thumb|En generativ ai-agents arkitektur, der benytter en stor sprogmodel (LLM) samt yderligere, valgfrie moduler (data, værktøjer, andre modeller). En Ai-agent er et kunstig intelligens-computerprogram, der kan træffe beslutninger, forfølge mål og udføre handlinger uafhængigt af menneskelige programmører. AI-agenter adskiller sig fra kunstig intelligens (AI), der fungerer som et værktøj til snævre, specifikke opgaver – såsom at besvare spørgsmål – hvilket ses hos chatbots (i de ikke-agentiske former, der var udbredte i 2023) eller i traditionelle algoritmer til maskinlæring (ML).
Selvom der ikke findes en universelt anerkendt definition af en AI-agent, omfatter typiske kendetegn ved AI-agenter målorienteret adfærd, brug af eksterne værktøjer, evnen til at interagere med og ændre et eksternt miljø samt evnen til selvstændigt at udføre opgaver, der kræver flere trin. Deres styringslogik er ofte drevet af store sprogmodeller (LLM'er). AI-agentsystemer kan desuden indeholde hukommelseskomponenter, planlægningslogik, grænseflader til værktøjer samt software til orkestrering, der koordinerer AI-agentens forskellige dele.
Historisk Det teoretiske grundlag for kunstige agenter opstod i midten af det 20. århundrede i forbindelse med etableringen af kybernetik og kunstig intelligens. Oliver Selfridges artikel fra 1958, "Pandemonium: A Paradigm for Learning", udgjorde et vigtigt tidligt teoretisk bidrag til udviklingen af agentorienteret arkitektur. Praktiske implementeringer af agenter til anvendelse i den virkelige verden begyndte at vinde udbredelse i 1990'erne, efter introduktionen af softwaremodellen belief-desire-intention (BDI) – på dansk: overbevisning, ønske og intention - samt agentorienteret programmering. Harvard-professor Milind Tambe bemærker, at definitionen af en AI-agent var uklar i 1990'erne. Rene digitale agenter blev anvendt i it-infrastruktur til formål som overvågning, mens agenter forbundet med sensorer og aktuatorer i den fysiske verden i stigende grad blev benyttet i SRO-anlæg.
Tidlige kunstige agenter var ofte baseret på simpel "hvis-så"-logik, som med tiden udviklede sig til omfattende beslutningstræmodeller. I begyndelsen af 2010'erne blev produkter som Siri og Alexa lanceret; disse blev undertiden betegnet som AI-agenter, selvom de manglede den generelle ræsonneringsevne, som kendetegner senere agenter baseret på store sprogmodeller (LLM'er). Udviklingen af LLM'er i slutningen af 2010'erne og begyndelsen af 2020'erne førte nye tilgange til AI-agenter med sig. Modeller som GPT-3 demonstrerede en evne til at generere og forstå naturligt sprog i et langt større omfang end mange tidligere sprogsystemer.
Fra 2018 begyndte forskere at undersøge agenter baseret på store sprogmodeller. Udbredelsen af sådanne agenter tog fart i slutningen af 2023, efter at OpenAI gjorde deres "function-calling"-API tilgængelig. En særlig milepæl var Anthropics lancering af Model Context Protocol (MCP) i slutningen af 2024; en standardiseret metode, der gør det muligt for LLM-baserede agenter at opnå kontekstuel forståelse og interagere med omverdenen ved at kalde forskellige eksterne værktøjer. Begrebet "agentisk" (engelsk "agentic") (agent-lignende eller handlingsorienteret) vandt først for alvor indpas i 2024, blandt andet takket være forskeren Andrew Ng.
Autonome kapabiliteter Financial Times sammenlignede AI-agenters autonomi med SAE-klassificeringen for selvkørende biler; de fleste applikationer blev placeret på niveau 2 eller 3, mens nogle opnår niveau 4 under meget specifikke omstændigheder, og niveau 5 er rent teoretisk.
