Der findes fem klassiske typer af AI-agenter: simple reflex, model-based reflex, goal-based, utility-based og lærende agenter. Kort sagt følger de en regel, holder styr på, hvad der sker, arbejder hen mod et mål, vælger den bedste af flere muligheder eller bliver bedre af feedback. Mange lister tilføjer to mere, hierarkiske agenter og multiagentsystemer, som handler om, hvordan flere agenter arbejder sammen.
Denne guide forklarer hver type med et eksempel fra hverdagen og et eksempel fra erhvervslivet. Den kommer også med en praktisk pointe: Når en AI-agent laver fejl i forretningsarbejde, skyldes det som regel ikke svag planlægning. Det skyldes, at agenten arbejder ud fra de forkerte fakta. Når du vælger en agent, bør du derfor først spørge, hvad den kan se, og hvad den må ændre. Hvor klog den er, kommer i anden række.
Hvad er en AI-agent?
En AI-agent er software, der ser på en situation, beslutter, hvad der skal gøres, og derefter gør det. En chatbot besvarer dit spørgsmål. En agent kan også tage det næste skridt, for eksempel læse din indbakke, opdatere et regneark eller skrive et udkast til et svar.
De fem typer stammer fra Stuart Russell og Peter Norvigs lærebog Artificial Intelligence: A Modern Approach, den bog, som de fleste AI-kurser på universiteterne bruger. De inddeler agenter efter ét spørgsmål: Hvordan beslutter agenten, hvad den skal gøre som det næste? IBM's guide til typer af AI-agenter bruger den samme liste.
Der findes ingen enkelt officiel definition, og det er helt fint. For en erhvervslæser er den nyttige test enkel: Svarer den kun, eller kan den også handle?
De 5 klassiske typer af AI-agenter
Læs de fem typer fra den enkleste til den mest omfattende. Det er ikke en rangering. Et enkelt design er ofte det rigtige, og læring kan føjes til en hvilken som helst af de fire andre.
De fem klassiske typer beskriver, hvordan beslutninger træffes. Læring kan føjes til de fire andre; det er ikke det sidste trin på en stige. Tjek kvaliteten af konteksten i hvert design.
YouTube · IBM Technology
5 Types of AI Agents: Autonomous Functions & Real-World Applications · 28. april 2025
En gennemgang på 10 minutter af lærebogens typer med en tegning til hver af dem. Opsummeringen ved 8:23 samler dem i fem verber: reagerer (reacts), husker (remembers), sigter (aims), vurderer (evaluates), forbedrer (improves).
1. Simple reflex-agenter: følger en regel
Hvad den gør: "Hvis det her sker, så gør det der." Den ser kun på det, der ligger foran den lige nu.
Hverdagseksempel: en termostat tænder for varmen under 19°C.
Erhvervseksempel: en indbakkeregel sender alle mails med ordet "faktura" til kreditorbogholderiet.
Hvor det går galt: ved alt, som reglen ikke havde forudset. Et nyhedsbrev, der nævner "faktura", lander også hos dit økonomiteam. Reglen kan ikke se forskel, og den laver den samme fejl hver gang.
Brug den, når: situationen er forudsigelig, og en fejl er billig.
2. Model-based reflex-agenter: holder styr på, hvad der sker
Hvad den gør: den følger stadig regler, men husker, hvad den har set. Det giver den et billede af situationen, som lærebøger kalder en "model".
Hverdagseksempel: en robotstøvsuger husker, hvilke rum den allerede har gjort rent.
Erhvervseksempel: en supportassistent kan se, at en kunde allerede meldte den samme fejl i sidste uge, så den føjer den nye besked til den åbne sag i stedet for at oprette en dublet.
Hvor det går galt: når billedet er forældet. En gammel CRM-post, en beslutning, der kun findes i en Slack-tråd, eller sidste måneds regneark får den til at handle selvsikkert ud fra de forkerte fakta.
Brug den, når: den rigtige handling afhænger af historikken, ikke kun af den seneste besked.
