Det finnes fem klassiske typer av KI-agenter (AI-agenter): enkle refleksagenter, modellbaserte refleksagenter, målbaserte agenter, nyttebaserte agenter og lærende agenter. Enkelt forklart følger de en regel, holder oversikt over hva som skjer, jobber mot et mål, velger det beste av flere alternativer eller blir bedre av tilbakemeldinger. Mange lister legger til to til, hierarkiske agenter og multiagentsystemer, som handler om hvordan flere agenter samarbeider.
Denne guiden forklarer hver type med et eksempel fra hverdagen og et eksempel fra arbeidslivet. Den peker også på ett praktisk poeng: Når en KI-agent gjør feil i forretningsarbeid, skyldes det sjelden dårlig planlegging. Som regel jobber agenten ut fra feil fakta. Så når du velger en agent, bør du først spørre hva den kan se og hva den har lov til å endre. Hvor smart den er, kommer i andre rekke.
Hva er en KI-agent?
En KI-agent er programvare som ser på en situasjon, bestemmer hva som skal gjøres, og så gjør det. En chatbot svarer på spørsmålet ditt. En agent kan også ta neste steg, for eksempel lese innboksen din, oppdatere et regneark eller skrive utkast til et svar.
De fem typene kommer fra Stuart Russell og Peter Norvigs lærebok Artificial Intelligence: A Modern Approach, boken de fleste KI-kurs på universiteter bruker. Der sorteres agenter etter ett spørsmål: Hvordan bestemmer agenten hva den skal gjøre videre? IBMs guide til typer av KI-agenter bruker den samme listen.
Det finnes ingen offisiell definisjon, og det er helt greit. For en leser i næringslivet er den nyttige testen enkel: Svarer den bare, eller kan den også handle?
De 5 klassiske typene KI-agenter
Les de fem typene fra den enkleste til den mest omfattende. Dette er ingen rangering. En enkel løsning er ofte den riktige, og læring kan legges til hvilken som helst av de fire andre.
De fem klassiske typene beskriver hvordan beslutninger tas. Læring kan legges til de fire andre; det er ikke det øverste trinnet på en stige. Sjekk kvaliteten på konteksten uansett hvilken type det gjelder.
YouTube · IBM Technology
5 Types of AI Agents: Autonomous Functions & Real-World Applications · 28. april 2025
En timinutters gjennomgang av lærebokstypene, med en tegning for hver av dem. Oppsummeringen ved 8:23 samler dem i fem verb: reagerer (reacts), husker (remembers), sikter (aims), vurderer (evaluates), forbedrer (improves).
1. Enkle refleksagenter: følger en regel
Hva den gjør: «Hvis dette skjer, gjør det.» Den ser bare på det som ligger foran den akkurat nå.
Eksempel fra hverdagen: en termostat slår på varmen når det er under 19°C.
Eksempel fra jobben: en innboksregel sender alle e-poster som inneholder «faktura» til leverandørreskontro.
Hvor det går galt: alt regelen ikke var forberedt på. Et nyhetsbrev som nevner «faktura», havner også hos økonomiteamet. Regelen ser ikke forskjellen, og den gjør den samme feilen hver gang.
Bruk den når: situasjonen er forutsigbar og en feil koster lite.
2. Modellbaserte refleksagenter: holder oversikt over hva som skjer
Hva den gjør: den følger fortsatt regler, men den husker det den har sett. Det gir den et bilde av situasjonen, som lærebøkene kaller en «modell».
Eksempel fra hverdagen: en robotstøvsuger husker hvilke rom den allerede har rengjort.
Eksempel fra jobben: en kundestøtteassistent ser at kunden allerede meldte fra om den samme feilen forrige uke, og legger derfor den nye meldingen til den åpne saken i stedet for å opprette en duplikat.
Hvor det går galt: når bildet er utdatert. En gammel CRM-oppføring, en beslutning som bare finnes i en Slack-tråd, eller forrige måneds regneark får den til å handle selvsikkert ut fra feil fakta.
