21. June 2026
Det snakkes mye om "agentisk AI" – systemer der kunstig intelligens ikke bare svarer på spørsmål, men faktisk utfører komplekse oppgaver på egen hånd. Men hvordan tar man dette fra uforutsigbare demoer til pålitelig drift i milliardbedrifter? En fersk gjennomgang av et samarbeidsprosjekt hos den tyske kjemigiganten Bayer viser nøyaktig hvordan de har knekt koden for å bygge robuste KI-agenter som ikke sporer av underveis.
Utfordringen med store språkmodeller (LLM-er) i forretningskritiske systemer er at de er iboende probabilistiske – de gjetter på det mest sannsynlige neste ordet, noe som gjør at de kan gi ulike svar på samme forespørsel. For selskaper som opererer i strengt regulerte bransjer, har dette vært en rød linje. Løsningen ligger ikke i å vente på en magisk, feilfri modell, men i å bygge tette, deterministiske kontrollmekanismer og automatiserte testsystemer rundt KI-agentene for å temme uforutsigbarheten.
For farmasøytiske selskaper og forskningsintensive virksomheter betyr dette at man endelig kan automatisere dype analyser av patenter og kjemiske databaser uten å frykte farlige feilslutninger i sluttrapportene. Tilsvarende kan prosjektledere i komplekse forsyningskjeder nå sette opp agenter som henter, validerer og rapporterer sanntidsdata på tvers av utdaterte systemer, med en pålitelighet som tilfredsstiller strenge revisjonskrav.
Tenk på det som å ansette en ekstremt kjapp, men litt distré konsulent. Du ville aldri latt vedkommende styre prosjekter uten klare rammer og løpende kvalitetssikring. Bayer-metoden handler i bunn og grunn om å kode disse rammene og sjekklistene direkte inn i systemarkitekturen, slik at KI-en tvinges til å verifisere sine egne steg før neste handling utføres. Les hele den strategiske arkitekturgjennomgangen hos Martin Fowler.