Hvad er en AI-agent?

Det ene spørgsmål, der adskiller en agent fra en chatbot

Hvem bestemmer, hvad der sker næste gang?

I en chatbot er det ingen. Du sender en besked, modellen laver ét svar, og turen er slut. Hvis svaret kræver en opfølgning, skal du selv skrive den. Modellen handler aldrig på verden, den skriver kun tekst.

I en agent bestemmer modellen selv. Givet et mål vælger den en handling, som at søge på nettet, køre et stykke kode, åbne en side eller redigere en fil, får resultatet tilbage som tekst, læser det og vælger den næste handling. Den fortsætter, indtil den vurderer, at målet er nået, eller en trinbegrænsning stopper den. Modellen er løkkens styring.

Anthropics tekniske guide "Building effective agents", udgivet i december 2024, trækker grænsen samme sted: workflows er systemer, hvor modellen kører inden i kode, der fastlægger ruten, og agenter er systemer, hvor modellen selv styrer sin proces og brug af værktøjer. Guiden er også ligeud om, hvilken af de to man skal bygge først, og svaret er workflowet.

Chatbot, workflow, agent: samme model, tre forskellige løkker

Alle tre kan køre på den samme sprogmodel. Det, der adskiller dem, er det, der omgiver den.

Workflow-kolonnen er der, hvor det meste nyttige automatisering ligger. En pipeline, der opsummerer et dokument, derefter udtrækker datoerne, og så udkaster et svar, er tre modelkald i en fast rækkefølge. Den er pålidelig, fordi udvikleren har bestemt ruten. Det er ikke en agent, uanset hvad landingssiden siger, og at kalde det en agent skjuler den reelle afvejning: en fast rute er forudsigelig og billig, en rute valgt af modellen er fleksibel og hverken det ene eller det andet.

Sådan ser løkken ud, trin for trin

Et konkret forløb. Målet: "Find ud af, om vores konkurrent har ændret deres priser denne måned, og skriv mig et resumé på to afsnit."

1. Modellen læser målet og vælger den første handling: en websøgning efter konkurrentens prisside.
2. Søgeværktøjet returnerer en liste af resultater som tekst. Modellen læser den og vælger en at åbne.
3. Browserværktøjet returnerer siden. Modellen udtrækker de aktuelle priser.
4. Modellen vurderer, at den har brug for de gamle priser, søger efter en arkiveret kopi og åbner den.
5. Den sammenligner de to, vurderer at den har nok, og skriver resuméet.

Fem trin, fire værktøjskald, seks modelkald. Hvert trin er et fuldstændigt svar fra modellen, med hele historikken indtil da som input. Netop det er det, der driver prisen: ved trin fem genlæser modellen fire sider med søgeresultater og sidetekst ved hvert kald. What are tokens in AI forklarer, hvorfor input, der vokser for hver tur, er den dyre form.

Og hvert trin er et sted, det kan gå galt. Hvis søgningen i trin 1 returnerer det forkerte firma, opsummerer trin 2 til 5 selvsikkert de forkerte priser. Løkken forstærker fejl på samme måde, som den forstærker fremskridt. Et trinloft og et menneskeligt tjekpunkt, før noget bliver sendt, er ikke valgfrit.

Hvad et agentforløb koster mod et enkelt svar

Regnestykket er enkelt, og folk springer det over. Ét standardsvar, 1.000 tokens ind og 500 ud, har en listepris per model i AI model cost index, med OpenRouter-priser hentet 2026-08-20. Et agentforløb på 20 trin er mindst 20 sådanne svar, og i praksis mere, fordi inputtet vokser for hvert trin.

Tyve trin på Claude Sonnet 5 er $0.14 til bundprisen, mod $0.007 for ét svar; på Claude Opus 5 er det $0.35, og kører man det hver time, er det omkring $250 om måneden, før multiplikatoren fra det voksende input. I Whizi-credits læses samme regnestykke af Auto-stigen ovenfor: 100 credits er 100 hurtige spørgsmål på husets model eller 5 resonnementsture på GPT-5.6 Sol, så en 20-trins løkke på resonnementstrinnet er 400 credits, omkring en sjettedel af en Pro-måned på 2.500 credits, og den samme løkke på husets model er 20. Derfor er det rigtige design at sende planlægningstrinene til en stærk model og de rutineprægede trin til en billig en, og derfor er en flermodel-arbejdsplads det naturlige hjem for agentarbejde frem for et abonnement med én model.

Hvilke produkter er reelt agenter

Kodeassistenter, der redigerer filer og kører tests, er agenter i streng forstand: givet en fejlrapport læser de kode, laver en ændring, kører testsuiten, læser fejlen og prøver igen. Løkken er reel, og modellen styrer den.

Deep Research-tilstande i ChatGPT, Gemini og Perplexity er agenter: de søger, læser, søger igen ud fra det, de fandt, og stopper, når de vurderer spørgsmålet dækket. Antallet af trin varierer fra spørgsmål til spørgsmål, hvilket er tegnet.

De fleste "agenter" i produktmenuer er personaer eller workflows. En række i en modelvælger mærket som en skatteagent eller en studiementor er som regel en fast systemprompt plus et værktøj eller to. Whizis egen Agenter-sektion er ærlig om det: CPA-rækken for Canada er en forudindstilling, der tvinger en websøgning igennem på hver tur, begrænset til syv søgninger, med et større tokenbudget på 55.000 ind og 40.000 ud. Det er en persona med et værktøj tilknyttet og et større budget, og den er nyttig netop fordi ruten er fast. Det er ikke en løkke, modellen styrer, og Auto routing guide forklarer, hvad der reelt vælger modellen bag hver besked.

Ordforrådet driver i retning af at kalde alting en agent. Spørgsmålet, man skal stille et produkt, er det samme som øverst på denne side: hvem bestemmer næste skridt? Hvis svaret er "et script" eller "ingen", køber du et workflow eller en chatbot, og det kan sagtens være præcis det, du vil have.

Hvornår en agent er det rette værktøj, og hvornår den ikke er

En agent er sin pris værd, når ruten ikke kan kendes på forhånd: research, hvor den anden søgning afhænger af det første resultat, fejlfinding, hvor rettelsen afhænger af testresultatet, browsing, hvor det næste klik afhænger af siden. Fleksibiliteten er produktet.

En agent er det forkerte værktøj, når ruten er kendt. Opsummere, udtrække, oversætte, omformatere, klassificere: det er ét kald eller en fast rækkefølge af kald, og at pakke dem ind i en løkke tilføjer pris, ventetid og en ny måde at fejle på uden at tilføje evne. Rådet fra Anthropics guide holder: start med ét kald, gå videre til et workflow, når ét kald ikke er nok, og grib kun til en agent, når workflowet bliver ved med at have brug for en forgrening, du ikke kan forudse.

Beslutningsreglen: hvis du kan tegne trinene på en tavle, før du går i gang, skal du ikke bygge en agent.