Fra å snakke med KI til å lede team av KI-agenter

Forestill deg to situasjoner.

I den første åpner en person en KI-app på mobilen og spør:

«Kan du oppsummere denne kontrakten?»

KI-en svarer. Personen leser svaret, bestemmer hva som skal gjøres, og utfører selv det neste steget.

I den andre situasjonen formulerer personen et mål:

«Analyser disse kontraktene, sammenlign dem med standardavtalen vår, identifiser klausulene som avviker fra virksomhetens retningslinjer, kontroller de juridiske henvisningene og utarbeid en rapport som jeg kan gjennomgå.»

Systemet åpner dokumentene det har tillatelse til å bruke, klassifiserer innholdet, konsulterer tilgjengelige kilder, gjennomfører sammenligninger, fordeler deler av arbeidet, kontrollerer resultatene og presenterer en rapport med spørsmålene som krever en menneskelig beslutning.

Begge situasjonene bruker kunstig intelligens. Men de representerer to grunnleggende forskjellige måter å arbeide på.

Den første produserer et svar.

Den andre forsøker å fullføre en oppgave.

Mobilen er et vindu, ikke grensen

Vi har lett for å forbinde kunstig intelligens med stedet der vi snakker med den: en app på telefonen, en nettside eller et tekstfelt.

Men skjermen er bare grensesnittet.

En telefon kan brukes til å stille et enkelt spørsmål. Den kan også fungere som et kontrollpanel der man starter, følger opp eller godkjenner arbeid som utføres på en annen datamaskin, en server eller i et beskyttet miljø.

Den viktige forskjellen er derfor ikke om vi bruker KI fra en mobil eller en datamaskin. Den avhenger heller ikke bare av hvilken modell som er kraftigst.

Forskjellen er om systemet bare kan snakke, eller om det også kan handle.

Hva er en KI-agent?

En agent er ikke nødvendigvis en ny type kunstig intelligens. Det er et system som er bygget rundt en modell for å omsette modellens svar til en rekke handlinger.

Forenklet kan vi si:

En samtalebasert KI svarer på en forespørsel.

En agent mottar et mål, velger noen av stegene, bruker verktøy, observerer resultatene og tilpasser neste steg.

Målet oppstår ikke i KI-en selv. Det settes av et menneske, en organisasjon eller et program. Det nye er at systemet får et visst handlingsrom til å avgjøre hvordan det skal forsøke å nå målet.

Agentisk KI er heller ikke en absolutt kategori. Det finnes et kontinuum mellom arbeidsflyter som er programmert fullt ut på forhånd, og systemer som i større grad kan velge sin neste handling. OECD beskriver nettopp agentisk kapasitet som et spektrum, ikke som en bryter som enten er på eller av.

I en tradisjonell arbeidsflyt er veien skrevet på forhånd:

1. Motta et dokument.
2. Hent ut opplysningene.
3. Anvend et sett regler.
4. Generer en rapport.

I et mer agentisk system kan modellen avgjøre at den må lete etter en annen kilde, gjennomføre en tilleggskontroll, be om hjelp fra en spesialisert agent eller vurdere en konklusjon på nytt fordi den ikke stemmer med opplysningene som er funnet.

De mest pålitelige systemene kombinerer gjerne begge tilnærmingene: fleksibilitet der den skaper verdi, og deterministiske regler der prosessen ikke tåler improvisasjon.

Rammeverket: det som gjør en modell til et arbeidssystem

Modellen er bare én del av helheten.

For å kunne handle trenger den et styrings- og kjørelag – ofte omtalt som et harness – som kobler modellen til resten av systemet.

Dette rammeverket kan blant annet:

• forberede informasjonen modellen mottar;
• tilby godkjente verktøy;
• utføre operasjonene modellen ber om;
• bevare oppgavens tilstand;
• sende resultatene tilbake til modellen;
• oppdage feil og tillate nye forsøk;
• håndheve grenser for tid, kostnader og tillatelser;
• be om menneskelig godkjenning;
• registrere det som skjer;
• stanse prosessen når en grense er nådd.