Kognitiv arkitektur Ken Huang foreslog en referencearkitektur for AI-agenter, der består af syv indbyrdes forbundne lag, hvor hvert lag bygger videre på funktionaliteten i de underliggende lag: Lag 1: Foundation model – leverer de datasæt, der driver agenten. Lag 2: Dataoperationer – håndterer den datainfrastruktur, der kræves til drift af AI-agenter, herunder vektordatabaser, dataindlæsere og retrieval-augmented generation (RAG). Lag 3: Agent-frameworks – software, der administrerer AI-agenterne. Lag 4: Implementering og infrastruktur – det tekniske fundament for AI-agenterne. Lag 5: Evaluering og observerbarhed – AI-agenternes sikkerhed og ydeevne. Lag 6: Sikkerhed og overholdelse af regler (compliance) – et beskyttende rammeværk, der sikrer sikker drift og overholdelse af regulatoriske rammer. På dette lag integreres sikkerheds- og compliance-funktioner, som er indlejret i alle lagene i AI-agent-stakken. Lag 7: Agent-økosystem – udgør AI-agenternes grænseflade mod virkelige applikationer og brugere.
Foreslåede fordele AI-agenter er blevet foreslået som et middel til at øge den personlige og økonomiske produktivitet, fremme større innovation og frigøre brugere fra ensformige opgaver. I en kronik hos Bloomberg argumenterer Parmy Olson imidlertid for, at AI-agenter bedst egner sig til snævre, gentagne opgaver med lav risiko. Omvendt peger forskere på, at AI-agenter kan anvendes til at forbedre webtilgængeligheden for personer med handicap, og forskere hos Hugging Face foreslår, at AI-agenter kan bruges til at koordinere ressourcer, eksempelvis i forbindelse med katastrofeindsatser. BBC's rådgivende team for forskning og udvikling (R&D) vurderer, at AI-agenter er mest nyttige, når det tildelte mål er usikkert. Erik Brynjolfsson mener, at AI-agenter er mest værdifulde, når de bruges til at styrke mennesker frem for at erstatte dem.
Bekymringer Bekymringer vedrørende AI-agenter omfatter potentielle spørgsmål om erstatningsansvar, en øget risiko for cyberkriminalitet), etiske udfordringer samt problemer relateret til AI-sikkerhed og AI-alignment (tilpasning af AI til menneskelige værdier og mål). Andre problemstillinger omfatter online privatliv, svækket menneskeligt tilsyn, manglende garanti for reproducerbarhed, reward hacking (manipulation af belønningsmekanismer), algoritmisk bias, ophobning af softwarefejl, manglende gennemsigtighed i forhold til hvordan agenter træffer beslutninger, it-sikkerhedssårbarheder, hæmning af konkurrence, problemer med underbeskæftigelse, fortrængning fra arbejdsmarkedet, kognitiv aflastning (at man overlader tænkning til teknologien), samt risikoen for manipulation af brugere, spredning af misinformation eller ondsindet information ("malinformation"). De kan desuden komplicere juridiske rammer og risikovurderingsmodeller, skabe hallucinationer, vanskeliggøre modforanstaltninger mod agenter, der agerer uhensigtsmæssigt eller skadeligt, og lide under manglen på standardiserede evalueringsmetoder. Implementering af AI-agenter i virksomheder har givet anledning til kontraktlige bekymringer vedrørende fordeling af ansvar, rettigheder til dataejerskab og juridisk ansvarlighed.
AI-agenter er også blevet kritiseret for at være dyre, for at have en negativ indvirkning på internettrafikken og for potentielt at skade miljøet på grund af et højt energiforbrug. Ifølge Nvidias administrerende direktør, Jensen Huang, vil AI-agenter kræve 100 gange mere regnekraft end store sprogmodeller (LLM'er). Der er også en risiko for øget politisk korruption, da AI-agenter muligvis ikke stiller spørgsmålstegn ved instruktioner på samme måde, som mennesker ville gøre det.
Journalister har beskrevet AI-agenter som en del af et fremstød fra Big Tech for at "automatisere alt". Flere af disse selskabers administrerende direktører udtalte i begyndelsen af 2025, at de forventer, at AI-agenter med tiden vil "indgå i arbejdsstyrken". I et preprint-studie testede forskere fra Carnegie Mellon University imidlertid, hvordan agenter agerede i en simuleret softwarevirksomhed, og de fandt frem til, at ingen af agenterne var i stand til at fuldføre størstedelen af de opgaver, de blev tildelt. Andre forskere gjorde lignende erfaringer med Devin AI og andre agenter – både i formelle forretningsmæssige sammenhænge og i forbindelse med freelancearbejde.
