Neste steg med AI er agenter som jobber uten deg

IndyDevDan·26. oktober 2026·Se videoen

AI-agenter har blitt så gode til programmering og problemløsing at mennesket i stadig større grad kan bli flaskehalsen. Likevel bruker mange fortsatt AI på samme måte. De skriver en instruksjon, venter på resultatet, kontrollerer det og gir neste instruksjon. Selv med kraftige modeller som kan løse kompliserte oppgaver, er det fortsatt mennesket som må holde prosessen i gang.

Budskapet i videoen ELITE Agentic Engineers Are LEAVING THE LOOP er at neste steg innen AI-utvikling ikke først og fremst handler om å skrive bedre instruksjoner eller bruke enda kraftigere modeller. Det handler om å bygge systemer som lar AI-agentene jobbe selvstendig, også når du ikke er til stede.

Selv om videoen først og fremst handler om programmering og programvareutvikling, er prinsippene langt mer generelle. Den samme måten å bruke AI-agenter på kan overføres til innkjøp, logistikk, kundeservice, økonomi, markedsføring og en rekke andre oppgaver.

Dette krever en annen måte å tenke på. I stedet for å bruke AI til å utføre én oppgave om gangen, bygger man systemer som kan starte oppgaver, gjennomføre dem, kontrollere resultatene og fortsette arbeidet uten konstant menneskelig oppfølging.

Fra å styre hver oppgave til å overvåke resultatene

Utviklingen beskrives gjennom tre nivåer av menneskelig involvering. 1:37

In the loop: Du er en aktiv del av hele prosessen. Du starter oppgaven, skriver instruksjoner, følger med på agentens arbeid og bestemmer hva som skal skje videre. Dette er fortsatt en vanlig måte å bruke AI-kodeagenter som Codex og Claude Code på.

Near the loop: AI-agenten gjør mesteparten av arbeidet selv, men involverer deg ved viktige beslutninger. Den kan for eksempel oppdage en feil, undersøke årsaken, foreslå en rettelse og be om godkjenning før endringen tas i bruk. Du trenger ikke følge prosessen, bare ta stilling når det faktisk er nødvendig.

Out of the loop: Agenten utfører oppgaver automatisk innenfor forhåndsdefinerte rammer. Den kan starte, gjennomføre og kontrollere arbeidet uten at du må godkjenne hvert steg. Din rolle er i større grad å følge med på resultater og gripe inn ved behov.

Målet er å flytte stadig flere oppgaver fra det første til det siste nivået. Det betyr ikke at menneskelig kontroll skal fjernes fra alle prosesser, men at kontrollen skal brukes der den gir verdi.

Et viktig poeng i videoen er at overgangen ikke trenger å skje på én gang. Near the loop er et naturlig mellomsteg. Agenten kan jobbe selvstendig med det meste, mens mennesket fortsatt beholder kontrollen over kritiske beslutninger.

Fire grunnleggende ferdigheter blir avgjørende

For å bygge slike systemer må man mestre fire sentrale områder. 15:39 Disse beskrives i videoen som The Core Four og utgjør grunnlaget for hvordan en AI-agent fungerer.

Kontekst (context)

Kontekst handler om hvilken informasjon AI-agenten har tilgjengelig når den skal utføre en oppgave. 17:05

En agent som skal rette en feil i en nettside, trenger for eksempel å forstå hvordan prosjektet er bygd opp, hvilke filer som er relevante, hvilke regler som gjelder, og hva som tidligere er gjort.

Tilsvarende trenger en agent som håndterer kundeordrer, tilgang til relevant ordreinformasjon, leverandøravtaler, lagerstatus og leveringsbetingelser.

Det er ikke nødvendigvis best å gi agenten mest mulig informasjon. Det viktige er at den får riktig informasjon til riktig tid. Dette kalles context engineering, eller kontekststyring.

Jo bedre konteksten er organisert, desto større mulighet har agenten til å ta riktige beslutninger uten å måtte spørre mennesket underveis.

Modell (model)

Modellvalg handler om å bruke riktig AI-modell til riktig oppgave. 17:12

Noen modeller er spesielt gode på komplisert programmering og problemløsing, mens andre er raskere og billigere. En enkel oppgave som å klassifisere en feilmelding eller kontrollere en leveringsstatus trenger ikke nødvendigvis samme modell som skal planlegge og gjennomføre omfattende endringer i programvare.

