Det ene spørsmålet som skiller en agent fra en chatbot
Hvem bestemmer hva som skjer videre?
I en chatbot er det ingen. Du sender en melding, modellen gir ett svar, og turen er over. Trenger svaret en oppfølging, skriver du den selv. Modellen handler aldri i verden, den skriver bare tekst.
I en agent er det modellen som bestemmer. Gitt et mål velger den en handling, som å søke på nettet, kjøre kode, åpne en side eller redigere en fil, får resultatet tilbake som tekst, leser det og velger neste handling. Den fortsetter til den vurderer at målet er nådd, eller til en stegbegrensning stopper den. Modellen er løkkens styringssentral.
Anthropics tekniske veiledning "Building effective agents", publisert i desember 2024, trekker grensen samme sted: arbeidsflyter er systemer der modellen kjører inne i kode som fastsetter banen, mens agenter er systemer der modellen selv styrer prosessen og bruken av verktøy. Den samme veiledningen er også tydelig på hva du bør bygge først, og svaret er arbeidsflyten.
Chatbot, arbeidsflyt, agent: samme modell, tre ulike løkker
Alle tre kan kjøre på den samme språkmodellen. Det som er forskjellig, er det som omgir den.
| Chatbot | Arbeidsflyt | Agent | |
|---|---|---|---|
| Hvem velger neste steg | Ingen, ett svar per melding | Et skript skrevet av en utvikler | Modellen, ut fra siste resultat |
| Bruker verktøy | Av og til, ett kall per tur | Ja, i en fast rekkefølge | Ja, i den rekkefølgen den selv velger |
| Når den stopper | Etter ett svar | Når skriptet er ferdig | Når den vurderer at målet er nådd, eller ved en stegbegrensning |
| Typisk feil | Et feilaktig svar | Et steg som får dårlig inndata | En løkke som vandrer, gjentar seg eller stopper for tidlig |
| Kostnad per oppgave | Ett svar | Et kjent antall svar | Ukjent til den er ferdig |
Arbeidsflyt-kolonnen er der mesteparten av nyttig automatisering hører hjemme. En pipeline som oppsummerer et dokument, deretter trekker ut datoene og til slutt utkaster et svar, er tre modellkall i en fast rekkefølge. Den er pålitelig fordi utvikleren har bestemt banen. Det er ikke en agent, uansett hva landingssiden sier, og å kalle den det skjuler den egentlige avveiningen: en fast bane er forutsigbar og billig, en modellvalgt bane er fleksibel og verken det ene eller det andre.
Slik ser løkken ut, steg for steg
Et konkret eksempel. Målet: «Finn ut om konkurrenten vår endret prisene sine denne måneden, og skriv meg et sammendrag på to avsnitt.»
- Modellen leser målet og bestemmer den første handlingen: et websøk etter konkurrentens prisside.
- Søkeverktøyet returnerer en liste med resultater som tekst. Modellen leser den og velger en å åpne.
- Nettleserverktøyet returnerer siden. Modellen trekker ut de gjeldende prisene.
- Modellen bestemmer at den trenger de gamle prisene, søker etter en arkivert kopi og åpner den.
- Den sammenligner de to, vurderer at den har nok, og skriver sammendraget.
Fem steg, fire verktøykall, seks modellkall. Hvert steg er et fullstendig svar fra modellen, med hele historikken så langt som inndata. Det siste er det som driver kostnaden: ved steg fem leser modellen på nytt fire sider med søkeresultater og sidetekst ved hvert kall. What are tokens in AI forklarer hvorfor inndata som vokser for hver tur, er den dyre formen.
Og hvert steg er et sted feil kan oppstå. Hvis søket i steg 1 returnerer feil selskap, oppsummerer steg 2 til 5 selvsikkert feil priser. Løkken forsterker feil på samme måte som den forsterker fremgang. En stegbegrensning og et menneskelig sjekkpunkt før noe sendes, er ikke valgfritt.
Hva en agentkjøring koster mot ett enkelt svar
Regnestykket er enkelt, og folk hopper over det. Ett standardsvar, 1000 tokens inn og 500 ut, har en listepris per modell i AI model cost index, med OpenRouter-priser hentet 2026-08-20. En agentkjøring på 20 steg tilsvarer minst 20 slike svar, og i praksis mer, fordi inndataen vokser for hvert steg.
Tjue steg på Claude Sonnet 5 koster $0.14 til minsteprisen, mot $0.007 for ett enkelt svar, på Claude Opus 5 er det $0.35, og kjører du det hver time blir det omtrent $250 i måneden før multiplikatoren fra voksende inndata. I Whizi-kreditter leser den samme regningen av Auto-stigen ovenfor: 100 kreditter er 100 raske spørsmål på husmodellen eller 5 resonnementrunder på GPT-5.6 Sol, så en løkke på 20 steg på resonnementtrinnet er 400 kreditter, omtrent en sjettedel av en Pro-måned på 2500 kreditter, mens den samme løkken på husmodellen bare er 20. Det er derfor riktig design ruter planleggingsstegene til en sterk modell og de rutinemessige stegene til en billig en, og hvorfor et arbeidsområde med flere modeller er det naturlige hjemmet for agentarbeid, ikke et abonnement med bare én modell.
