Jasmin Vizlin

AI-agenter levereras som ett paket: en modell och ramverket runt den, det som på engelska kallas harness. Båda förändras. Vem godkänner förändringen?

Leverantörerna versionerar sina modeller väl. Man kan låsa en viss version och planera för när den fasas ut. Många agentverktyg låter dessutom användaren låsa klientversionen och välja modell.

Det som saknas är agenten som en sammanhållen, versionerad enhet. En agents beteende uppstår ur modellen, ramverket, instruktionerna och verktygen tillsammans. I dag versioneras de var för sig, standardvalet är ofta att följa senaste versionen, och i agenter som drivs som molntjänst kan kunden sällan låsa något alls.

Säkerhetsrekommendationer säger att en agents behörigheter ska begränsas till det uppgiften kräver. I praktiken beror risken med behörigheterna också på vad modellen kan göra med dem. När modellen uppgraderas blir agenten oftast bättre på att använda verktygen den redan har: den kedjar anrop, hittar kantfall i verktygens scheman och driver ett mål längre innan den ber om hjälp. Behörigheterna är desamma, men den faktiska risken kan ha förändrats.

Tänk dig en hypotetisk supportagent:

1. Den kan läsa supportärenden och skicka e-post.
2. Den avsedda uppgiften är att skriva ett svarsutkast till ett enskilt ärende.
3. Ett ärende innehåller en dold instruktion om att samla in kunddata. Den gamla modellen klarar inte uppgiften i flera steg. En starkare modell genomför den: den kombinerar flera ärenden, plockar ut känslig information och skickar den med e-post utan granskning.
4. Varje enskild åtgärd använder befintliga behörigheter, men helheten går utöver den avsedda uppgiften.

Den äldre modellens oförmåga att genomföra kedjan var ett oavsiktligt skydd. En säkerhetsdesign får aldrig bygga på att modellen är för svag för att utföra en oönskad handling. Oförändrad agentkod och oförändrade behörigheter kan ändå ge förändrad risk efter en modelluppgradering.

För reglerad verksamhet som hälso- och sjukvård är det här vad jag efterfrågar av de stora AI-leverantörerna:

• Ett gemensamt versions-ID för hela agenten: modell, ramverk, instruktioner och verktyg
• Versionsinformation som beskriver förändrat beteende, inte bara nya funktioner
• En låst version med support, och besked i god tid innan den ändras
• Central styrning så att organisationer själva godkänner uppgraderingar, även i agenter som drivs som molntjänst

Finns det här på leverantörernas färdplaner? EU:s AI-förordning ser redan en väsentlig ändring av ett AI-system med hög risk som skäl för en ny bedömning av överensstämmelse. Agenter förtjänar samma disciplin.

Läs originalet och diskutera på LinkedIn →

Jag har byggt en enkel kalkylator för att uppskatta kostnaden för AI agenter i Copilot Studio, ni kan nå den på www.vizlin.com/calc.html

Det som ofta syns först är Copilot Credits eller tokenförbrukning.

Men det är sällan där hela kostnaden ligger.

Under ytan finns ofta större poster:

• Licenser för Microsoft 365 Copilot
• Bygg och införande av agenten
• Förvaltning av agent, källor och behörigheter
• MCP baksida med API anrop, compute och externa tjänster
• Dataverse, lagring och monitorering
• Granskning och kvalitetssäkring
• Säkerhet, juridik, AI förordningen, GDPR och NIS2

Min poäng är inte att AI agenter är för dyra.

Min poäng är att beslutet inte bör bygga på kreditkostnaden ensam.

En agent kan vara billig att köra men dyr att förvalta. Den kan också vara dyr att bygga men ändå motiverad om den löser ett återkommande problem i stor skala.

Det viktiga är att räkna på total ägandekostnad och faktisk nytta.

Inte bara på vad varje svar kostar.

Hur räknar ni på AI agenter i dag: krediter, licenser eller total kostnad?

Öppna kalkylatorn →

#AI #CopilotStudio #Microsoft365Copilot #Digitalisering #ITArkitektur

Till er alla som tar examen 2026 (eller har någon som tar examen i år och kliver ut i en värld förändrad av AI):

All ära till AI. Men glöm inte att bli en förespråkare för HI, human intelligence, människans intelligens och mänsklig fantasi, vår inspiration och samhörighet med varandra.

Nu har jag arbetat med AI ett tag, ungefär som vi alla, AI kommer snabbt och med kraft, men vi människor är kvar. Det paradoxala är att just det här ögonblicket tvingar oss att förstå vad som faktiskt är unikt med att vara människa.