Det er denne type, der betyder mest for forretningsteams, og et opslag, der blev delt bredt på X i starten af november 2026, viser hvorfor. Gul Saeed Khattak, lead data engineer ved University of Glasgow, beskrev en agent, der blev spurgt om sidste kvartals omsætning:
X · Gul Saeed Khattak (@Ldataengineer) · 3. november 2026
"It answers in 3 seconds. Clean number. Nice chart. But it used the wrong 'revenue' column. Nobody notices."
(Oversættelse) "Den svarer på 3 sekunder. Et pænt tal. Et flot diagram. Men den brugte den forkerte 'omsætning'-kolonne. Ingen opdager det."
Agenten i den historie ræsonnerede ikke dårligt. Den ræsonnerede godt ud fra den forkerte kolonne. Vi er enige i diagnosen. Bemærk, at opslaget derefter reklamerer for et bestemt dataværktøj, som vi ikke har testet. Forretningslæren er enklere end noget værktøj: Før du stoler på en agents svar, så tjek, hvilken kilde den brugte.
3. Goal-based-agenter: arbejder hen mod et mål
Hvad den gør: du giver den et mål, og den planlægger trinene. I stedet for "hvilken regel gælder?" spørger den "hvad bringer mig tættere på?"
Hverdagseksempel: en navigationsapp planlægger en rute og planlægger om, når du misser en afkørsel.
Erhvervseksempel: "Gør bestyrelsespræsentationen klar til torsdag." Agenten henter de nyeste tal, kopierer sidste kvartals slide-layout og laver en liste over de åbne spørgsmål.
Hvor det går galt: den tjekker kun, om målet er nået. Hvis to planer begge virker, har den ingen grund til at foretrække den billigere eller sikrere.
Brug den, når: du ved, hvilket resultat du vil have, men trinene ændrer sig hver gang.
4. Utility-based-agenter: vælger den bedste mulighed
Hvad den gør: den sammenligner flere gode muligheder og giver dem point ud fra det, der er vigtigt for dig.
Hverdagseksempel: en flysøgning, der afvejer pris, rejsetid og antal skift.
Erhvervseksempel: en annonceassistent foreslår at flytte budget mellem kampagner ved at afveje pris pr. salg, resterende budget og hvor meget data hver kampagne har.
Hvor det går galt: pointene er kun så gode som dine prioriteter. Hvis ingen har besluttet, om hastighed er vigtigere end pris, kan agenten heller ikke beslutte det.
Brug den, når: der er reelle afvejninger og mere end ét acceptabelt svar.
5. Lærende agenter: bliver bedre af feedback
Hvad den gør: den ser på, hvordan dens tidligere handlinger gik, og justerer sig. Det kan lægges oven på en hvilken som helst af de fire typer ovenfor.
Hverdagseksempel: en musikapps forslag ændrer sig, efterhånden som du springer sange over eller afspiller dem igen.
Erhvervseksempel: en assistent til lead-scoring rangerer leads bedre, efter at salgsteamet har markeret, hvilke der blev til rigtige aftaler.
Hvor det går galt: den lærer det, som feedbacken lærer den. Mangelfuld eller inkonsekvent feedback gør den selvsikkert forkert. Læring kræver også mest data og mest tid.
Brug den, når: arbejdet gentages ofte, og nogen tjekker, hvad agenten lærer.
Type 6 og 7: hierarkiske agenter og multiagentsystemer
Disse to beskriver, hvordan flere agenter er organiseret, ikke hvordan én agent beslutter.
- Hierarkiske agenter: en "leder"-agent deler et stort job op i dele og giver hver del videre til en anden agent.
- Multiagentsystemer: flere agenter arbejder på det samme problem på samme tid og deler eller fordeler arbejdet.
Erhvervseksempel: ved en produktlancering undersøger én agent konkurrenterne, én skriver lanceringsmailen, og én tjekker landingssiden.
