AI-agentene er her – men verdien kommer ikke av seg selv

Produsent: Torbjørn Vinje

Da 2026 startet, var forventningene til AI-agenter skyhøye. Mange så for seg at autonome digitale medarbeidere raskt skulle ta over oppgaver, effektivisere prosesser og gi virksomheter et tydelig konkurransefortrinn.

I podkasten Teknologi og mennesker tar programleder Christian Brosstad en realitetssjekk sammen med Anne Line Stampe, fagansvarlig 365 AI i DNB, og Christoffer Besler Hansen, Head of AI Workplace i Atea.

Konklusjonen er ikke at agentene har skuffet. Snarere tvert imot. Men utviklingen har vist at det ikke holder å kjøpe inn teknologi og vente på gevinstene. Virksomheter må forstå hva agentene faktisk kan gjøre, hvor risikoen ligger, og hvordan ansatte og ledere må jobbe annerledes.

En agent gjør noe for deg

Begrepet AI-agent brukes bredt, og ofte litt upresist. I den ene enden kan det være en chatbot med tydelige instrukser. I den andre enden finner vi mer avanserte løsninger som kan utføre oppgaver, sende e-poster, hente informasjon, jobbe etter regler eller reagere automatisk når noe skjer.

Anne Line Stampe forenkler definisjonen:

– En agent er noen som gjør noe for deg.

Samtidig peker hun på at presisjon ikke alltid er det viktigste for brukerne.

– Det er utrolig viktig at folk kommer i gang og lærer seg det. Det er ikke så farlig om du snubler litt i ordene.

For dem som utvikler, forvalter og setter løsningene i produksjon, er presisjonen likevel viktigere. Etter hvert som stadig mer AI markedsføres som agenter, øker også faren for det deltakerne omtaler som «agent washing» – at vanlige AI-funksjoner pakkes inn som noe mer agentisk enn de egentlig er.

Artikkelen fortsetter etter annonsen:

De siste månedene har utviklingen gått særlig raskt innen verktøy som kan skrive kode, bygge applikasjoner og utføre konkrete oppgaver på vegne av brukeren. Besler Hansen trekker frem at ikke-tekniske brukere i økende grad kan lage egne applikasjoner, dashboard og arbeidsverktøy ved å beskrive hva de ønsker.

– Det er der jeg føler at den store forbedringen har kommet. At selv ikke-tekniske folk sitter på fritida eller jobbtida og lager egne applikasjoner.

Han mener dette åpner for en ny type skaperglede i arbeidslivet. Der programmering tidligere var forbeholdt utviklere, kan flere nå bygge små løsninger som faktisk løser egne problemer.

Samtidig er mye fortsatt midlertidig. Både Stampe og Besler Hansen peker på at dagens måte å organisere agenter på kan være et hvileskjær. Orkestrering, multiagenter og spesialiserte assistenter kan være nyttig nå, men på sikt kan brukeropplevelsen bli langt enklere.

Målet kan bli at brukeren bare forholder seg til én chat eller én flate – og at systemet selv finner riktig agent i bakgrunnen.

DNB bygger fra grasrota

DNB har valgt en tydelig bottom-up-tilnærming. I stedet for at AI-arbeidet styres utelukkende fra toppen eller gjennom store business case-prosesser, har banken gitt mange ansatte tilgang til verktøy og mulighet til å eksperimentere.

– Vi har bygd masse agenter fra grasrota.

Stampe sier at mange av agentene kanskje ikke får varig verdi i seg selv. Likevel har eksperimenteringen gitt organisasjonen bredere forståelse av hva teknologien kan brukes til.

– Nå har vi jo folk i hele organisasjonen som har en rimelig god peiling på hva agenter kan gjøre. Det gjør at vi kan få caser overalt.

Besler Hansen mener flere virksomheter har noe å lære av denne tilnærmingen. Mange er opptatt av at de «må ha agenter», men vet ikke helt hvordan de skal komme i gang. Han mener nøkkelen ligger i å koble domeneekspertise med teknisk kompetanse.