Ingen algoritm uppfann blues eller jazz, båda föddes ur smärta, känslor och sorg. Inget effektivt AI program ritade Venedig, en smått surrealistiskt byggd stad som står på pålar, AI fungerar inte så och tur för oss att Venedig är inte AI designad.

Mänsklig storhet handlar inte om optimering, den växer ur kamp. Det är därför litteraturen håller, böckerna skildrar inte felfria varelser. Kant skrev av så krokigt virke som människan är gjord kan inget helt rakt timras.... Eller Leonard Cohen som sjöng i Anthem: there is a crack, a crack in everything. That's how the light gets in....

Våra brister är inte fel att radera, våra brister är att vara människan. De är källan till empati, kreativitet, klokskap, motståndskraft och skönhet.

Fira därför det härligt ofullkomliga mänskliga sinnet. Våra brister är inga buggar i någon kod. De är sprickorna som släpper in ljuset.

AI är fortfarande i sin linda. Det går nästan inte att säga hur IT-världen kommer att se ut om sex månader, än mindre om fem år. Vi pratar ofta om AI som ett verktyg, men frågan är om det inte håller på att bli något större än så. Hur kommer AI i våra mobiler att se ut? Vad händer med klassiska Windows-applikationer när AI redan kan skapa bättre rapporter, mer precisa kalkyler och snyggare presentationer än många människor hinner göra själva?

Även appar börjar få en annan roll. Det som tidigare krävde ett helt team kan i dag byggas relativt snabbt av en person som förstår problemet och kan använda rätt AI-verktyg. Igår byggde jag själv en app. För ett år sedan hade det varit betydligt mer tidskrävande, inte minst för att jag inte har lärt mig tidigare att bygga Android appar. Om ett år lär det vara ännu enklare.

Kanske är nästa steg inte fler appar, utan färre gränssnitt. Kanske blir röst, kontext och lokala AI-lösningar viktigare än menyer, knappar och tangentbord. Kommer vi om tio år att titta på tangentbord på samma sätt som vi i dag tittar på gamla telefoner med snurra?

Samtidigt förändras själva utvecklingen av AI. Modeller skriver redan kod. Agenter kan kontrollera andra agenter. Maskinell feedback börjar komplettera, och ibland ersätta, mänsklig feedback. RLAIF, Reinforcement Learning from AI Feedback, tar större plats bredvid RLHF, Reinforcement Learning from Human Feedback. Syntetisk data, test-time compute och modeller som "tänker" längre innan de svarar pekar mot en annan typ av intelligenta system än de vi nyss började vänja oss vid.

Det mest intressanta är kanske inte vad AI kan göra i dag. Det mest intressanta är hur snabbt våra antaganden om arbete, system, gränssnitt och kompetens blir gamla.

En filosof frågade en gång: "whither philosophy?" Jag kommer på mig själv med att ställa samma fråga om AI.

Computer Swedens artikel om bristande AI-strategi sätter fingret på något jag tror många känner igen. AI ses som strategiskt viktigt på högsta nivå, men frågan om vem som faktiskt äger strategin är svårare att svara på.

Det är ett strukturellt problem, inte ett personproblem. AI-strategi kräver delat ägarskap mellan affär och teknik. Affärssidan behöver äga målbild, risk och legitimitet. Tekniksidan behöver äga genomförbarheten i form av arkitektur, data, säkerhet och modellförvaltning. När den ena sidan saknas blir resultatet antingen pilotprojekt utan tekniskt fäste eller plattformar utan verksamhetsförankring.

Men ägarskap är bara början. Att bygga en AI-modell är ofta den enklaste delen. Det svåra är allt runt omkring. AI Act, GDPR och NIS2 ställer konkreta krav, och tillsynsmyndigheter kommer att granska hur organisationer faktiskt styr sina AI-system. Då räcker det inte med att modellen fungerar. Det förutsätter:

• Informationsklassning av de data som tränar och matas in
• Riskbedömning och DPIA där det är aktuellt. FRIA också.
• Klassificering enligt AI Akts riskskala
• Leverantörsbedömning av inköpta modeller och tjänster
• Driftkontroller, loggning och bevispaket som kan visas vid en granskning
• En utpekad modellägare över hela livscykeln

Det är här en AI-strategi blir verkligt prövad. Inte i pilotfasen, utan när första granskningen kommer och organisationen ska kunna visa både vad den gör och varför. Det jag tror branschen är på väg mot är att koppla AI-initiativ till ordinarie portföljstyrning och förvaltningsfinansiering redan från start, så att compliance och styrning inte blir en eftertanke.