En AI-agent är programvara som du ger en uppgift. Den bestämmer stegen, använder dina verktyg för att utföra dem och slutar när jobbet är klart eller när den kör fast. Agentisk AI (på engelska ”agentic AI”) är det bredare ordet för AI som arbetar på det här sättet. De två begreppen är alltså inte konkurrenter. ”AI-agent” är namnet på en sak. ”Agentisk” beskriver hur mycket av arbetet som AI:n planerar och utför på egen hand.
Varför spelar det roll? För att leverantörer använder båda orden slarvigt, och etiketten säger sällan vad en produkt faktiskt kommer att göra med din inkorg, ditt CRM eller dina kunder. Den här guiden förklarar var orden kommer ifrån, hur de används i dag och hur du bedömer vilket verktyg som helst genom att ställa några enkla frågor.
Om begreppen fortfarande känns abstrakta kan du börja med en agent som utför ett uppdrag, där mål, bakgrund och verktyg sätts i sitt sammanhang. Följ sedan arbetsloopen i agentisk AI för att förstå varför självständig planering och handling inte är samma sak som tillförlitlighet eller tillåtelse att göra ändringar.
AI-agenter vs agentisk AI: den korta versionen
| AI-agent | Agentisk AI | |
|---|---|---|
| Vad det är | Något du kan peka på | En beskrivning, eller en hel kategori |
| Hur folk säger det | ”Vi använder en AI-agent för att researcha nya leads.” | ”Det här arbetsflödet är agentiskt.” |
| Hur stort | Ett system som gör en sorts uppgift | Allt från en enkel AI-stödd process till flera agenter som arbetar tillsammans |
| Vad du ska fråga | Vilket jobb äger den, och vad får den röra? | Hur många beslut fattar den innan en människa kontrollerar arbetet? |
Ingen äger de här begreppen. Om en artikel ger dig en ”officiell” gräns mellan dem, är det en grupps åsikt du får.
Var orden kommer ifrån
”Agent” är gammalt. I sin lärobok Artificial Intelligence: A Modern Approach från 1995 definierade Stuart Russell och Peter Norvig en agent som allt som uppfattar sin omgivning och agerar på den. Enligt den definitionen räknas en termostat. Det nya är att dagens AI-modeller kan läsa rörigt arbetsmaterial, som ett argt mejl från en kund, och avgöra vad som ska göras.
”Agentisk” är nyare. I juni 2024 föreslog Andrew Ng, grundare av DeepLearning.AI, ett sätt att sluta bråka om vad som ”räknas” som en agent. Se det som en gradfråga, skrev han: ”Unlike the noun 'agent,' the adjective 'agentic'” (översättning: ”Till skillnad från substantivet ’agent’ låter adjektivet ’agentisk’”) dig beskriva system som är lite agentlika eller väldigt agentlika.
Några månader tidigare hade han använt en bra liknelse. Att be en AI om ett svar i ett svep är som att be någon skriva en uppsats utan att någonsin trycka på backstegstangenten. Ett agentiskt arbetssätt låter AI:n göra en disposition, researcha, skriva ett utkast, kontrollera och revidera, precis som en människa skulle göra.
YouTube · Sequoia Capital
What's next for AI agentic workflows ft. Andrew Ng of AI Fund (Vad händer härnäst med agentiska AI-arbetsflöden, med Andrew Ng från AI Fund) · 26 mars 2024
Liknelsen med uppsatsen utan backsteg är den tydligaste korta förklaringen av ”agentisk” som vi har hittat. Det är ett föredrag från 2024, så se det som en lektion i idén, inte som en rapport om dagens verktyg.
Tre sätt som begreppen används på i dag
1. ”Agentisk” som paraplybegrepp. Anthropics guide Building effective agents (december 2024) kallar allt detta för ”agentiska system” och delar sedan upp dem i två. I ett arbetsflöde (workflow) är stegen bestämda i förväg. Hos en agent väljer AI:n själv sina steg. En veckorapport som alltid går igenom samma fem steg är agentisk, men den är ett arbetsflöde.