Her blir også kostnadene viktige. I videoen omtales dette som token economics, altså forholdet mellom hvor mye AI-modellen koster å bruke, og hvilken verdi den leverer. AI-modeller deler tekst og annen informasjon opp i tokens, små enheter som kan være hele ord, deler av ord eller deler av setninger. Ordet «uforståelig» kan for eksempel bli til flere tokens.

Når agenter jobber kontinuerlig og utfører mange oppgaver, kan unødvendig bruk av kostbare modeller bli dyrt. God AI-utvikling handler derfor også om å finne riktig balanse mellom kvalitet, hastighet og pris.

Instruksjoner (prompt)

Instruksjoner handler om hvordan agenten får beskjed om hva den skal gjøre, hvilke regler den skal følge, og hvordan den skal håndtere ulike situasjoner. 17:20

Her er det viktig å skille mellom en vanlig brukerbeskjed og en systeminstruksjon. Brukerbeskjeden beskriver gjerne den konkrete oppgaven, mens systeminstruksjonen definerer agentens rolle, rammer og grunnleggende oppførsel.

En agent som skal jobbe selvstendig, trenger tydelige instrukser for hvordan den skal kontrollere sitt eget arbeid, når den skal stoppe, og når den må be om hjelp.

Det holder ikke bare å be en agent om å «følge opp alle forsinkede leveranser». Den må også vite hvordan forsinkelser skal identifiseres, hvilke tiltak den har lov til å gjennomføre, når kunden skal kontaktes, og når en medarbeider må involveres.

Verktøy (tools)

En AI-modell kan resonnere og foreslå løsninger, men trenger verktøy for å utføre handlinger i omgivelsene sine. 17:35

Det kan være tilgang til filer, terminal, nettleser, e-post, databaser, økonomisystemer, ordresystemer eller andre AI-agenter. Et API er et grensesnitt som lar programmer kommunisere og utveksle informasjon automatisk.

Å bygge og tilpasse systemet som gir agenten disse mulighetene, kalles harness engineering. Det omfatter blant annet hvilke verktøy agenten får tilgang til, hvordan oppgavene gjennomføres, og hvilke sikkerhetsmekanismer som begrenser hva den kan gjøre.

Dette er et av videoens viktigste poenger. Forskjellen mellom en vanlig AI-agent og en spesialisert, selvstendig agent ligger ikke bare i modellen, men i hele systemet rundt den.

AI-agenter som jobber før du ber dem om det

En sentral del av utviklingen er det som kalles durable agents, eller vedvarende AI-agenter. 6:07

Dette er agenter som kan jobbe over lengre tid, bevare informasjon om oppgavene sine og fortsette arbeidet etter avbrudd. De kan huske tidligere beslutninger, håndtere feil og gjenoppta prosesser etter omstarter.

Slike agenter kjører gjerne i egne isolerte miljøer, ofte kalt sandboxes. Det betyr at de får tilgang til datakraft, filer og bestemte verktøy i et avgrenset miljø. Med riktige sikkerhetsregler kan de jobbe uten å få ubegrenset tilgang til resten av systemet.

Dersom miljøet kjører på en server eller i skyen, kan agenten også fortsette arbeidet selv om du lukker datamaskinen.

Men det viktigste er hvordan agentene starter oppgaver.

I stedet for at mennesket alltid må skrive en instruksjon, kan en agent aktiveres av en bestemt hendelse. Det kan være en ny feilmelding, en oppdatering i en database, en innkommende kundeordre eller et bestemt klokkeslett. En planlagt automatisk oppstart kalles gjerne en cron-jobb.

Forskjellen er at agenten ikke lenger venter på at du skal sette i gang arbeidet. Den kan starte når behovet oppstår.

Tre konkrete eksempler på selvstendige AI-agenter

Videoen viser flere eksempler på hvordan slike systemer allerede kan bygges. 8:43

Det første er en agent som overvåker programvare for feil. Når noe går galt, kan den undersøke loggene, finne en mulig årsak, skrive en rettelse og teste løsningen. Deretter presenterer den forslaget for en utvikler som kan godkjenne endringen. Arbeidet før og etter godkjenningen kan automatiseres.