Giver flere agenter bedre resultater? Det afhænger af jobbet. I juni 2025 rapporterede Anthropic, at et team af agenter slog en enkelt agent i virksomhedens egne researchtests, men brugte omkring 15 gange så mange tokens (de enheder, som AI-forbrug faktureres i) som en almindelig chat. Anthropic sagde også, at opgaver, hvor alle agenter har brug for den samme kontekst, passede dårligt (Anthropic). En forskningsartikel fra oktober 2026, som endnu ikke er fagfællebedømt, fandt, at agenter, der gav arbejde videre til hinanden, ikke dobbelttjekkede hinandens fakta, medmindre processen tvang dem til det (arXiv).
Pointen er altså ikke, at "flere agenter er bedre". Det er den samme regel, som du bruger med mennesker: Hver overdragelse kræver klart input, et klart output og en person, der tjekker resultatet.
Hvor nutidens AI-agenter passer ind
De fem typer blev beskrevet, før værktøjer som ChatGPT og Claude fandtes. En moderne AI-agent blander flere af dem. Den følger dine instruktioner (regler), læser dine dokumenter og tidligere beskeder (holder styr), planlægger trin mod det, du bad om (mål), afvejer muligheder, når du beder den vælge (bedste mulighed), og kan blive bedre, når du gemmer rettelser (feedback).
Så hvis en leverandør siger, at deres produkt er "en goal-based-agent", siger det ikke ret meget. Stil i stedet tre enkle spørgsmål:
- Hvad kan den læse?
- Hvad kan den ændre?
- Hvornår stopper den og spørger et menneske?
Typiske fejl, når man tænker på agenttyper
"De senere typer er altid bedre." Nej. En enkel regel er billigere, hurtigere og lettere at tjekke. Brug den enkleste type, der kan klare opgaven.
"En lærende agent lærer automatisk af alt." I de fleste forretningsværktøjer bliver den kun bedre, når nogen gemmer rettelsen, for eksempel som en opdateret instruktion. Hvis ingen gemmer den, starter næste kørsel forfra.
"Flere agenter betyder større formåen." Flere agenter betyder flere overdragelser. Små fejl lægger sig også oven i hinanden: Hvis hvert trin er rigtigt 95 % af gangene, er en proces med ti trin kun rigtig omkring 60 % af gangene.
"Typen fortæller, hvad den kan gøre i min virksomhed." Typen fortæller, hvordan den beslutter. Hvad den kan gøre, afhænger af, hvad den har adgang til, og hvad den må ændre.
En enklere tilgang for forretningsteams: sorter agenter efter det job, de udfører
Lærebogens typer beskriver, hvordan en agent tænker. En salgsleder eller driftschef går som regel mere op i, hvilket job den skal udføre. Derfor synes mange teams, at det er nemmere at gruppere agenter efter rolle. Det er en praktisk måde at tænke på, ikke en officiel liste.
| Rolle | Hvad den gør | Hvad du får | Hvad mennesket stadig beslutter |
|---|---|---|---|
| Overvåger | Holder øje med en kilde og markerer det, der er vigtigt | En daglig besked eller opsummering | Hvilke beskeder der kræver handling |
| Researcher | Indsamler og sammenligner information | Et overblik eller en kortliste | Om kilderne er gode, og hvad der skal ske |
| Producent | Gør input til et udkast | En mail, rapport, præsentation eller side | Redigerer og sender eller udgiver derefter |
| Operatør | Foretager ændringer i dine værktøjer | Opdaterede poster, et planlagt opslag | Giver adgang og godkender ændringer |
| Koordinator | Kører et job i flere trin på tværs af værktøjer | En færdig pakke, leveret tilbage til gennemsyn | Ejer resultatet |
Folk giver allerede hele job videre til agenter. Greg Isenberg, CEO for company-building-studiet Late Checkout, beskrev sin uge på X:
X · Greg Isenberg (@gregisenberg) · 3. november 2026
"my team is 50+ people in 12 countries, but i talk to my agents more than my human teammates"
(Oversættelse) "mit team er over 50 mennesker i 12 lande, men jeg taler mere med mine agenter end med mine menneskelige kolleger"
I samme opslag nævner han et trin, hvor en agent stiller spørgsmål ved hans idé, før noget bliver bygget. Det er en god vane for alle roller i tabellen: Lad agenten spørge ind til målet, før den går i gang. Vores syn er mindre dramatisk end hans formulering. Det er fint at tale meget med agenter, så længe mennesker stadig beslutter, hvad der bliver sendt, ændret eller godkendt.