Bruk den når: riktig handling avhenger av historikken, ikke bare av den siste meldingen.
Dette er typen som betyr mest for team i næringslivet, og et innlegg som spredte seg bredt på X i begynnelsen av november 2026, viser hvorfor. Gul Saeed Khattak, ledende dataingeniør ved University of Glasgow, beskrev en agent som ble bedt om forrige kvartals omsetning:
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."
Oversettelse: «Den svarer på 3 sekunder. Et ryddig tall. En fin graf. Men den brukte feil «omsetning»-kolonne. Ingen legger merke til det.»
Agenten i den historien resonnerte ikke dårlig. Den resonnerte godt ut fra feil kolonne. Vi er enige i diagnosen. Merk at innlegget går videre til å promotere et bestemt dataverktøy, som vi ikke har testet. Lærdommen for virksomheten er enklere enn noe verktøy: Før du stoler på svaret fra en agent, sjekk hvilken kilde den brukte.
3. Målbaserte agenter: jobber mot et mål
Hva den gjør: du gir den et mål, og den planlegger stegene. I stedet for å spørre «hvilken regel gjelder?» spør den «hva bringer meg nærmere?»
Eksempel fra hverdagen: en navigasjonsapp planlegger en rute og legger den om når du kjører forbi en avkjøring.
Eksempel fra jobben: «Gjør styrepresentasjonen klar til torsdag.» Agenten henter de nyeste tallene, kopierer lysbildeoppsettet fra forrige kvartal og lister opp de åpne spørsmålene.
Hvor det går galt: den sjekker bare om målet er nådd. Hvis to planer begge fungerer, har den ingen grunn til å foretrekke den billigste eller tryggeste.
Bruk den når: du vet hvilket resultat du vil ha, men stegene varierer fra gang til gang.
4. Nyttebaserte agenter: velger det beste alternativet
Hva den gjør: den sammenligner flere gode alternativer og gir dem poeng ut fra det som er viktig for deg.
Eksempel fra hverdagen: et flysøk som veier pris, reisetid og antall mellomlandinger mot hverandre.
Eksempel fra jobben: en annonseassistent foreslår å flytte budsjett mellom kampanjer ved å veie kostnad per salg, gjenværende budsjett og hvor mye data hver kampanje har.
Hvor det går galt: poengene blir aldri bedre enn prioriteringene dine. Hvis ingen har bestemt om fart er viktigere enn kostnad, kan heller ikke agenten bestemme det.
Bruk den når: det finnes reelle avveininger og mer enn ett akseptabelt svar.
5. Lærende agenter: blir bedre av tilbakemeldinger
Hva den gjør: den ser på hvordan tidligere handlinger gikk, og justerer seg. Dette kan bygges oppå hvilken som helst av de fire typene over.
Eksempel fra hverdagen: forslagene i en musikkapp endrer seg etter hvert som du hopper over eller spiller av sanger på nytt.
Eksempel fra jobben: en assistent for lead-scoring rangerer leads bedre etter at salgsteamet har markert hvilke som ble faktiske avtaler.
Hvor det går galt: den lærer det tilbakemeldingene lærer den. Mangelfulle eller inkonsekvente tilbakemeldinger gjør den selvsikker og feil. Læring krever også mest data og mest tid.
Bruk den når: arbeidet gjentar seg ofte og noen følger med på hva agenten lærer.
Type 6 og 7: hierarkiske agenter og multiagentsystemer
Disse to beskriver hvordan flere agenter er organisert, ikke hvordan én agent tar beslutninger.
- Hierarkiske agenter: en «leder»-agent deler en stor jobb opp i deler og gir hver del til en annen agent.
- Multiagentsystemer: flere agenter jobber med det samme problemet samtidig og deler eller fordeler arbeidet.
Eksempel fra jobben: ved en produktlansering undersøker én agent konkurrentene, én skriver utkast til lanseringseposten, og én sjekker landingssiden.