2. ”Agentisk AI” som team av agenter. En forskningsöversikt, AI Agents vs. Agentic AI (först publicerad i maj 2025, reviderad i september 2025), använder ”AI-agent” för ett enskilt system som gör ett jobb, som att svara på supportfrågor. ”Agentisk AI” reserverar den för flera agenter som delar upp ett större mål mellan sig och samordnar sig.
3. ”Agentisk AI” som marknadsetikett. Analytiker och leverantörer använder ofta begreppet som kategorinamn. I juni 2025 förutspådde Gartner att över 40 % av projekten med agentisk AI skulle läggas ned före utgången av 2027 på grund av kostnader, oklart värde eller svag riskkontroll. Det är en prognos, inte en räkning. Gartner satte också ett namn på ”agent washing”: att kalla en gammal chattbot eller ett automatiseringsverktyg för agent utan att lägga till någon verklig ny förmåga. I maj 2026 varnade Gartner för samma sak inom programvara för planering av leveranskedjor.
Figur 1. Ett vanligt sätt att använda ”agentiska system” som paraplybegrepp för arbetsflöden och agenter. Multiagent beskriver hur agenter kombineras. Det är inte produktkategorier som utesluter varandra.
Den verkliga frågan: vem väljer stegen?
Alla tre användningarna har en gemensam idé. Ju mer en AI bestämmer själv, desto mer agentisk är den. Det mesta arbetet i ett företag hamnar på en av tre nivåer:
- Assistent. Du frågar, den svarar eller skriver ett utkast. Allt annat gör du.
- Arbetsflöde. Stegen är överenskomna i förväg. AI:n sköter läsandet och skrivandet inom varje steg.
- Agent. Du ger den ett mål. Den bestämmer vad den ska kontrollera, vilket verktyg den ska använda och när den vet tillräckligt.
Maya Murad på IBM kallar detta en ”glidande skala” (sliding scale) av autonomi. Du väljer nivå för varje uppgift. Det är ingen funktion du köper en gång.
YouTube · IBM Technology
What are AI Agents? (Vad är AI-agenter?) · 15 juli 2024
Maya Murad går igenom den ”glidande skalan” av AI-autonomi och förklarar sedan varför en avgränsad, förutsägbar uppgift ofta fungerar bättre med en fast väg än med en agent.
Agent eller automatisering? En debatt värd att känna till
Folk som bygger de här systemen yrkesmässigt diskuterar just detta nu. Alex Vacca, som beskriver sig själv som grundare och vd för Frontal AI, ett företag som hjälper B2B-företag att öka sina intäkter, formulerade argumentet för automatisering rakt på sak i ett nyligen publicerat inlägg.
X · Alex Vacca (@itsalexvacca) · 7 oktober 2026
"If you can write every step down first, build an automation." … "An agent fails quietly." (Översättning: ”Om du kan skriva ner varje steg i förväg, bygg en automatisering.” … ”En agent misslyckas i tysthet.”)
Hans poäng är praktisk. Om ett jobb har fasta steg (vårt exempel: att kopiera nya formulärsvar till ett CRM) är det bortkastade pengar att betala en AI för att bestämma de stegen. Han påpekar också att en trasig automatisering oftast ger ett felmeddelande, medan en agent kan fortsätta rapportera att allt gått bra medan svaren långsamt blir sämre. Därför låter han en människa godkänna innan något skickas.
Vi håller med om testet, med en reservation: det är en enskild praktikers syn, baserad på hans egen uppsättning, från någon som säljer just den här sortens arbete. Den stämmer dock med vad Anthropic och IBM säger. Börja med det enklaste som fungerar. Använd en agent bara när stegen verkligen beror på vad den hittar.
Vanliga myter
”Agentisk AI är den nyare, bättre versionen av AI-agenter.” Nej. En agent är något av det mest agentiska som finns. Begreppen beskriver grader, inte produktgenerationer.
