Det senaste halvåret har jag knappt kunnat öppna LinkedIn utan att se ordet “agent” i varje annan rubrik. AI-agenter hit, agentic AI dit. Microsoft lanserar agenter i Copilot, Salesforce kallar sin nya produkt Agentforce, SAP bygger AI-agenter rakt in i sina affärssystem. Och jag fattar att det skapar förvirring. Häromveckan frågade en kund mig rakt ut: “Är det här bara en chatbot med nytt namn, eller händer det faktiskt något?”
Bra fråga. Kort svar: ja, det händer något. Långt svar: det beror på vad man menar med “händer”. Och det är det jag ska försöka reda ut här.
Vad är en AI-agent?
En AI-agent är ett system som kan ta emot ett mål och sedan självständigt lista ut vilka steg som behövs för att nå dit. Inte bara generera ett svar — utan faktiskt göra saker.
Ta ett konkret exempel. Om du ber ChatGPT “boka ett möte med kunden imorgon kl 14” får du ett artigt svar om att den inte kan boka möten, kanske en mall. En AI-agent? Den kollar din kalender, ser att du har ett hål kl 14, skickar en inbjudan till kunden och bekräftar. Skillnaden är inte semantisk — det är en fundamentalt annan typ av system. Chatboten pratar. Agenten agerar.
Sen finns det grader, förstås. Alla ai agenter är inte lika självständiga. En del behöver godkännande i varje steg — ungefär som en junior medarbetare som stämmer av innan varje beslut. Andra kör långa arbetsflöden helt på egen hand. Man brukar jämföra med autonominivåerna för självkörande bilar, och precis som där befinner sig det mesta i mitten just nu.
Det tycker jag är bra. Jag har sett vad som händer när man ger system för mycket autonomi utan tillräcklig övervakning. (Mer om det längre ner.)
Skillnaden mellan AI-agenter och agentisk AI
Det här glider förbi i de flesta artiklar jag läser, men det är en distinktion som faktiskt spelar roll om man ska förstå vad leverantörerna pratar om.
En AI-agent är en enskild enhet. Den gör en sak — hanterar supportärenden, övervakar en databas, kategoriserar fakturor. Smart, kanske, men den jobbar ensam med sitt avgränsade uppdrag.
Agentisk AI — eller agentic AI, som det oftare kallas — handlar om att flera agenter samarbetar. En samlar in data, en annan analyserar, en tredje fattar beslut, en fjärde genomför beslutet. Tänk det som skillnaden mellan en duktig anställd och ett helt team som koordinerar sig.
Gartner har pekat ut agentic AI som en av de viktigaste strategiska tekniktrenderna för både 2025 och 2026. McKinsey rapporterar att 23% av organisationer håller på att skala minst ett agentiskt system, medan ytterligare 39% experimenterar. Men färre än 10% har faktiskt fått det att fungera i produktionsskala. Tio procent. Det säger något om var vi befinner oss — fortfarande i visionsfasen snarare än i breddimplementering.
Och jag ska vara ärlig: mycket av det som säljs som “agentic AI” i dag är ganska styra arbetsflöden med lite AI-fernissa på. Det är samma mönster som med “deep learning” för tio år sedan — alla skulle ha det, få förstod vad det egentligen innebar, och ännu färre fick ut verkligt värde. Det betyder inte att det saknar potential. Det betyder att man bör skruva ner förväntningarna ett par snäpp och fokusera på vad tekniken faktiskt levererar i dag.
Är ChatGPT en AI-agent?
Den här frågan får jag i princip varje gång jag pratar om det här ämnet. Svaret: inte riktigt. ChatGPT i sin grundversion är en språkmodell som genererar text. Den planerar inte. Den agerar inte. Den lär sig inte av sina misstag i realtid.
Men OpenAI har steg för steg lagt till agentliknande funktioner — plugins, code interpreter, browsing. Allt det där handlar om att ge modellen verktyg att interagera med omvärlden. Och med custom GPTs kan man bygga system som gör saker i flera steg med specifika API:er.