Det andre eksemplet er en nyhetsagent som kontinuerlig samler inn informasjon, filtrerer bort irrelevant innhold og vurderer hvilke saker som fortjener oppmerksomhet. Brukeren trenger ikke selv å lete gjennom store mengder nyheter. Agenten gjør forarbeidet og presenterer informasjon som kan være verdt å undersøke nærmere.

Det tredje eksemplet handler om å bygge brukergrensesnitt fra et referansebilde. Agenten får et bilde av hvordan en nettside skal se ut, skriver kode, tar et skjermbilde av resultatet og sammenligner dette med originalen. Deretter gjør den forbedringer og gjentar prosessen.

Dette er et eksempel på en automatisert forbedringssløyfe, der AI-agenten bruker tilbakemeldinger fra sine egne tester til å nærme seg et definert mål. I videoen demonstreres et slikt system, men resultatene viser også at agenten ikke alltid klarer å gjenskape designet perfekt.

Fellesnevneren er at agentene gjør mye av arbeidet på egen hånd og involverer mennesket når det trengs.

De samme prinsippene kan brukes i nesten alle deler av en virksomhet

Selv om eksemplene i videoen er hentet fra programvareutvikling, er det ingen grunn til å begrense denne tankegangen til programmering. Mange oppgaver i en virksomhet følger allerede definerte prosesser som kan automatiseres helt eller delvis ved hjelp av AI-agenter.

Ta innkjøp og logistikk som eksempel.

En bedrift som selger IT-utstyr, kan ha hundrevis av bestillinger og leveranser å følge opp. Noen varer sendes fra eget lager, mens andre sendes direkte fra leverandør til sluttkunden.

Tradisjonelt krever dette mye manuelt arbeid. En medarbeider må sjekke ordrebekreftelser, kontrollere leveringsdatoer, følge opp leverandører, hente sporingsinformasjon og informere kunder dersom noe blir forsinket.

Med riktig tilgang til bedriftens systemer kan en AI-agent overta store deler av denne prosessen.

Når en ny ordre kommer inn, kan agenten kontrollere opplysningene, undersøke lagerstatus og forberede bestilling hos riktig leverandør. Etter at bestillingen er bekreftet, kan den følge leveransen videre, hente sporingsnummer, kontrollere forventet leveringsdato og holde kunden oppdatert.

Dersom leverandøren ikke sender varen som avtalt, kan agenten oppdage avviket, kontakte leverandøren, undersøke alternative løsninger og varsle den ansvarlige medarbeideren når det er behov for en beslutning.

Enkle og tydelig avgrensede oppgaver kan gjennomføres automatisk, mens eksempelvis større innkjøp, prisendringer og ekstraordinære leveringsavtaler kan kreve godkjenning.

Dette er et tenkt eksempel på hvordan teknologien kan brukes, ikke en påstand om at alle dagens AI-agenter allerede håndterer slike prosesser feilfritt. Bedriften må fortsatt sørge for korrekte data, nødvendige integrasjoner, tydelige fullmakter og kontrollmekanismer.

Det samme prinsippet kan overføres til kundeservice, fakturakontroll, økonomi, personaloppfølging, markedsføring og mange andre områder.

Det avgjørende spørsmålet er ikke hvilken bransje du jobber i, men hvilke oppgaver som kan gjennomføres uten at et menneske må styre hvert enkelt steg.

Ferdige produkter som Grok Bot og dots i ChatGPT

Denne utviklingen handler heller ikke bare om systemer som programmerere må bygge selv. Vi ser allerede eksempler på AI-produkter som gjør det mulig å delegere oppgaver til vedvarende agenter gjennom vanlig samtale.

To aktuelle eksempler er Grok Bot og dots i ChatGPT.

Grok Bot er bygd rundt ideen om AI-agenter som digitale medarbeidere. Agentene har tilgang til egne arbeidsmiljøer i skyen og kan bruke programmer, nettsteder og tilkoblede tjenester. De kan bevare kontekst over tid, samarbeide med andre agenter og gjennomføre oppgaver uten at brukeren må følge hvert steg.

OpenAI beskriver dots i ChatGPT på en lignende måte. En dot kan få ansvar for et prosjekt eller et bestemt område, bruke tilkoblede verktøy, følge opp oppgaver over tid og komme tilbake med resultater eller spørsmål som trenger menneskelig vurdering.