– Når folk begynner å tenke litt annerledes på hvordan generativ AI kan gjøre ting de vanligvis gjør manuelt, kommer de kanskje også opp med ideer til hva vi kunne laget en AI-agent til.

Artikkelen fortsetter etter annonsen:

Selv om interessen er stor, er det fortsatt mange virksomheter som strever med å dokumentere verdien av AI-investeringene. Ifølge Besler Hansen skyldes det blant annet at mye av arbeidet til nå har handlet om eksperimentering og kompetansebygging.

Han tror likevel verdiskapingen vil øke raskt når teknologien, integrasjonene og datagrunnlaget modnes.

Stampe advarer samtidig mot å tro at verdien automatisk blir synlig.

– Det er jo ikke sånn at jeg leverer tilbake en halvtime av dagen min.

Hun mener ledere må ha en plan for hvordan frigjort tid og økt kapasitet faktisk skal tas ut. Hvis ansatte bare bruker spart tid til å jobbe mer, blir gevinsten vanskelig å se i regnskapet.

Det handler derfor ikke bare om å måle minutter spart. Virksomheter må også se på kvalitet, kundetilfredshet, raskere saksbehandling, mestring, kompetanseutvikling og jobbglede.

80 prosent mennesker, 20 prosent teknologi

Et gjennomgående poeng i episoden er at AI-arbeidet først og fremst handler om mennesker. DNB startet sitt interne AI-arbeid allerede i oktober 2023, med vekt på kontinuerlig læring, lav terskel og interne ambassadører.

– Vi skal alltid være veldig nedpå, vi skal ikke bruke fremmedord.

Stampe forteller at DNB har hatt åpne kurs og webinarer hver uke over lang tid. Målet er ikke å imponere med teknologi, men å gjøre AI relevant og trygt for vanlige ansatte.

– Vi skal være kolleger som snakker med kolleger, og vi skal holde folk i hånden hele veien.

Atea jobber på lignende måte, blant annet med opplæringsløp på ulike nivåer. Besler Hansen mener enkeltstående kurs sjelden er nok, fordi verktøyene endrer seg så raskt. Kompetansebyggingen må skje løpende.

Toppledelsen spiller også en viktig rolle. I DNB fikk konsernledelsen tidlig tilgang til AI-verktøy og egen opplæring. Stampe mener ledelsen må bidra til tempo og trygghet, uten å oversnakke risiko.

Artikkelen fortsetter etter annonsen:

Når ansatte får tilgang til agenter som kan utføre stadig flere oppgaver, endres også lederrollen. Ledere må forstå hvordan AI påvirker prosesser, roller og kompetansebehov.

Besler Hansen mener ansatte bør øve på å delegere til AI.

– Jeg skal på en måte være arkitekten. Jeg må ha kontroll over veldig mye og forstå hvordan ting fungerer, hva må jeg spørre om osv. Men AI-agenten er i stand til å utføre alt mye bedre enn meg.

Han peker på at gode resultater krever god bestillerkompetanse. En agent leverer bedre når brukeren er tydelig på mål, rammer og ønsket resultat.

Samtidig kan dette bli krevende for organisasjoner. Hvis en ansatt lager en agent som kan gjøre store deler av egen jobb, må virksomheten ha rom for å snakke ærlig om hva det betyr. Stampe mener det må etableres samtalearenaer der slike spørsmål kan tas opp uten frykt.

– Hvis du lærer av dette her, og finner ut hvordan du kan bruke det i jobben din, så sitter du med makta selv istedenfor at andre gjør det.

Ikke bare AI-fiser gamle prosesser

Et viktig råd fra panelet er å ikke bare legge AI oppå eksisterende arbeidsprosesser. Den største verdien kommer når virksomheter tør å tenke nytt.

Stampe bruker læring som eksempel. Man kan bruke AI til å lage et kurs raskere, men kanskje er ikke kurset riktig format i det hele tatt. Kanskje fremtidens læring heller skjer gjennom dialog med en AI som tilpasser seg den enkelte.