Samma sak gäller Anthropics Claude, Googles Gemini och andra. Modellerna i sig är inte agenter, men de kan vara motorn i ett agentsystem. Jag brukar förklara det så här: modellen är hjärnan, men agenten är hela kroppen. Armar, ben, sinnen. Det är helheten som avgör vad systemet klarar av.
Anthropic har tagit en intressant väg som är värd att nämna separat. I slutet av 2024 lanserade de Model Context Protocol — MCP — ett öppet protokoll som gör det möjligt för AI-modeller att koppla ihop sig med externa system på ett standardiserat sätt. Tänk det som USB för AI. MCP donerades till Linux Foundation i december 2025 och stöds nu av OpenAI, Google och Microsoft med över 75 connectors. Det är infrastruktur, inte en produkt — och det kanske visar sig vara viktigare än någon enskild agent.
Claude har även fått “computer use” (den kan klicka, scrolla och navigera i webbläsare) och Claude Code med subagenter som kan bygga specialiserade arbetsflöden. Jag använder det själv dagligen. Att Anthropics approach betonar säkerhet och kontroll — agenten måste be om godkännande innan den gör känsliga saker — det tycker jag är klokt. Mer om varför i riskavsnittet.
Vilka är de stora aktörerna just nu?
2026 handlar om att tech-jättarna tävlar om att definiera marknaden. Låt mig ge en snabb överblick utan att det blir en produktkatalog:
Microsoft Copilot har gått från glorifierad autocompletare i Office till en plattform där företag bygger egna agenter. Copilot Studio låter dig skapa agenter som navigerar mellan Teams, Outlook, SharePoint och andra Microsoft-tjänster. För organisationer som redan sitter i Microsofts ekosystem (och det gör de flesta svenska företag) är det sannolikt det mest tillgängliga alternativet just nu.
Salesforce Agentforce fokuserar på kundrelationer — agenter som hanterar hela kundärenden från första kontakt till lösning. I teorin utan mänsklig handläggare. I praktiken fungerar det bäst för standardärenden. Den sortens nyanserade bedömning som krävs för riktigt krångliga ärenden? Där är vi inte ännu.
SAP bygger in agenter i sina ERP-system. Inköp, fakturering, supply chain. Det här är inte leksaksprojekt — det rör kärnan i hur stora företag faktiskt drivs. Och det gör det extra intressant (och extra riskabelt om det går fel).
Anthropic har valt en annan strategi: istället för att bygga en färdig agentprodukt bygger de infrastrukturen — MCP, computer use, Agent Teams — som andra kan bygga ovanpå. Det kan visa sig vara smartare på sikt. Att äga plattformen istället för att bygga varje enskild agent.
Google lanserade Project Mariner — en agent som navigerar webbläsaren autonomt med Gemini 2.0. 83.5% på WebVoyager-benchmarket, tio parallella uppgifter. Imponerande på pappret. Hur det fungerar i verkligheten med riktiga företagsmiljöer? Det återstår att se.
Sedan finns det ett helt ekosystem av startups och open source — AutoGPT, CrewAI, LangGraph — alla med lite olika filosofi. Fragmenterat. Ingen tydlig standard. Svårt att veta vad man ska satsa på. Men det är precis så det brukar se ut i tidiga faser av ett teknikskifte.
Vad kan AI-agenter faktiskt göra i dag?
Det är lätt att bli förförd av demovideor. Jag har sett hundratals vid det här laget, och de har en sak gemensamt: de visar perfekta scenarion. Verkligheten? Lite annorlunda.
Det jag ser fungera på riktigt — i faktiska kundmiljöer, inte i demos — är uppgifter som är repetitiva, regelbaserade och har tydliga framgångskriterier. Automatisk kategorisering av supportärenden. Datainsamling och rapportgenerering. Fakturahantering där agenten matchar, verifierar och godkänner standardfakturor. Inte sexigt. Men det sparar tid och pengar, och det är processer där det faktiskt går att mäta om agenten gör nytta.