Vi kan forestille oss modellen som en motor. Rammeverket er hele kjøretøyet: styring, bremser, instrumenter, sikkerhetsbelter og regler for hvor det får kjøre.

En kraftigere motor gir ikke i seg selv et bedre kjøretøy.

Verktøyene er hendene

En isolert modell kan generere tekst, bilder eller kode. Men for å arbeide i den digitale verden trenger den verktøy.

Et verktøy kan gjøre det mulig å:

• søke i godkjente kilder;
• lese dokumenter;
• slå opp i en database;
• opprette eller endre filer;
• kjøre kode;
• bruke et fagsystem;
• oppdatere et internt system;
• sende en deloppgave til en annen agent;
• be et menneske om godkjenning.

Vanligvis utfører ikke modellen disse handlingene direkte. Den ber om en operasjon i et strukturert format, og systemet kontrollerer om operasjonen er tillatt før den eventuelt utføres.

Dette skillet er viktig: Den reelle kapasiteten til en agent avhenger ikke bare av hva modellen «vet», men også av hvilke verktøy, data og tillatelser den har fått tilgang til.

Fra å forklare kode til å arbeide på et prosjekt

Programmering viser denne overgangen særlig tydelig.

En samtalebasert KI kan forklare hvordan en feil bør rettes, og foreslå et stykke kode.

Et system som Codex kan undersøke filene i et prosjekt, finne årsaken til problemet, endre koden, kjøre tester, observere at noe feiler, rette feilen og legge frem endringene for gjennomgang.

Den samme logikken kan overføres til mange andre områder:

• ikke bare forklare et regneark, men analysere det og forberede en ny versjon;
• ikke bare oppsummere et regelverk, men identifisere hvilke prosesser i virksomheten som kan bli berørt;
• ikke bare beskrive hvordan et kontrollpanel burde se ut, men programmere en tilpasset prototype;
• ikke bare foreslå et søk, men gjennomføre det, kontrollere kildene mot hverandre og utarbeide en dokumentert rapport.

Spranget består i å gå fra å generere innhold til å operere i et miljø.

KI kan også lage sine egne arbeidsverktøy

En av de mest gjennomgripende mulighetene er at disse systemene ikke trenger å begrense seg til programmer som allerede finnes.

En programmeringsagent kan lage en liten applikasjon for et konkret behov: et verktøy for å sammenligne klausuler, hente ut informasjon, utføre en fagspesifikk beregning, følge opp en prosess eller koble sammen to interne systemer.

Når verktøyet er gjennomgått og validert, kan det innlemmes i arbeidsprosessen og brukes av andre agenter.

Dette senker kostnaden ved å utvikle programvare som er tilpasset svært spesifikke behov. Prosesser som tidligere ikke kunne forsvare flere måneders utviklingsarbeid, kan begynne å løses med små applikasjoner bygget rundt virksomhetens faktiske arbeidsmåte.

Et konkurransefortrinn vil derfor kanskje ikke bare ligge i å kjøpe den beste modellen. Det kan ligge i å bygge det beste systemet rundt den: riktige data, egne verktøy, tydelige prosesser, nyttig hukommelse og effektive kontrollmekanismer.

Arbeidsminne og langtidsminne

For å utføre en kompleks oppgave er det ikke nok å svare riktig på hvert spørsmål isolert. Systemet må klare å holde fast ved sammenhengen i arbeidet.

Arbeidsminnet omfatter det agenten trenger under den aktuelle oppgaven:

• målet;
• planen;
• relevante dokumenter;
• operasjoner som allerede er utført;
• resultater som er oppnådd;
• feil som er oppdaget;
• beslutninger som fortsatt gjenstår.

Det kan sammenlignes med skrivebordet der materialet i en sak ligger mens noen arbeider med den.

Langtidsminnet er noe annet. Det kan bevare informasjon mellom økter: tidligere beslutninger, preferanser, prosjekter, sammenhenger mellom dokumenter, interne prosedyrer eller relevante erfaringer.