I juni 2025 hævdede CNN, at direktørers udtalelser om, at kunstig intelligens (AI) ville erstatte deres medarbejdere, var en strategi for at "få medarbejderne til at blive ved med at arbejde ved at gøre dem bange for at miste deres job". Teknologivirksomheder har presset deres ansatte til at bruge generative AI-modeller i deres arbejde, herunder AI-værktøjer til kodning. Brian Armstrong, administrerende direktør for Coinbase, afskedigede flere medarbejdere, der nægtede at gøre dette. Nogle erhvervsledere har erstattet en del af deres medarbejdere med AI-agenter, men har bemærket, at disse AI-agenter kræver mere opsyn end de medarbejdere, de har erstattet.
I oktober 2025 rejste mediet Futurism spørgsmålet, om Amazons tidligere annoncerede planer om at erstatte dele af arbejdsstyrken med generativ AI og AI-agenter kunne have været årsagen til det nedbrud hos Amazon Web Services, der fandt sted i oktober 2025. Store teknologivirksomheder som Salesforce, Klarna og IBM annoncerede i 2025 fyringsrunder, hvor de erstattede hundredvis af medarbejdere inden for HR og kundeservice med AI-agenter. Klarna valgte dog senere at genansætte en række menneskelige medarbejdere.
Ved World Economic Forum i 2025 advarede Yoshua Bengio om, at "alle de katastrofale scenarier, der involverer kunstig generel intelligens (AGI) eller superintelligens, vil opstå, hvis vi benytter os af AI-agenter".
Finansielle myndigheder har advaret om, at mere komplekse og autonome AI-systemer – såkaldte "agenter" – kan udgøre en kilde til systemisk risiko i den finansielle sektor. Disse systemer adskiller sig fra anden AI ved, at de kan forfølge mål gennem en række trin, anvende forskellige værktøjer og udføre opgaver med relativt lidt menneskelig indgriben. I workshops med tilsynsmyndigheder, repræsentanter fra centralbanker og brancheeksperter blev der peget på risici forbundet med både AI-agenter, der er udviklet internt i finansielle institutioner, og værktøjer fra teknologivirksomheder, som kan igangsætte eller gennemføre finansielle transaktioner. Ved et forum i 2025 vurderede 44 % af de adspurgte eksperter, at autonome AI-systemer (agenter) udgør den mest sandsynlige kilde til systemisk risiko relateret til AI i den finansielle sektor i dag.
I marts 2025 indgik Scale AI en kontrakt med det USA's forsvarsministerium om – i samarbejde med Anduril Industries og Microsoft – at udvikle og implementere AI-agenter, der skal bistå USA's militær med "operationel beslutningstagning". I juli 2025 rapporterede Fox Business, at virksomheden EdgeRunner AI havde udviklet en offline-agent, der var komprimeret og finjusteret ved hjælp af militær information; virksomhedens administrerende direktør betragtede mere udbredte store sprogmodeller (LLM'er) som værende "stærkt politiserede i retning af venstrefløjen". På det tidspunkt blev modellen anvendt af United States Special Operations Command i forbindelse med en udsendelse i udlandet. Forskere har udtrykt bekymring for, at sådanne AI-agenter – og de store sprogmodeller, de bygger på – kan være præget af en skævhed, der favoriserer aggressive udenrigspolitiske beslutninger.
AI-agenter, der fokuserer på informationssøgning, løber en risiko for konsensusbias og dækningsbias, da de indsamler oplysninger, der er tilgængelige på det åbne internet. NY Mag sammenlignede – i en kritisk tone – brugeroplevelsen ved agentbaserede webbrowsere med Amazon Alexa; de beskrev det som "software, der taler med software – i modsætning til mennesker, der taler med software, som udgiver sig for at være mennesker for at kunne bruge softwaren". Samme medie beskrev webagent-browsere og agenter, der betjener computere, som et forsøg på at "klik-farme hele økonomien".
AI-agenter er blevet sat i forbindelse med teorien om det døde internet (dead internet theory), da de er i stand til både at publicere indhold online og interagere med eksisterende indhold.
AI-agenter kan risikere at sidde fast i uendelige løkker.