Begge produktene viser hvordan AI-agenter beveger seg fra å være verktøy man gir enkeltstående instrukser, til å bli systemer man kan delegere løpende ansvar til. De har ulike funksjoner og begrensninger, men bygger på mye av den samme tankegangen.

Det interessante er også hvordan samhandlingen endrer seg. I stedet for å administrere mange forskjellige filer, instruksjoner og automatiseringer manuelt, kan man i større grad beskrive et ansvarsområde med naturlig språk, gi agenten nødvendige tilganger og deretter følge opp gjennom samtaler.

Det minner mer om å delegere oppgaver til en medarbeider enn å betjene et tradisjonelt dataprogram. Man beskriver målet, forklarer forventningene, gir tilbakemeldinger og lar agenten gjennomføre arbeidet innenfor avtalte rammer.

For mer spesialiserte oppgaver, som å styre innkjøpsprosesser eller koordinere leveranser mellom flere leverandører, vil det fortsatt kunne være nødvendig å bygge egne integrasjoner og kontrollsystemer. Men selve måten å jobbe på er den samme.

Fra å utføre oppgaver med AI til å bygge systemer som utfører dem

Denne utviklingen endrer også hva det betyr å være en dyktig utvikler, leder eller fagperson.

Når stadig flere kan bruke AI til å skrive kode, analysere informasjon og utføre oppgaver, blir det viktigere å forstå hvordan man setter sammen komplette systemer. Verdien flyttes fra å styre hver enkelt oppgave til å utvikle prosesser, kontrollmekanismer og strukturer som gjør agentene mer selvstendige.

Videoen trekker et tydelig skille mellom vibe coding og agentic engineering. Vibe coding beskrives som å la AI bygge programvare uten nødvendigvis å forstå alt som skjer underveis. Agentic engineering handler derimot om å forstå systemet godt nok til at man kan stole på hvordan det oppfører seg innenfor definerte rammer.

Det samme prinsippet gjelder utenfor programmering. En innkjøpsansvarlig trenger ikke kunne skrive kode for å forstå hvordan en innkjøpsprosess fungerer. Tvert imot er fagkunnskap om leverandører, priser, leveringstider, risiko og kundebehov avgjørende for å definere hvordan en AI-agent skal jobbe.

Fagkompetansen forsvinner derfor ikke nødvendigvis når AI overtar flere oppgaver. Den får en annen rolle. Mennesket bruker kunnskapen sin til å definere mål, regler, kvalitetskrav og unntak, mens agentene kan utføre stadig mer av det operative arbeidet.

Et sentralt prinsipp fra videoen er å bygge systemer som igjen kan bygge andre systemer. I stedet for å sitte og styre ti AI-agenter manuelt, kan man bygge én overordnet løsning som fordeler oppgaver, koordinerer arbeidet og kontrollerer resultatene.

Det betyr ikke at flere agenter automatisk gir bedre resultater. Det avgjørende er hvor mye nyttig arbeid systemet faktisk utfører, hvor pålitelig det er, og hvor lite unødvendig menneskelig oppfølging det krever.

Neste steg med AI handler dermed ikke bare om å produsere programvare raskere. Det handler om å bygge systemer som selv kan utføre, kontrollere og forbedre oppgaver på tvers av hele virksomheten.

Og kanskje er det viktigste spørsmålet vi bør begynne å stille oss følgende.

Hvorfor er jeg fortsatt en nødvendig del av denne prosessen, og hva må til for at AI kan gjøre jobben uten meg?

Det viktigste å ta med seg

• Mennesket som skriver hver instruksjon og sjekker hvert resultat, blir flaskehalsen når AI-agenter blir gode på programmering.
• Menneskets rolle har tre nivåer, i løkken, nær løkken og ut av løkken. Nær løkken er et naturlig mellomsteg.
• En agent som skal jobbe selv, trenger fire ting, nemlig kontekst, modell, instruksjoner og verktøy.
• Ferdige produkter som Grok Bot og dots i ChatGPT viser at agenter som jobber på egen hånd og starter av hendelser, allerede finnes.
• Prinsippene gjelder også utenfor programmering, men det forutsetter riktige data, tilganger og kontroll.

Kilder og videre lesning