Samme modell, samme spørsmål. Den ene agenten gjetter, den andre vet.

Om noen måneder kommer en ny språkmodell som er bedre enn den du bruker i dag. Den blir tilgjengelig for deg samme dag som for konkurrenten din, til samme pris. Det samme gjelder den etter den igjen.

Det betyr noe som mange ennå ikke har tatt inn over seg. Intelligensen er blitt en vare. Den kjøpes per token, av alle, fra de samme få leverandørene. Hvis alle har like smarte agenter, kan det ikke være intelligensen som avgjør hvem som får mest ut av dem.

Det som avgjør, er hva agenten vet. Og der er forskjellen mellom bedrifter enorm.

Hva en AI-agent er

En chat svarer på et spørsmål. En agent løser en oppgave.

Under panseret er det den samme typen språkmodell. Forskjellen er hva den får lov til. En agent får et mål, et sett verktøy og lov til å handle i flere steg på egen hånd. Den legger en plan, henter det den trenger, gjør jobben, sjekker resultatet og prøver igjen hvis noe ikke stemmer. Den stopper ikke ved første svar. Den stopper når oppgaven er løst, eller når den må spørre et menneske.

Det høres enkelt ut, og det er det også. Det vanskelige er ikke å få en agent til å handle. Det vanskelige er å få den til å handle riktig, i akkurat din bedrift, med akkurat dine kunder, prosjekter og avtaler. For det må den vite noe.

Samme modell, tre svar

Ta en oppgave som dukker opp hver uke i en prosjektbedrift. Kunden på Gressvik-prosjektet har fått sluttfakturaen og spør hvorfor summen er høyere enn tilbudet. Noen må finne ut hvorfor, og skrive et svar.

Her er den samme oppgaven gitt til den samme modellen tre ganger. Én gang i en vanlig chat. Én gang som en agent som får lete i SharePoint og e-posten. Og én gang som en agent koblet til en selskapshjerne. Trykk «Spill av igjen» for å se det en gang til.

Oppgaven Kunden på Gressvik spør hvorfor sluttsummen ble høyere enn tilbudet. Finn ut hvorfor, og skriv et svar.

Chat

Vanlig chattjeneste, uten tilgang til bedriften

0:04

1. 0:01TenkerLeser spørsmålet
2. 0:04UtførerSkriver et svar ut fra det den vet generelt

«Sluttsummen kan avvike fra tilbudet av flere grunner, for eksempel endringer underveis, tilleggsarbeid eller uforutsette forhold. Gå gjennom endringsmeldingene og forklar kunden hva som er endret.»

Agent som leter

Samme modell, med tilgang til SharePoint og e-post

5:10

1. 0:03TenkerLegger en plan
2. 0:20LeterSøker etter «Gressvik» og får 212 treff
3. 1:10LeterÅpner kontrakten, som finnes i tre versjoner
4. 2:30LeterLeser 38 e-posttråder med kunden
5. 3:40LeterÅpner regnearket med timer
6. 5:10Står fastFinner ikke ut hvilke endringer kunden har godkjent

«Jeg fant fire endringsmeldinger, men ikke hvilke kunden har godkjent. Kontrakten finnes i tre versjoner. Kan du sjekke hvilken som gjelder?»

Agent med hjerne

Samme modell, koblet til selskapshjernen

0:44

1. 0:02TenkerLegger en plan: tilbud, endringer, faktura
2. 0:04TilgangSlår opp med prosjektlederens tilgang, sporbart
3. 0:06Slår oppProsjektet, kunden og gjeldende kontrakt
4. 0:09Slår oppFire endringsmeldinger, med status og beløp
5. 0:13Slår oppTimer og fakturaer, rett fra regnskapet
6. 0:22DrøfterEndring 4 er ikke godkjent av kunden, og holdes utenfor
7. 0:31DrøfterTilbudet og de tre godkjente endringene gir nøyaktig sluttsummen
8. 0:44UtførerSkriver svaret til kunden og legger det klart til godkjenning

«Sluttsummen er 184 000 kroner over tilbudet. Forskjellen er de tre endringene dere har godkjent: ekstra fundamentering, ny ventilasjon i andre etasje og forlenget riggleie. Endring 4 er ikke godkjent og ikke fakturert.» Venter på prosjektlederen før det sendes.

• Kontrakten, gjeldende versjon
• Endring 1 til 3
• Fakturaene
• Tilbudet

Legg merke til tre ting.

Chatten er raskest, og svaret høres fornuftig ut. Men det er et svar til hvem som helst. Det sier ingenting om Gressvik, og prosjektlederen må fortsatt gjøre hele jobben selv.

Agenten som må lete, er ikke dum. Den gjør akkurat det en ny medarbeider ville gjort: søker, åpner, leser. Men den vet ikke hvilken versjon av kontrakten som gjelder, eller hvilke endringer som er godkjent, for det står ingen steder i klartekst. Etter fem minutter og mange tusen tokens gir den opp og spør deg.

Agenten med selskapshjerne bruker lengre tid enn chatten. Men den leverer ferdig arbeid: et svar til kunden med riktig beløp, riktige endringer og kilde til hver påstand, klart for at et menneske kan lese over og sende. Samme modell, samme spørsmål. Den ene gjetter, den andre vet.

Hjernen er agentens superkraft

Hva var det agenten med selskapshjerne gjorde annerledes? Den lette ikke. Den slo opp.

En selskapshjerne har gjort letingen på forhånd. Den har lest systemene, dokumentene og e-posten, og bundet det sammen: dette prosjektet hører til denne kunden, har denne kontrakten, disse endringene og disse fakturaene. Når agenten spør, får den ikke en haug med treff. Den får sammenhengen.