Google Clouds ROI-undersökning visar siffror som är svåra att ignorera: 74% av chefer rapporterar positiv avkastning redan första året. Svarstider i kundtjänst har gått från 6 timmar till 4 minuter. Kontaktcenter löser ärenden 52% snabbare. Man bör dock komma ihåg att det är Google som publicerar det här — de har ett uppenbart intresse av att siffrorna ser bra ut.
Där det däremot börjar bli rörigt är uppgifter som kräver bedömning, domänkunskap och hantering av undantag. En AI-agent som löser 80% av kundärendena korrekt kan verka fantastisk — tills man inser att de 20% den missar kanske är de viktigaste. De komplexa ärendena. De känsliga ärendena. De ärenden där en kund redan är arg och en robotaktig hantering gör allt värre.
Det finns också en drift-problematik som sällan nämns i säljpresentationerna. Agenter som “lär sig över tid” låter bra i en pitch. I praktiken innebär det att systemet gradvis kan förändra sitt beteende i oväntade riktningar om man inte har robust monitorering. Jag har sett det med vanliga ML-modeller i produktion — data driftar, kundbeteenden förändras, och plötsligt spårar modellen ur. Med agenter som dessutom fattar beslut baserat på resonemang som kan vara hallucinerande? Konsekvenserna kan bli rejäla.
AI-agenter för svenska företag — var står vi?
Jag möter den här frågan ofta i kundsamtal. Och svaret beror på vad man jämför med.
Enligt SCB använder 35% av svenska företag AI i någon form. Det låter hyfsat, och vi ligger bland de högre siffrorna i EU. Men det handlar till stor del om enkla tillämpningar — en chatbot här, en rekommendationsmotor där, kanske prediktiv analys baserad på historisk data. AI-agenter i egentlig mening? Det är fortfarande väldigt tidigt.
De flesta svenska organisationer jag träffar befinner sig i utforskningsfasen. Man kör piloter. Man testar verktyg. Man försöker förstå vad som passar. Finanssektorn har kommit längst — bankerna experimenterar med agenter för KYC-processer och bedrägerispärrar — men även där handlar det om experiment, inte produktion.
Mönstret känner jag igen från tidigare teknikskiften. Svenska företag är — och det här är både en styrka och en svaghet — väldigt duktiga på att utreda och analysera. Man vill se bevis innan man skalar. I sig sunt. Men jag har sett projekt som fastnat i utredningsfasen i månader. Ibland år. Medan konkurrenter i andra länder redan har agenter i drift och samlar riktig data om vad som fungerar.
Det som ger mig hopp? Att den svenska kulturen av digitalisering och relativt hög datamognad skapar en bra grund. AI Sweden driver kunskapsdelning. Ekosystemet mognar. Men steget från proof-of-concept till produktion — det steget saknas fortfarande hos de flesta. Och det är inte ett teknikproblem. Det är ett organisatoriskt problem.
Risker och utmaningar
Det vore oärligt att bara prata möjligheter. Och jag skulle göra mina läsare en björntjänst om jag inte var tydlig med riskerna.
Kontrollförlust. Det mest uppenbara. Ju mer autonom en agent är, desto svårare blir det att förutsäga vad den gör. Det är inte en teoretisk farhåga — jag har sett agenter fastna i loopar, fatta beslut som ingen bad om, och tolka instruktioner på sätt som ingen förväntade sig. I en testmiljö är det lärorikt. I produktion kan det bli dyrt.
Hallucinationer i kedjan. När en chatbot hallucinerar kan du se det i svaret och bortse från det. När en agent hallucinerar mitt i ett resonemang och sedan agerar på det — skickar ett mail, ändrar i ett system, fattar ett beslut — då har du ett helt annat problem. Felet sprider sig genom hela kedjan, och det kan vara svårt att ens upptäcka i efterhand.
