Vad är en ai-agent?

Den enda frågan som skiljer en agent från en chattbot

Vem bestämmer vad som händer härnäst?

I en chattbot gör ingen det. Du skickar ett meddelande, modellen ger ett svar, och turen är över. Behövs en uppföljning skriver du den själv. Modellen agerar aldrig i världen, den skriver bara text.

I en agent bestämmer modellen. Givet ett mål väljer den en handling, som att söka på webben, köra ett kodavsnitt, öppna en sida eller redigera en fil, får tillbaka resultatet som text, läser det och väljer nästa handling. Den fortsätter tills den bedömer att målet är nått eller en stegbegränsning stoppar den. Modellen är loopens styrenhet.

Anthropics tekniska guide "Building effective agents", publicerad i december 2024, drar gränsen på samma ställe: arbetsflöden är system där modellen körs inuti kod som låser vägen, och agenter är system där modellen styr sin egen process och sin egen verktygsanvändning. Guiden är också rakt på sak om vilken av de två man bör bygga först, och svaret är arbetsflödet.

Chattbot, arbetsflöde, agent: samma modell, tre olika loopar

Alla tre kan köra på samma språkmodell. Det som skiljer är vad som omger den.

Kolumnen för arbetsflöde är där de flesta användbara automationer lever. En pipeline som sammanfattar ett dokument, sedan extraherar datumen, och sedan skriver ett utkast till svar, är tre modellanrop i en fast ordning. Den är pålitlig eftersom utvecklaren har bestämt vägen. Det är ingen agent, oavsett vad landningssidan säger, och att kalla den det döljer den verkliga avvägningen: en fast väg är förutsägbar och billig, en modellvald väg är flexibel och varken eller.

Så ser loopen ut, steg för steg

En konkret körning. Målet: "Ta reda på om vår konkurrent ändrat sin prissättning den här månaden och skriv en sammanfattning på två stycken."

1. Modellen läser målet och bestämmer den första handlingen: en websökning efter konkurrentens prissida.
2. Sökverktyget returnerar en lista med resultat som text. Modellen läser den och väljer en att öppna.
3. Webbläsarverktyget returnerar sidan. Modellen extraherar de aktuella priserna.
4. Modellen bedömer att den behöver de gamla priserna, söker efter en arkiverad kopia och öppnar den.
5. Den jämför de två, bedömer att den har tillräckligt, och skriver sammanfattningen.

Fem steg, fyra verktygsanrop, sex modellanrop. Varje steg är ett fullständigt svar från modellen, med hela historiken hittills som indata. Den sista detaljen är kostnadsdrivaren: vid steg fem läser modellen om fyra sidor med sökresultat och sidtext vid varje anrop. Vad är tokens inom ai förklarar varför indata som växer för varje tur är den dyra formen.

Och varje steg är ett ställe att gå fel på. Om sökningen i steg 1 returnerar fel företag sammanfattar steg 2 till 5 självsäkert fel prissättning. Loopen förstärker fel på samma sätt som den förstärker framsteg. En stegbegränsning och en mänsklig kontrollpunkt innan något skickas är inte valfritt.

Vad en agentkörning kostar jämfört med ett enda svar

Aritmetiken är enkel och folk hoppar över den. Ett standardsvar, 1 000 tokens in och 500 ut, har ett listpris per modell i ai-modellernas kostnadsindex, med OpenRouter-priser hämtade 2026-08-20. En agentkörning på 20 steg är minst 20 sådana svar, och i praktiken fler eftersom indatan växer för varje steg.

Tjugo steg med Claude Sonnet 5 kostar $0.14 till golvpris, mot $0.007 för ett enda svar, med Claude Opus 5 är det $0.35, och körs det varje timme blir det runt $250 i månaden innan multiplikatorn för växande indata räknas in. I Whizi-krediter läses samma aritmetik av från Auto-stegen ovan: 100 krediter är 100 snabba frågor med husmodellen eller 5 resonemangsturer med GPT-5.6 Sol, så en loop på 20 steg på resonemangssteget kostar 400 krediter, ungefär en sjättedel av en Pro-månad på 2 500 krediter, och samma loop med husmodellen kostar 20. Det är därför rätt design leder planeringsstegen till en stark modell och rutinstegen till en billig, och därför en flermodellsarbetsyta är det naturliga hemmet för agentarbete snarare än en prenumeration på en enda modell.

Vilka produkter är faktiskt agenter

Kodassistenter som redigerar filer och kör tester är agenter i strikt mening: givet en buggrapport läser de kod, gör en ändring, kör testsviten, läser felet och försöker igen. Loopen är verklig och modellen styr den.

Deep Research-lägen i ChatGPT, Gemini och Perplexity är agenter: de söker, läser, söker igen utifrån vad de hittat, och slutar när de bedömer att frågan är täckt. Antalet steg varierar per fråga, vilket är kännetecknet.

De flesta "agenter" i produktmenyer är personas eller arbetsflöden. En rad i en modellväljare märkt som en skatteagent eller en studiementor är oftast en fast systemprompt plus ett eller två verktyg. Whizis egen sektion för agenter är ärlig om detta: raden för kanadensisk CPA är en förinställning som tvingar fram en websökning vid varje tur, begränsad till sju sökningar, med en större tokenbudget på 55 000 in och 40 000 ut. Det är en persona med ett verktyg fastsatt och en större budget, och den är användbar just för att vägen är fast. Det är ingen loop som modellen styr, och guiden för Auto-routing förklarar vad som faktiskt väljer modellen bakom varje meddelande.

Ordförrådet glider mot att kalla allt en agent. Frågan att ställa till en produkt är den högst upp på den här sidan: vem bestämmer nästa steg? Om svaret är "ett skript" eller "ingen" köper du ett arbetsflöde eller en chattbot, och det kan vara precis vad du vill ha.

När en agent är rätt verktyg, och när den inte är det

En agent motiverar sin kostnad när vägen inte kan veta i förväg: forskning där den andra sökningen beror på det första resultatet, felsökning där fixen beror på testutfallet, surfning där nästa klick beror på sidan. Flexibiliteten är produkten.

En agent är fel verktyg när vägen är känd. Sammanfatta, extrahera, översätta, formatera om, klassificera: det här är ett anrop eller en fast sekvens av anrop, och att paketera dem i en loop lägger till kostnad, fördröjning och ett nytt sätt att misslyckas utan att lägga till förmåga. Anthropics guide håller: börja med ett enda anrop, gå till ett arbetsflöde när ett anrop inte räcker, och ta till en agent bara när arbetsflödet ständigt behöver en förgrening du inte kan förutse.

Beslutsregeln: kan du rita upp stegen på en whiteboard innan du börjar, bygg inte en agent.