Eksempel: én opfølgning i salg, trin for trin
Sådan viser typerne sig i én helt almindelig opgave. Dette er et eksempel på, hvordan trinene hænger sammen i Okou, ikke en kundehistorie.
Opgaven. Efter et fornyelsesmøde skriver en account manager: "Gennemgå denne kundes historik, lav et overblik til mit team, og skriv et udkast til opfølgningsmailen."
1. Tjek fakta først (holde styr). Agenten læser mailtråden, mødenoterne, CRM-posten og de seneste nyheder om kunden. CRM'et siger "fornyelse, standardvilkår". Men en mail fra sidste uge siger, at kundens økonomiansvarlige ønsker kvartalsvis fakturering. Agenten bruger den nyere mail og markerer uoverensstemmelsen som et åbent spørgsmål.
2. Planlæg arbejdet (mål). Den samler det, som både overblikket og mailen har brug for: hvad der blev lovet på mødet, hvad der stadig er åbent, og det næste skridt, som kunden sagde ja til.
3. Følg teamets præference (bedste mulighed). Account manageren har allerede sagt "hold kundemails under 150 ord, og start med det næste skridt". Det afgør afvejningen mellem kort og detaljeret.
4. Skriv udkast, send ikke. Teamet har givet Okou lov til at skrive Gmail-udkast, men ikke til at sende dem (Hvad er Okou?). Hvis agenten har brug for adgang, den ikke har, godkender et menneske det og vælger, hvor længe adgangen gælder.
5. Brug det rigtige format til hver læser. Det interne team får et overblik som et dokument, de kan kommentere. Kunden får en kort mail, der gør det næste skridt tydeligt.
6. Et menneske gennemgår. Account manageren retter én sætning om faktureringen, tjekker modtageren og trykker på Send.
En mail skrevet som udkast i Okou (eksempeldata fra en anden opgave). Læg mærke til mærkaten Draft og knappen Send: Intet bliver sendt, før et menneske trykker på Send. Klik på billedet for at se det i fuld størrelse.
7. Gem det, så teamet kan genbruge det (feedback). Rettelsen hjælper kun næste gang, hvis den bliver gemt. Account manageren beder Okou om at gemme processen som et workflow: hvilke kilder der skal tjekkes, hvordan overblikket ser ud, og reglen om, at mails forbliver udkast. En kollega kan derefter køre det for en anden kunde med sine egne mail- og CRM-konti, ikke skaberens (Okou til teams). Hvis teamet vil have det til at køre før hvert fornyelsesmøde, kan de tilføje en automatisering med en tidsplan eller en udløser.
De fleste artikler om agenttyper fokuserer på trin 2, planlægningen. I dette eksempel var det trin 1 (den nyere mail), trin 4 (udkast, ikke afsendelse), trin 5 (det rigtige format) og trin 7 (at gemme rettelsen), der gjorde resultatet brugbart.
Sådan vælger du den rigtige type AI-agent
Besvar disse spørgsmål om jobbet:
- Kan du skrive reglen i én sætning? Så er en enkel regel måske nok.
- Afhænger det rigtige svar af historikken? Så skal agenten have adgang til de rigtige kilder, og du bør tjekke, hvad den gør, når to kilder er uenige.
- Kender du resultatet, men ikke trinene? Så er det goal-based-arbejde: researchoverblik, rapporter, første udkast.
- Er der afvejninger? Beslut dine prioriteter først, og lad derefter agenten anvende dem.
- Vil jobbet gentage sig? Planlæg, hvordan rettelser bliver gemt, så næste kørsel bliver bedre.
