Sonar. En säljare förbereder sig därmed inte nödvändigtvis snabbare, men bredare och bättre, och hinner med fler möten. Lockande är också tanken att replikera den bästa säljarens tillvägagångssätt, så att alla är förberedda på den nivån.
- SEO- och konverteringsoptimering: agenter tar skärmbilder av den egna webbplatsen, analyserar texter och konkurrenter och härleder därav hypoteser om vad som skulle kunna ändras. Den mänskliga insatsen förblir slimmad: den egna webbplatsen, en branschbeskrivning och optimeringsmålet. Resten sköter agenterna och levererar förslag på A/B-tester.
Där förväntan och teknik glider isär
Den största diskrepansen mellan hype och verklighet ligger enligt Mora i två punkter:
- Mer människa i processen än man tror: just nu krävs betydligt mer “human in the loop”. Helt genomgående end-to-end-automatisering – särskilt vid högprecisa processer – är ännu inte där. Agenter havererar fortfarande ofta mitt i.
- Integrationen är mer arbetskrävande än väntat: i företag sitter mycket “lim” mellan systemen. För att agenter ska kunna navigera de vägarna krävs tydlig kod och tydliga instruktioner. Det är ingen slump att branschen börjar i webbläsaren – där finns ett gemensamt gränssnitt. Många företag använder dock skrivbordsprogram som inte ens är uppkopplade.
Anmärkningsvärd är adoptionssiffran: av runt 4 000 till 4 500 tillfrågade personer hade bara omkring 15 procent agenter i produktiv drift, hos stora företag runt 23 procent. Eftersom dessa svarande ändå är tekniskt intresserade torde siffran vara lägre i ekonomin som helhet. Budskapet till beslutsfattare: det är mycket tidigt – och den som startar nu hör fortfarande till dem som rör sig snabbt.
Agenter som framtida anställningskriterium
En utblick som får en att lystra: Microsofts vd Satya Nadella skisserade att människor i framtiden också kan komma att anställas på grund av de agenter de har byggt – i stället för bara på grund av certifikat och tidigare yrkeserfarenhet. Mora instämmer, mindre på grund av agenterna själva än för att de säger något om personen. Hos crewAI får sökande uttryckligen använda alla AI-verktyg i ingenjörsintervjun – den som inte gör det blir underkänd. Hur väl någon använder de verktygen väger tungt i anställningsbeslutet.
Slutsats
Just nu är det fasen där många företag provar agenter och sätter dem i produktion – men inte fasen där agenter tar över personalstyrkan. Den nyktra verkligheten: agenter är i dag ofta långsammare än människor, behöver tillsyn och havererar fortfarande regelbundet. Deras värde framträder vid bakgrundsuppgifter, vid mikrouppgifter inom en roll och överallt där fel går att hantera. För beslutsfattare i små och medelstora företag betyder det: börja litet och enkelt, börja med lågt precisionskrav, håll människan synligt i loopen och bygg stegvis ut mot fall med låg risk och stor effekt. Den som gör så samlar praktisk erfarenhet i dag – utan att gå på hypen.