Men dette er verken menneskelig hukommelse eller en kontinuerlig bevissthet. Som regel består det av filer, databaser, logger og sammendrag som systemet henter frem når det vurderer at informasjonen kan være nyttig.

Å huske mer betyr heller ikke alltid å arbeide bedre. Et minne som er feil, foreldet eller koblet til feil sak, kan være farligere enn å ikke huske noe.

Profesjonell bruk av langtidsminne krever derfor informasjon om opphav, datoer og grad av sikkerhet, i tillegg til tilgangsregler og mekanismer for å korrigere, erstatte eller slette opplysninger.

Kan flere agenter arbeide sammen?

Ja. Det er allerede mulig å bruke en koordinerende agent som deler opp et oppdrag og delegerer deler av arbeidet til andre agenter.

Den offisielle dokumentasjonen for Codex beskriver for eksempel bruk av spesialiserte underagenter som arbeider parallelt og leverer resultatene tilbake til en koordinator.

Vi kan tenke oss:

• én agent som finner informasjon;
• én som analyserer dokumenter;
• én som kontrollerer tall;
• én som etterprøver kildene;
• én som leter etter motsetninger;
• en koordinator som sammenstiller resultatene.

Det er likevel viktig å forstå hva «team» betyr i denne sammenhengen.

Det er ikke snakk om digitale personer med et selvstendig profesjonelt skjønn. Ofte er det flere instanser av samme modell, hver med egne instrukser, verktøy og kontekster.

Det er heller ikke slik at flere agenter alltid gir bedre resultater. Tilgjengelig forskning viser at parallelt arbeid kan hjelpe når oppgavene kan deles, men også øke antallet konflikter, kostnadene og spredningen av feil når problemet krever en tett koordinert rekkefølge. Google Research har dokumentert slike forskjeller.

Et team av agenter tilfører gjennomføringskapasitet. Det gir ikke automatisk ansvar, godt skjønn eller en felles forståelse av målet.

Hva kan dette bety for en virksomhet?

Tenk på en virksomhet som vurderer å gå inn i et nytt marked.

Et agentisk system kan:

1. Samle inn økonomisk informasjon og bransjedata.
2. Identifisere relevant regelverk.
3. Sammenligne konkurrenter og leverandører.
4. Gjennomgå avtaler og risiko.
5. Lage et lite program for å strukturere dataene.
6. Kontrollere konklusjonene mot godkjente kilder.
7. Utarbeide ulike scenarioer.
8. Legge beslutningspunktene frem for ledelsen.

Det kan også bidra til å holde en oversikt over regulatoriske plikter oppdatert, forberede rapportutkast, oppdage avvik i interne prosesser, omsette møter til konkrete oppgaver eller lage kontrollpaneler for hvert prosjekt.

Ingenting av dette forutsetter nødvendigvis kunstig generell intelligens. Det forutsetter at dagens modeller kombineres med programvare, verktøy, data, minne og en egnet arkitektur.

Nøkkelen er å identifisere hvilke deler av arbeidet som kan automatiseres, hvilke som krever kontroll, og hvilke som fortsatt må være menneskelige beslutninger.

Og hva kan det bety for et advokatfirma?

I et advokatfirma kan endringen bli enda mer omfattende, fordi en stor del av arbeidet foregår i dokumenter, informasjon, rettskilder og prosesser.

I en ny sak kan et system blant annet:

• registrere og klassifisere dokumentasjonen det har tillatelse til å bruke;
• hente ut datoer, personer, beløp og hendelser;
• bygge en kronologi;
• finne offisielle rettskilder;
• sammenligne dokumenter med maler og tidligere arbeid;
• peke på motsetninger eller manglende informasjon;
• forberede spørsmål til klienten;
• lage et første utkast til analyse;
• kontrollere at henvisningene fører til riktige kilder;
• presentere spørsmålene som krever profesjonelt skjønn for advokaten.