Gir flere agenter bedre resultater? Det kommer an på jobben. I juni 2025 rapporterte Anthropic at et team av agenter slo én enkelt agent på selskapets egne researchtester, men brukte omtrent 15 ganger så mange tokens (enhetene KI-bruk faktureres i) som en vanlig chat. Anthropic skrev også at oppgaver der alle agentene trenger den samme konteksten, passet dårlig (Anthropic). En forskningsartikkel fra oktober 2026, som ennå ikke er fagfellevurdert, fant at agenter som sendte arbeid videre til hverandre, ikke dobbeltsjekket hverandres fakta med mindre prosessen tvang dem til det (arXiv).
Lærdommen er altså ikke at «flere agenter er bedre». Det er den samme regelen du bruker med mennesker: Hver overlevering trenger tydelige innspill, et tydelig resultat og noen som sjekker resultatet.
Hvor dagens KI-agenter passer inn
De fem typene ble beskrevet før verktøy som ChatGPT og Claude fantes. En moderne KI-agent blander flere av dem. Den følger instruksjonene dine (regler), leser dokumentene og de tidligere meldingene dine (holder oversikt), planlegger steg mot det du ba om (mål), veier alternativer når du ber den velge (beste alternativ), og kan bli bedre når du lagrer rettelser (tilbakemelding).
Så hvis en leverandør sier at produktet er «en målbasert agent», forteller det deg lite. Still heller tre enkle spørsmål:
- Hva kan den lese?
- Hva kan den endre?
- Når stopper den og spør et menneske?
Vanlige feil når man tenker på agenttyper
«De senere typene er alltid bedre.» Nei. En enkel regel er billigere, raskere og lettere å kontrollere. Bruk den enkleste typen som gjør jobben.
«En lærende agent lærer automatisk av alt.» I de fleste forretningsverktøy blir den bare bedre når noen lagrer rettelsen, for eksempel som en oppdatert instruksjon. Hvis ingen lagrer den, starter neste kjøring fra null.
«Flere agenter betyr mer kapasitet.» Flere agenter betyr flere overleveringer. Små feil hoper seg også opp: Hvis hvert steg er riktig 95 % av gangene, er en prosess med ti steg bare riktig omtrent 60 % av gangene.
«Typen forteller hva den kan gjøre i min virksomhet.» Typen forteller hvordan den tar beslutninger. Hva den kan gjøre, avhenger av hva den har tilgang til og hva den har lov til å endre.
En enklere måte for team i næringslivet: sorter agenter etter jobben de gjør
Lærebokstypene beskriver hvordan en agent tenker. En salgsansvarlig eller en driftsleder bryr seg som regel mer om jobben den skal gjøre. Derfor synes mange team det er lettere å gruppere agenter etter rolle. Dette er en praktisk tankemåte, ikke en offisiell liste.
| Rolle | Hva den gjør | Hva du får | Hva mennesket fortsatt bestemmer |
|---|---|---|---|
| Overvåker | Følger med på en kilde og flagger det som er viktig | Et daglig varsel eller sammendrag | Hvilke varsler som krever handling |
| Researcher | Samler inn og sammenligner informasjon | Et notat eller en kortliste | Om kildene er gode, og hva som skal gjøres |
| Produsent | Gjør innspill om til et utkast | En e-post, rapport, presentasjon eller side | Redigerer, og sender eller publiserer |
| Operatør | Gjør endringer i verktøyene dine | Oppdaterte oppføringer, et planlagt innlegg | Gir tilgang og godkjenner endringer |
| Koordinator | Kjører en jobb i flere steg på tvers av verktøy | En ferdig pakke, levert tilbake for gjennomgang | Eier resultatet |
Folk overlater allerede hele jobber til agenter. Greg Isenberg, CEO i selskapsbyggerstudioet Late Checkout, beskrev uken sin 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"
Oversettelse: «teamet mitt består av over 50 personer i 12 land, men jeg snakker mer med agentene mine enn med de menneskelige kollegaene mine»
I det samme innlegget nevner han et steg der en agent stiller spørsmål ved ideen hans før noe blir bygget. Det er en god vane for alle rollene i tabellen: La agenten spørre om målet før den begynner. Vårt syn er mindre dramatisk enn hans vinkling. Det er greit å snakke mye med agenter, så lenge mennesker fortsatt bestemmer hva som blir sendt, endret eller godkjent.