Säkerhet. En agent som har tillgång till interna system, databaser och API:er har per definition en större attackyta. Prompt injection — att man manipulerar agentens beteende genom specialutformad input — är ett aktivt forskningsområde utan enkla lösningar. Det är en av anledningarna till att jag tycker Anthropics permission-first-approach är klok: agenten ska aldrig kunna göra skada utan att en människa först godkänt åtgärden.
Ansvar. Om en agent fattar ett beslut som leder till ekonomisk skada — vem bär ansvaret? Hur granskar man beslutskedjan i ett system som fattar beslut i flera steg? EU:s AI Act klassificerar autonoma AI-agenter som potentiellt “high risk” beroende på användningsområde, med krav på transparens, riskhantering och mänsklig tillsyn. Det innebär regulatoriska skyldigheter som kan bli rejält utmanande för agentiska system.
Gartner förutspår att mer än 40% av agentic AI-projekt avbryts före slutet av 2027. Fyrtio procent. Det påminner om mönstret från tidigare teknikskiften — initiala överdrivna förväntningar, en dal av besvikelse, och sedan gradvis mognad. Tekniken kommer att leverera. Men det tar längre tid och kostar mer än vad säljpresentationerna antyder.
Hur kommer man i gång?
Det korta svaret: börja smått. Jag vet att det inte är sexigt. Men efter att ha sett tillräckligt många ambitiösa AI-projekt som skulle “transformera verksamheten” rinna ut i sanden har jag blivit oerhört övertygad om värdet av att börja med något avgränsat.
Hitta en process som tar tid, är repetitiv och har tydliga regler. Bygg en agent som hanterar den — men med mänskligt godkännande i varje kritiskt steg. Human-in-the-loop. Det är inte ett tecken på svaghet — det är det smartaste sättet att lära sig hur tekniken beter sig i just din miljö. Mät resultaten noggrant. Utöka autonomin gradvis baserat på vad du faktiskt observerar, inte vad du hoppas.
Ett medelstort företag jag pratat med började med att automatisera sorteringen av inkommande mail till rätt avdelning — en enkel uppgift, men den tog en halvtid för en administratör varje dag. Inte världens mest avancerade AI-agent, men resultat första veckan. Det bygger förtroende. Och förtroende är vad man behöver för att kunna skala.
Vad händer härnäst?
Att AI-agenter kommer spela en allt större roll verkar ganska klart. Investeringarna är för stora och användningsfallen för uppenbara för att trenden ska vända. Men formen det tar kan skilja sig rejält från vad vi föreställer oss i dag.
Gartner säger att 33% av enterprise-mjukvara kommer inkludera agentisk AI till 2028, upp från under 1% 2024. Och att 15% av dagliga arbetsbeslut kommer fattas autonomt av AI-agenter — en siffra som i dag är i princip noll. Huruvida det stämmer exakt spelar mindre roll. Riktningen är tydlig.
Vi kommer sannolikt att se en uppdelning. Å ena sidan standardiserade agenter inbäddade i Microsofts, Salesforces och SAP:s ekosystem — plug-and-play för vanliga arbetsflöden. Å andra sidan skräddarsydda agentsystem för företag med specifika behov och tillräcklig teknisk mognad att bygga och underhålla dem. Samma uppdelning som vi sett med alla tidigare företagsteknologier, egentligen.
Det viktigaste just nu är inte att ha den mest avancerade agentlösningen. Det är att förstå tekniken tillräckligt väl för att kunna fatta bra beslut om var och hur den ska användas. Och att börja samla erfarenhet. Den organisationen som har kört en enkel agent i sex månader och lärt sig av sina misstag kommer ligga ljusår före den som fortfarande sitter och utvärderar plattformar.
Och så finns det en fråga som sträcker sig bortom tekniken: gränsen mellan verktyg och medarbetare håller på att suddas ut. Vad det innebär för hur vi organiserar arbete — det vet jag inte riktigt ännu. Men det är en fråga jag tror vi alla kommer behöva ta ställning till de närmaste åren.
Läs även: Så bygger du en AI-strategi som faktiskt fungerar och AI i Sverige 2026 — statistik, trender och verklighet