Det samme gjelder prosjektledelse, rekruttering og andre prosessdrevne områder. Lange kjeder med manuelle steg kan i noen tilfeller kollapse til én enklere prosess.

– Det er noe alle snakker om, at du kan ikke bare AI-fisere, men du må retenke.

Besler Hansen understreker samtidig at mennesker fortsatt er viktige. Å erstatte mennesker med avatarer eller helautomatiserte flater fungerer ikke nødvendigvis.

– Mennesker liker fortsatt mennesker best.

AI bør derfor ofte brukes som assistent, støtte og forsterkning – ikke som en blind erstatning.

Når agenter går fra eksperimentering til produksjon, endres risikobildet. Stampe peker på at AI ofte forsterker eksisterende svakheter. Har virksomheten dårlig kontroll på dokumenttilganger, datakvalitet eller informasjonsstyring, blir risikoen større når AI får tilgang til det samme grunnlaget.

– Hvis du ikke har kontroll på tilgangsstyringen til dokumenter, blir bare den risikoen forhøyet.

DNBs erfaring er at den største restrisikoen ofte handler om mennesker: at ansatte deler informasjon feil, ikke kvalitetssikrer svar eller stoler for mye på AI-generert innhold.

– Kunnskap, kunnskap, kunnskap. Og trening, trening, trening.

Besler Hansen trekker frem prompt injection som en ny og viktig angrepsflate. Når agenter kan lese e-post, hente informasjon fra nettsider eller være eksponert mot eksterne brukere, kan de i verste fall manipuleres til å gjøre noe de ikke skal.

Derfor blir guardrails, tilgangsstyring, utgangsscreening og livssyklusstyring viktig. Mange virksomheter kan ende opp med hundrevis eller tusenvis av agenter. Da må de også kunne ryddes, slettes og kontrolleres.

Kostnadene kommer

Et annet tema som er blitt tydeligere i 2026, er prising. Mange AI-verktøy beveger seg fra faste abonnementer til mer bruksbaserte modeller. Når agenter utfører tyngre oppgaver, særlig innen koding og analyse, kan tokenforbruket bli høyt.

Besler Hansen mener virksomheter må begynne å tenke mer bevisst på hvem som bærer kostnaden, og hvordan AI-forbruk bør styres.

– Hvis du fortsatt har AI-forbruket ditt på IT-budsjettet, så kan jo de som driver med IT-budsjett få et problem i slutten av året.

Stampe mener løsningen ikke er å stoppe bruken, men å bli smartere. Ikke alle oppgaver krever den dyreste og kraftigste modellen.

– Selv hos de beste folka er det vanskelig å vite når man skal bruke hvilken modell.

Dermed blir modellvalg, kostnadskontroll og forståelse av forbruk en del av den nye AI-kompetansen.

For virksomheter som fortsatt står på sidelinjen, er rådet tydelig: Start. Ikke vent på at alt er ferdig avklart.

– Bare kom i gang med det verktøyet du har.

Stampe anbefaler å teste på alle nivåer i organisasjonen, inkludert ledergruppen. Hun mener virksomheter bør snakke mer sammen, dele erfaringer og følge med på hva andre gjør.

Besler Hansen går enda lenger. Han mener de som ikke har startet, begynner å få dårlig tid.

– Nå begynner det å haste litt.

Samtidig handler det ikke om å løpe ukritisk etter det nyeste. Virksomheter må bygge kompetanse, forstå risiko, rydde i data og finne konkrete problemer teknologien kan løse.

Den viktigste realitetssjekken er kanskje denne: AI-agentene er ikke magi. De er heller ikke bare hype. De er verktøy som allerede kan skape verdi – men først når mennesker, prosesser og ledelse endrer seg sammen med teknologien.

• Transkripsjon fra tale til tekst med JoJo / NB Whisper
• Råfil bearbeidet med en språkmodell
• Endelig tekst utarbeidet av Torbjørn Vinje