Eksempel: én salgsoppfølging, steg for steg
Slik dukker typene opp i én helt vanlig oppgave. Dette er et eksempel på hvordan stegene henger sammen i Okou, ikke en kundehistorie.
Bestillingen. Etter en fornyelsessamtale skriver en kundeansvarlig: «Gå gjennom historikken til denne kunden, lag et notat til teamet mitt, og skriv et utkast til oppfølgingseposten.»
1. Sjekk fakta først (holde oversikt). Agenten leser e-posttråden, samtalenotatene, CRM-oppføringen og ferske nyheter om kunden. CRM-systemet sier «fornyelse, standardvilkår». Men en e-post fra forrige uke sier at økonomiansvarlig hos kunden vil ha kvartalsvis fakturering. Agenten bruker den nyeste e-posten og flagger avviket som et åpent spørsmål.
2. Planlegg arbeidet (mål). Den samler det både notatet og e-posten trenger: hva som ble lovet i samtalen, hva som fortsatt er åpent, og neste steg kunden gikk med på.
3. Følg teamets preferanse (beste alternativ). Den kundeansvarlige har allerede sagt «hold kundeeposter under 150 ord og start med neste steg». Det avgjør avveiningen mellom kort og detaljert.
4. Skriv utkast, ikke send. Teamet har latt Okou skrive utkast i Gmail, men ikke sende dem (Hva er Okou?). Hvis agenten trenger en tilgang den ikke har, godkjenner et menneske det og velger hvor lenge tilgangen skal vare.
5. Bruk riktig format for hver leser. Det interne teamet får et notat som et dokument de kan kommentere. Kunden får en kort e-post som gjør neste steg tydelig.
6. Et menneske går gjennom. Den kundeansvarlige retter én setning om fakturering, sjekker mottakeren og trykker på Send.
En e-post skrevet som utkast i Okou (eksempeldata fra en annen oppgave). Se etter merket Draft og Send-knappen: Ingenting blir sendt før et menneske trykker på Send. Klikk på bildet for å se det i full størrelse.
7. Lagre det slik at teamet kan bruke det igjen (tilbakemelding). Rettelsen hjelper bare neste gang hvis den blir lagret. Den kundeansvarlige ber Okou lagre prosessen som en arbeidsflyt: hvilke kilder som skal sjekkes, hvordan notatet ser ut, og regelen om at e-poster forblir utkast. En kollega kan så kjøre den for en annen kunde med sine egne e-post- og CRM-kontoer, ikke kontoene til den som laget den (Okou for team). Hvis teamet vil at den skal kjøre før hver fornyelsessamtale, kan de legge til en automatisering med en tidsplan eller en utløser.
De fleste artikler om agenttyper legger vekten på steg 2, planleggingen. I dette eksemplet var det steg 1 (den nyere e-posten), steg 4 (utkast, ikke sending), steg 5 (riktig format) og steg 7 (lagring av rettelsen) som gjorde resultatet nyttig.
Slik velger du riktig type KI-agent
Svar på disse spørsmålene om jobben:
- Kan du skrive regelen i én setning? Da kan en enkel regel være nok.
- Avhenger riktig svar av historikken? Da trenger agenten tilgang til de riktige kildene, og du bør sjekke hva den gjør når to kilder er uenige.
- Vet du resultatet, men ikke stegene? Da er det målbasert arbeid: research-notater, rapporter, førsteutkast.
- Finnes det avveininger? Bestem prioriteringene dine først, og la så agenten bruke dem.
- Kommer jobben til å gjenta seg? Planlegg hvordan rettelser blir lagret, slik at neste kjøring blir bedre.