”Mer autonomi är alltid bättre.” Nej. Mer autonomi kostar mer och är svårare att kontrollera. För en veckorapport som ser likadan ut varje gång är ett fast arbetsflöde billigare och mer förutsägbart.
”En agent vet allt om ditt företag.” Den vet bara det den kan se: verktygen du har kopplat in och konversationen den befinner sig i. I Okou, till exempel, har varje chatt sin egen kontext. En ny chatt börjar från noll om du inte medvetet tar in en tidigare chatt.
”Fler agenter betyder större förmåga.” Inte nödvändigtvis. Varje överlämning mellan agenter är ännu ett ställe där misstag kan hopa sig eller där åtkomst kan spridas. Fråga vem som äger slutresultatet.
”Etiketten säger vad den gör.” Nej. Gartner myntade ”agent washing” just för detta, och varnade fortfarande för det 2026. Strunta i ordet och fråga vad produkten gör på egen hand.
En uppgift, tre sätt: en kampanjrapport
Tänk dig att en marknadschef behöver fredagens kampanjsammanfattning. Det här är en illustrativ uppgift, inte ett kundresultat. Kampanjöversikten registrerar anmälningar, annonskontot registrerar kostnader och uppdragsbeskrivningen anger rapporteringsperioden. En kanal har ännu inte rapporterat klart.
1. Be en agent en gång
Chefen ber: ”Jämför kostnader och anmälningar för veckans kampanjer. Använd datumen i uppdragsbeskrivningen, länka siffrorna till källorna och markera kanaler med ofullständiga uppgifter. Förbered en sammanfattning; ändra inga budgetar och publicera den inte.” Agenten väljer stegen: läsa uppdragsbeskrivningen, samla siffrorna, upptäcka luckan och ta fram en jämförelse med tydliga förbehåll. Att kalla detta en agent berättar vem som utför uppgiften, inte om slutsatsen är korrekt.
En riktig aktivitetsindikator från en annan uppgift. Den visar pågående arbete, inte ett bevis på att kampanjrapporten har kontrollerats eller slutförts.
2. Spara rapporteringsmetoden som ett arbetsflöde
När chefen har kontrollerat resultatet sparar hen källistan, datumregeln, beräkningen och granskningschecklistan som ett Okou-arbetsflöde. Stegen kan vara ganska förutsägbara samtidigt som en del arbete inom ett steg fortfarande kräver omdöme, till exempel att upptäcka att en kanal använder ett annat datumintervall. Ett arbetsflöde är en återanvändbar metod. Det är inte ett bevis på att flera agenter har samarbetat, och det är inte ett löfte om att AI:n får fatta alla beslut på egen hand.
3. Lägg till ett schema separat
En automatisering kan starta arbetsflödet varje fredag för en utsedd ansvarig. Den ändrar när uppgiften börjar. Den tillför inte saknade data, gör inte rapporten tillförlitlig och ger inte tillstånd att ändra budgeten.
Godkännandekriterierna är desamma i alla tre varianterna: enhetliga datum, siffror med källänkar, saknade data tydligt märkta och ett utkast som lämnas för granskning. Om rapporten rekommenderar att budget flyttas kontrollerar chefen beläggen och fattar beslutet. Därför är den användbara skillnaden den mellan utföraren, den sparade metoden och utlösaren, snarare än tre alltmer imponerande produktetiketter.
Det som stannar hos människor
Att låta AI välja stegen får inte betyda att ingen är ansvarig för resultatet. Innan en agent rör verkligt arbete ska fyra saker vara bestämda:
- Vad den får läsa. Vilka inkorgar, CRM-system och dokument, och via vems konto.
- Vad den får ändra. Att skriva ett utkast är inte att skicka. Att föreslå en CRM-uppdatering är inte att göra den.
- Var den stannar. Vilka åtgärder som alltid väntar på en människa.
- Vad den lämnar tillbaka. En brief, ett utkast eller en post som någon kan kontrollera mot källorna.