- Hvor meget må den højst ændre uden at spørge? Start med læseadgang og udkast. Giv mere adgang trin for trin, med tidsgrænser hvor det er muligt.
Når Okou har brug for en tilladelse, der mangler, ser et menneske præcis, hvad der bliver bedt om, og vælger, hvor længe det skal tillades.
Sådan passer Okou ind
Okou er en AI-kollega for forretningsteams. Du vælger ikke en agenttype. Du beskriver jobbet, peger på de relevante filer og værktøjer, og Okou samler konteksten, udfører arbejdet i skyen og leverer noget tilbage, som du kan tjekke.
Tre ting fra denne guide former, hvordan Okou arbejder:
- De rigtige fakta først. Okou læser de mails, dokumenter og poster, som opgaven kræver, og tjekker fakta, der ændrer sig, op mod kilden. Rettelser, du laver i en chat, følger med i den chat. Vil du bruge baggrunden fra en anden chat, peger du Okou hen til den (Chat).
- Det rigtige format. En kort besked til en opdatering, et dokument til detaljer, der skal gennemgås, en webside eller slides, når en gruppe skal gennemgå en anbefaling sammen.
- Genbrug med grænser. Et gemt workflow lader kolleger genbruge en arbejdsmetode med deres egne konti og tilladelser. At dele et workflow deler ikke nogens indbakke eller private chats.
Flere eksempler finder du i 20 anvendelser af AI-agenter med rigtige prompts og resultater, kontekststyring for AI-agenter i teams og hvordan Okou spørger, før der bliver handlet.
Ofte stillede spørgsmål
Hvad er de 5 typer af AI-agenter?
Simple reflex-agenter følger faste regler. Model-based reflex-agenter holder desuden styr på situationen. Goal-based-agenter planlægger trin mod et mål. Utility-based-agenter vælger den bedste af flere muligheder. Lærende agenter bliver bedre af feedback. Listen stammer fra Russell og Norvigs lærebog om AI og er den, de fleste kurser bruger.
Hvad er en simple reflex-agent inden for AI?
Den handler kun ud fra det, den ser lige nu, med regler af typen "hvis det her, så det der". Den har ingen hukommelse og lægger ingen planer. En termostat er et eksempel. I erhvervslivet fungerer indbakkefiltre og simple routingregler på den måde: pålidelige, når tingene er forudsigelige, og lette at narre, når de ikke er.
Hvad er forskellen på en goal-based- og en utility-based-agent?
En goal-based-agent er tilfreds med enhver plan, der når målet. En utility-based-agent sammenligner mulighederne og vælger den bedste. En goal-based-agent booker et fly til Chicago. En utility-based-agent booker det fly, der bedst afvejer pris, rejsetid og skift, ud fra hvad du har sagt er vigtigt.
Er multiagentsystemer en type AI-agent?
De beskrives bedre som en måde at organisere agenter på. Flere agenter fordeler eller deler et job, og hver af dem kan stadig være en hvilken som helst af de fem klassiske typer. Flere agenter betyder også flere overdragelser, og det er ved overdragelserne, at kontroller oftest bliver sprunget over.
Findes der en officiel liste over typer af AI-agenter til virksomheder?
Nej. De fem klassiske typer bliver undervist bredt, men forretningsinddelingerne varierer. Nogle sorterer agenter efter afdeling, nogle efter hvor selvstændige de er, og nogle efter rolle, som rollerne overvåger, researcher, producent, operatør og koordinator i denne guide. Brug en hvilken som helst inddeling som et planlægningsværktøj, ikke som en standard.
Hvilken type AI-agent bør en lille virksomhed starte med?
Start med et job, der gentager sig, har et klart resultat og er sikkert at tjekke, før noget bliver sendt ud, for eksempel en ugentlig rapport, et researchoverblik eller udkast til opfølgningsmails. Giv agenten læseadgang til det, den har brug for, lad et menneske stå for afsendelse og ændringer i poster, og giv kun mere adgang, når agenten har vist sig pålidelig.