Advokaten må fortsatt velge strategi, forstå og vurdere konteksten, gi klienten råd og ta ansvar for resultatet.

Denne grensen er avgjørende. Europeiske og nasjonale advokatorganisasjoner understreker at bruk av KI ikke flytter ansvaret bort fra advokaten. Se blant annet CCBEs veiledning for advokater og Advokatforeningens veiledning.

Regelen kan uttrykkes enkelt:

Autonomi til å forberede; menneskelig godkjenning før systemet forplikter.

En agent kan undersøke, strukturere, sammenligne og foreslå. Men når en handling berører en klient, en tredjeperson, en frist, en rettighet eller en forpliktelse, må det finnes en identifiserbar menneskelig beslutning.

Det som allerede er mulig – og det som ennå ikke er det

I dag finnes det allerede systemer som kan:

• bruke verktøy;
• kjøre kode i kontrollerte miljøer;
• arbeide med kodebaser og dokumenter;
• betjene bestemte grensesnitt;
• fortsette oppgaver over lengre tid;
• hente frem vedvarende informasjon;
• delegere deloppgaver;
• koordinere parallelt arbeid.

Dette gjør det mulig å bygge svært kapable digitale team for avgrensede oppgaver.

Men det er ikke det samme som å ha en selvstyrt virksomhet inne i datamaskinen.

Dagens systemer har fortsatt problemer med tvetydige mål, ufullstendig informasjon, motstridende instrukser, svært lange oppgaver og situasjoner der det ikke finnes en klar måte å kontrollere om resultatet er riktig på.

De fungerer best når arbeidet er digitalt og tydelig avgrenset, bygger på kjente kilder, har etterprøvbare kriterier og gjør det mulig å reversere feil.

Agentisk KI er ikke nødvendigvis en KI som forstår verden bedre. Det er først og fremst en KI med større kapasitet til å handle i den. En resonnementfeil kan derfor gå fra å være et feilaktig svar til å bli en rekke feilaktige operasjoner.

Hvor går teknologien?

Utviklingen ser ut til å gå i flere retninger samtidig:

• fra samtaler til hele oppgaver;
• fra generelle assistenter til spesialiserte agenter;
• fra én økt til systemer med kontinuitet;
• fra én agent til koordinerte team;
• fra å bruke eksisterende programmer til å lage egne verktøy;
• fra å vente på et svar til å føre tilsyn med prosesser som arbeider i bakgrunnen;
• fra å kontrollere hvert klikk til å definere mål, grenser og godkjenningspunkter.

Menneskets rolle endrer seg også.

Personen utfører ikke lenger nødvendigvis hver operasjon manuelt, men utformer arbeidet, fastsetter grensene, tilfører kontekst, håndterer unntak og tar beslutningene som får konsekvenser.

Dette fjerner ikke behovet for fagpersoner. Det flytter stedet der de tilfører verdi.

Det egentlige spørsmålet

De siste årene har vi spurt hvilken modell som gir de beste svarene.

Det neste spørsmålet blir større:

Hvilket system arbeider best?

Svaret vil avhenge av modellen, men også av kvaliteten på verktøyene, hvilket minne systemet bevarer, hvilke kilder det bruker, hvordan oppgavene fordeles, hvem som kan gi tillatelser, og når systemet må stoppe for å be om en menneskelig beslutning.

Å gi et svar er generering.

Å fullføre en oppgave er operasjon.

Å lage et verktøy er å utvide kapasiteten.

Å koordinere agenter er å organisere arbeid.

Det er her agentisk KI virkelig begynner.

Denne overgangen kan endre virksomheter og advokatfirmaer i dybden – ikke fordi maskinene blir mennesker, men fordi vi nå bygger systemer som kan omsette en menneskelig instruks til organisert arbeid.

Spørsmålet er ikke lenger bare hva en kunstig intelligens kan si.

Spørsmålet er hva vi lar den gjøre, med hvilke verktøy, under hvilke regler og på hvis ansvar.