Agenten spør Hvorfor ble sluttsummen på Gressvik høyere enn tilbudet?

GressvikProsjektet

• ByggherrenKunden og kontaktpersonen
• TilbudetDet kunden sa ja til
• KontraktenGjeldende versjon
• EndringsmeldingerFire, tre godkjent
• FakturaeneRett fra regnskapet
• E-postTrådene med kunden
• TimerFørt per uke og fag
• LønnIngen tilgang

Det gir agenten fire egenskaper den ikke kan få fra en smartere modell:

1. Den vet i stedet for å gjette. Hvilken kontrakt som gjelder, hvilke endringer som er godkjent og hva som er fakturert, er fakta i hjernen, ikke noe agenten må tolke seg frem til fra e-posttråder.
2. Den ser bare det den skal. Agenten arver tilgangen til den den jobber for, aldri mer, og tilgangen sjekkes i det øyeblikket noe leses. Det som ikke er ditt å se, finnes ikke for agenten heller. Hvert oppslag kan etterprøves.
3. Den viser hvor svaret kommer fra. Hver påstand har en kilde. Prosjektlederen trenger ikke stole på agenten. Hun eller han kan kontrollere den på sekunder.
4. Den har råd til å gjøre jobben. En agent som leter, betaler for letingen i tokens, i hvert steg. En agent som slår opp, bruker regnekraften på å tenke i stedet. Hvorfor letingen koster.

Der grunnlaget lå der først, står agentene i dag for over 40 prosent av aktivitetene i systemene. Ikke fordi modellen er spesielt god, men fordi den har noe å stå på.

Ja, agentene våre er tregere. Med vilje.

Det er like greit å si det rett ut: spør du en av agentene våre om noe, tar det lengre tid enn å spørre ChatGPT eller Claude i en vanlig chat. Ofte et halvt minutt eller mer, der chatten svarer på noen sekunder.

Det er ikke oppslagene som tar tid. De går på millisekunder. Det er det agenten gjør med dem.

En vanlig chattjeneste er bygget for å svare svært mange mennesker raskt. Da lønner det seg å holde hvert svar så lett som mulig: én runde gjennom modellen, lite oppslag, lite kontroll. Det er et godt valg for en chat, og for mange spørsmål er det akkurat det man trenger. Det sier også noe at når de samme tjenestene skal gjøre grundig arbeid, som dyp research, bruker de også minutter.

Agentene våre er bygget for det motsatte. De skal ikke svare raskt. De skal svare riktig, og gjøre jobben. Det skjer i tre trinn:

• De tenker. Før noe hentes, legger agenten en plan for hva den trenger å vite. Hvilke tall, hvilke dokumenter, hvilke spørsmål som må besvares i hvilken rekkefølge.
• De drøfter. Agenten veier det den finner mot hverandre. Stemmer summen i fakturaen med kontrakten og endringene? Er endringen godkjent, eller bare foreslått? Finner den noe som ikke henger sammen, går den tilbake og henter mer, i stedet for å gjette.
• De utfører. Svaret er ikke en beskrivelse av hva noen burde gjøre. Det er det ferdige arbeidet: e-posten, oppstillingen, oppfølgingen. Alt som binder bedriften, venter på et menneske før det går ut.

Og gjennom alt dette sjekkes tilgangen på hvert eneste steg. Agenten kan ikke ta snarveier. Den kan ikke gjenbruke et svar laget for en kollega, for kollegaen kan ha sett noe du ikke har lov til å se. Hvert oppslag gjøres på nytt, med din tilgang, og logges. Det koster litt tid hver gang, og det er verdt det hver gang.

Vi har byttet fart mot treffsikkerhet. Et svar på fire sekunder som er feil, eller som er riktig for alle og dermed for ingen, koster mer enn et svar på førti sekunder som er riktig, med kilder og ferdig utført. Det første må noen sjekke og gjøre om. Det andre kan sendes.

Modellen leier du. Hjernen eier du.

Her ligger det viktigste poenget, og det er grunnen til at vi har brukt så mye tid på hjernen og så lite på modellen.

Modellene byttes. Den beste i dag er nest best om et halvår, og vi bytter til den som er best for oppgaven, uten å bygge noe om. Alle konkurrentene dine kan gjøre det samme, samme dag. Ingen vinner noe varig på modellen.

Hjernen er annerledes. Den inneholder det bare din bedrift vet: hvilke kunder som betaler sent, hvilke prosjekter som sprakk og hvorfor, hva som ble lovet i et møte for to år siden, hvilke leverandører som leverer når de sier. Det kan ikke lastes ned, og det kan ikke kjøpes av en konkurrent.

Og den blir mer verdt over tid, på to måter. Den vokser for hver dag den leser. Og hver ny modell som kommer, får mer ut av den, fordi en smartere modell kan gjøre mer med den samme kunnskapen. Den dagen neste modell kommer, får alle en smartere agent. Bare de med en hjerne får en agent som kjenner bedriften.

Snart kan andre få det samme

Vi har bygget dette for oss selv først, og satt det i drift der det koster å ta feil. Vi har sett hva som skjer når agentene får en hjerne. De slutter å være assistenter som foreslår, og begynner å være kolleger som leverer.

Snart kan andre bedrifter få det samme. Det begynner alltid med datagrunnlaget, for hjernen kan bare bli så god som det den leser, og det er der Relation OS gir den fasiten. Vil du være blant de første som får se det, ta kontakt.