Människor som använder AI i jobbet tänker redan så här. I Microsofts Work Trend Index 2026, en enkät bland 20 000 AI-användare i 10 länder som genomfördes i början av 2026, sa 86 % att de ser AI:s resultat som en utgångspunkt, inte ett slutgiltigt svar. Det här är människors egna svar, inte ett mått på resultat.
Läs mer om hur ett team anpassar sig när AI börjar ta över arbete i vad som förändras när AI arbetar självständigt.
Frågor att ställa till alla ”agentiska” verktyg
- Vem väljer stegen? Bestämda i förväg, valda av AI:n varje gång, eller en blandning?
- Vad kan verktyget se? Vilka verktyg, via vems inloggning, och minns det tidigare konversationer?
- Vad kräver ditt godkännande? Upprätthålls det med behörigheter, eller står det bara i en prompt?
- Vad gör det när det är osäkert? Flaggar det problemet, eller gissar det?
- Kan du se vad det har gjort? Registreras varje steg och resultat?
- Kan ditt team återanvända det som fungerar? Kan metoden sparas, delas och schemaläggas med en namngiven ägare?
Ett verktyg som svarar tydligt på de här frågorna är värt att titta på, vad det än kallar sig. För idéer om var du kan börja, se de här exemplen på AI-agenter för verkligt arbete och vår guide om att hantera kontext och behörigheter.
FAQ
Är agentisk AI samma sak som en AI-agent?
Inte riktigt. En AI-agent är ett specifikt system som tar emot en uppgift, väljer stegen och använder verktyg för att slutföra den. Agentisk AI är det bredare begreppet för AI som arbetar så, i vilken grad som helst. Varje AI-agent är agentisk, men ”agentisk AI” kan också betyda ett fast arbetsflöde med AI-steg, eller flera agenter som arbetar tillsammans.
Vad är skillnaden mellan agentisk AI och generativ AI?
Generativ AI skriver eller skapar något när du ber om det och väntar sedan. Agentisk AI använder den förmågan för att arbeta mot ett mål: den planerar, agerar med hjälp av verktyg, kontrollerar resultatet och fortsätter. De flesta AI-agenter körs på en generativ modell, men att skriva ett svar är bara en del av vad de gör.
Vilka risker finns med agentisk AI?
Riskerna kommer från att agera, inte från att svara. En AI med åtkomst till mejl, ett CRM eller annonskonton kan göra en felaktig ändring eller skicka något som ingen har kontrollerat. Gartners prognos från 2025 om att många projekt med agentisk AI kommer att läggas ned före 2027 pekade på kostnader, oklart värde och svag riskkontroll. Ge den bara den åtkomst som uppgiften kräver, logga varje steg och kräv godkännande för allt som lämnar företaget.
Vad är skillnaden mellan agentisk AI och RPA?
RPA (robotic process automation) följer inspelade steg exakt, som att kopiera fält från ett system till ett annat. Agentisk AI kan hantera arbete där nästa steg beror på vad den läser, som ett mejl som måste förstås. Vissa RPA-verktyg har döpts om till ”agentiska” utan några verkliga förändringar, så be att få se hur ett verktyg hanterar något oväntat.
Kan agentisk AI arbeta helt självständigt?
Vissa system kan köra många steg utan en människa. I affärslivet är det sällan målet. De flesta team låter AI:n researcha, skriva utkast och föreslå, medan en människa godkänner allt som går utanför företaget eller är svårt att ångra, som att skicka ett mejl eller ändra en post. Analytiker är också försiktiga: i maj 2026 sa Gartner att de flesta verktyg för planering av leveranskedjor inte hade nått full autonomi.
Behöver jag en AI-agent eller en enklare automatisering?
Börja enkelt. Om en uppgift har samma steg varje gång är ett sparat arbetsflöde på ett schema billigare och mer förutsägbart. Använd en agent när stegen beror på vad den hittar, som att ta reda på varför en kund är i riskzonen. Många team gör båda: de använder en agent för att komma fram till metoden och sparar den sedan som ett arbetsflöde för att kunna upprepa den.