- Hva er det meste den skal kunne endre uten å spørre? Start med lesetilgang og utkast. Gi mer tilgang trinn for trinn, med tidsbegrensning der det er mulig.
Når Okou trenger en tillatelse som mangler, ser et menneske nøyaktig hva det blir bedt om, og velger hvor lenge tillatelsen skal gjelde.
Slik passer Okou inn
Okou er en KI-kollega for team i næringslivet. Du velger ikke en agenttype. Du beskriver jobben, viser til de relevante filene og verktøyene, og Okou samler konteksten, gjør arbeidet i skyen og leverer tilbake noe du kan sjekke.
Tre ting fra denne guiden former hvordan Okou jobber:
- Riktige fakta først. Okou leser e-postene, dokumentene og oppføringene oppgaven trenger, og sjekker fakta som endrer seg, mot kilden. Rettelser du gjør i en chat, følger med videre i den chatten. For å bruke bakgrunnen fra en annen chat viser du Okou til den (Chat).
- Riktig format. En kort melding for en oppdatering, et dokument for detaljer som må gjennomgås, en nettside eller lysbilder når en gruppe skal gå gjennom en anbefaling sammen.
- Gjenbruk med grenser. En lagret arbeidsflyt lar kolleger gjenbruke en metode med sine egne kontoer og tillatelser. Å dele en arbeidsflyt deler ikke noens innboks eller private chatter.
Flere eksempler finner du i 20 bruksområder for KI-agenter med ekte prompter og resultater, kontekststyring for KI-agenter i team og hvordan Okou spør før noe blir gjort.
Ofte stilte spørsmål
Hva er de 5 typene KI-agenter?
Enkle refleksagenter følger faste regler. Modellbaserte refleksagenter holder i tillegg oversikt over situasjonen. Målbaserte agenter planlegger steg mot et mål. Nyttebaserte agenter velger det beste av flere alternativer. Lærende agenter blir bedre av tilbakemeldinger. Listen kommer fra KI-læreboken til Russell og Norvig og er den de fleste kurs bruker.
Hva er en enkel refleksagent innen KI?
Den handler bare ut fra det den ser akkurat nå, med «hvis dette, så det»-regler. Den har ingen hukommelse og legger ingen planer. En termostat er et eksempel. I næringslivet fungerer innboksfiltre og enkle rutingsregler på denne måten: pålitelige når ting er forutsigbare, lette å lure når de ikke er det.
Hva er forskjellen på en målbasert og en nyttebasert agent?
En målbasert agent er fornøyd med hvilken som helst plan som når målet. En nyttebasert agent sammenligner alternativene og velger det beste. En målbasert agent bestiller en flyreise til Chicago. En nyttebasert agent bestiller den som best balanserer pris, tid og mellomlandinger, ut fra det du har sagt er viktig.
Er multiagentsystemer en type KI-agent?
De beskrives bedre som en måte å organisere agenter på. Flere agenter fordeler eller deler en jobb, og hver av dem kan fortsatt være hvilken som helst av de fem klassiske typene. Flere agenter betyr også flere overleveringer, og det er i overleveringene kontroller oftest blir hoppet over.
Finnes det en offisiell liste over typer av KI-agenter for næringslivet?
Nei. De fem klassiske typene undervises bredt, men grupperingene i næringslivet varierer. Noen sorterer agenter etter avdeling, noen etter hvor selvstendige de er, og noen etter rolle, som rollene overvåker, researcher, produsent, operatør og koordinator i denne guiden. Bruk en hvilken som helst gruppering som et planleggingsverktøy, ikke som en standard.
Hvilken type KI-agent bør en liten bedrift starte med?
Start med en jobb som gjentar seg, har et tydelig resultat og er trygg å sjekke før noe går ut, for eksempel en ukentlig rapport, et research-notat eller utkast til oppfølgingseposter. Gi agenten lesetilgang til det den trenger, la et menneske stå for sending og endringer i oppføringer, og gi den mer tilgang først når den har vist seg pålitelig.