Hvilke produkter er faktisk agenter
Kodeassistenter som redigerer filer og kjører tester er agenter i streng forstand: gitt en feilrapport leser de koden, gjør en endring, kjører testene, leser feilen, og prøver igjen. Løkken er ekte, og modellen styrer den.
Deep Research-moduser i ChatGPT, Gemini og Perplexity er agenter: de søker, leser, søker igjen basert på det de fant, og stopper når de vurderer spørsmålet som dekket. Antall steg varierer fra spørsmål til spørsmål, og det er selve kjennetegnet.
De fleste «agenter» i produktmenyer er personaer eller arbeidsflyter. En rad i en modellvelger merket som en skatteagent eller en studieveileder er som regel en fast systemprompt pluss ett eller to verktøy. Whizis egen Agenter-seksjon er ærlig om dette: den kanadiske CPA-raden er en forhåndsinnstilling som tvinger frem et websøk ved hver tur, med et tak på syv søk og et større tokenbudsjett på 55 000 inn og 40 000 ut. Det er en persona med et verktøy festet til seg og et større budsjett, og den er nyttig nettopp fordi banen er fast. Det er ikke en løkke modellen styrer, og Auto routing guide forklarer hva som faktisk velger modellen bak hver melding.
Vokabularet driver mot å kalle alt for en agent. Spørsmålet du bør stille et produkt, er det samme som toppen av denne siden: hvem bestemmer neste steg? Hvis svaret er «et skript» eller «ingen», kjøper du en arbeidsflyt eller en chatbot, og det kan være nettopp det du vil ha.
Når en agent er riktig verktøy, og når den ikke er det
En agent er verdt kostnaden når banen ikke kan vites på forhånd: forskning der det andre søket avhenger av det første resultatet, feilsøking der løsningen avhenger av testresultatet, nettlesing der neste klikk avhenger av siden. Fleksibiliteten er selve produktet.
En agent er feil verktøy når banen er kjent. Oppsummere, trekke ut, oversette, omformatere, klassifisere: dette er ett kall eller en fast rekke kall, og å pakke dem inn i en løkke legger til kostnad, ventetid og en ny måte å feile på uten å legge til kapasitet. Rådet fra Anthropics veiledning står seg: start med ett enkelt kall, gå til en arbeidsflyt når ett kall ikke strekker til, og velg en agent bare når arbeidsflyten stadig trenger en forgrening du ikke kan forutsi.
Beslutningsregelen: hvis du kan tegne stegene på en tavle før du starter, skal du ikke bygge en agent.
- Spør hvem som bestemmer neste steg, før du tror et produkt er en agent
- Budsjetter en agentoppgave som steg multiplisert med prisen per svar, og legg til for voksende inndata
- Sett en stegbegrensning og et menneskelig sjekkpunkt før ethvert steg som sender, kjøper, sletter eller publiserer
- Bruk den sterke modellen til planleggingssteg og en billig modell til rutinesteg
- Hvis du kan tegne stegene på forhånd, bygg en arbeidsflyt i stedet
Vanlige spørsmål
Hva er forskjellen mellom en AI-agent og en chatbot?
En chatbot gir ett svar per melding og utfører ingen handling. En agent forfølger et mål over mange steg, velger hver neste handling selv, kaller verktøy som søk eller kode, leser resultatene og bestemmer når den er ferdig. Samme modell, ulik løkke: agenten kjører en, chatboten gjør det ikke.
Hva er et eksempel på en AI-agent?
En kodeassistent som leser en feilrapport, redigerer koden, kjører testene, leser feilen og prøver igjen til de består. Deep Research-moduser som søker, leser og søker igjen basert på det de fant, er et annet eksempel. Begge bestemmer sitt eget neste steg, og det er den avgjørende egenskapen.
Er ChatGPT en AI-agent?
Den vanlige chatten er det ikke, den svarer på én melding om gangen. ChatGPTs agent- og Deep Research-moduser er det, fordi modellen i disse modusene planlegger, bruker verktøy og itererer på egen hånd. Det samme gjelder Geminis Agent Mode og Deep Research, og Claudes Research-modus og Claude Code. Hvert produkt er en chatbot med agentmoduser inni seg.
Hvorfor er AI-agenter dyre?
Fordi hvert steg er et fullstendig modellkall, og inndataen vokser for hvert steg etter hvert som historikken hoper seg opp. En kjøring på 20 steg på Claude Sonnet 5 koster minst $0.14 til listepris mot $0.007 for ett enkelt svar, ifølge OpenRouter-priser hentet 2026-08-20, og den voksende inndataen presser kostnaden høyere. Å rute rutinesteg til en billigere modell er den vanlige måten å holde det nede på.
Trenger jeg en AI-agent for oppgaven min?
Bare hvis banen ikke kan planlegges på forhånd. Forskning, feilsøking og nettlesing, der hvert steg avhenger av det forrige resultatet, har nytte av en agent. Oppsummering, uttrekk, oversettelse og omformatering er ett kall eller en fast rekke kall, og en agent legger til kostnad og feilmåter uten å legge til kapasitet.
