Agenter løser opgaver, robotter tager fat, og begge kommer tættere på hverdagen. Hvor meget tillid det fortjener, afhænger af grænser, logfiler og en kontakt til at stoppe dem.
I lang tid var AI-systemer først og fremmest svarmaskiner. Et spørgsmål gik ind, en tekst kom ud. I 2026 er det forskudt. AI-agenter booker aftaler, sorterer indbakker, skriver og tester programmer og sætter derved handlinger i gang, der har konsekvenser i den virkelige verden. I den anden ende af skalaen står robotter, der bærer pakker, kører hen over marker eller styrer biler uden fører gennem byer.
De to verdener vokser sammen: Hvad der adskiller agenter fra chatbots, hvordan de planlægger og arbejder i teams, hvad autonome systemer kan i dag, og hvor robotterne reelt står, hænger tæt sammen. Dertil hører sikkerhed, ansvar, databeskyttelse, den europæiske retsramme og et blik på årene frem til 2030.
Hvad der adskiller AI-agenter fra chatbots
En chatbot svarer. En agent får det gjort. Det er den enkleste forskel. Beder du en chatbot finde en flyvning til Lissabon, får du en liste. En agent får det samme mål og går videre: Den sammenligner forbindelser, tjekker kalenderen, lægger et udvalg frem og booker efter godkendelse. Softwaren observerer sine omgivelser, beslutter det næste skridt og udfører det.
Teknisk sidder der som regel en stor sprogmodel som tænkende kerne bagved. Rundt om ligger værktøjer: en browser, en kalender, en database, et programmeringsmiljø. Modellen afgør, hvilket værktøj den bruger hvornår. Spektret rækker fra enkle regelsæt, der reagerer på bestemte udløsere, til systemer, der lærer af tilbagemeldinger og tilpasser deres fremgangsmåde. Hvad det betyder, når AI-agenter handler på egen hånd, viser sig især i hverdagen: Opgaver flytter fra mennesket til softwaren, ansvaret bliver.
Begrebet bruges dog flot. Noget af det, der sælges som agent, er en chatbot med en knap til én enkelt handling. Som tommelfingerregel dur spørgsmålet, om systemet selv sammenkæder flere trin og reagerer på mellemresultater undervejs. Hvis ja, er der tale om agentisk AI i egentlig forstand. Hvis ikke, forbliver det en assistent med en ekstra funktion.
Hvordan agenter planlægger og retter sig selv
I kernen kører hver agent i en løkke. Den danner sig overblik over situationen, opdeler målet i delskridt, udfører et af dem og ser på, hvad der kom ud af det. Passer resultatet ikke, justeres kursen. Denne selvkorrektion gør forskellen på et script, der stædigt kører igennem, og et system, der reagerer på forhindringer.

For at kunne handle har en agent brug for adgang, og netop her ligger det følsomme punkt. Via grænseflader må den læse mails, ændre filer eller sætte betalinger i gang. Jo flere rettigheder den har, desto mere nyttig er den, men desto større kan skaden også blive. Dertil kommer en hukommelse: Mange systemer husker tidligere opgaver, præferencer og mellemstatus, så de kan arbejde fornuftigt videre over længere tid.
Typiske fejl er uspektakulære og derfor lumske. En agent forstår et mål for bogstaveligt, følger en forkert antagelse gennem mange trin eller lader sig lede væk af tekst på en webside, der ligner en instruktion. En enkelt fejltagelse i begyndelsen trækker sig så gennem hele kæden. Derfor er mellemkontroller og overskuelige opgavepakker vigtigere i hverdagen end spørgsmålet om, hvor kløgtig modellen virker i det enkelte tilfælde.
Flere agenter i et team
Stadig oftere arbejder ikke én, men flere agenter sammen. Én agent planlægger, en anden researcher, en tredje skriver, en fjerde kontrollerer resultatet. Sådanne multiagentsystemer efterligner arbejdsdelingen i et team. Fordelen er indlysende: Hver del får en snæver opgave, og en kontrollant ser fejl, som forfatteren overser.
Bagsiden er lige så tydelig. Fejl spreder sig, når en agent overtager en andens fejlvurdering som kendsgerning. Omkostningerne stiger, fordi hver afstemning bruger regnetid. Og overblikket lider: Når fem systemer taler sammen, er det svært at sige, hvilket der gav udslaget hvor. Jo flere aktører, der er med, desto vigtigere bliver logfiler, der fastholder hvert trin.
Afgørende er ikke, hvor klogt et system virker, men hvor godt dets handlinger kan begrænses og stoppes.
Autonome systemer i hverdagen
Autonome systemer er den større ramme. Det dækker alt, der udfører opgaver uden løbende styring fra mennesker, hvad enten det er som ren software eller som maskine. Der findes niveauer. Nogle systemer foreslår kun, andre handler og kan overstyres, endnu andre arbejder helt alene inden for et klart afgrænset område. Jo klarere omgivelserne er, desto længere kan autonomien gå. Et lager med faste ruter er lettere end en indre by.
Det mest kendte eksempel er robotaxaer. Waymo meldte for eksempel i foråret 2026 om omkring en halv million betalte ture om ugen i flere amerikanske byer, cirka dobbelt så mange som et år tidligere. Virksomheden sigter mod en million ved udgangen af 2026. Om det lykkes, er åbent, for det kræver flere køretøjer, flere byer og tilladelser. At førerløse biler fungerer i hverdagen i begrænsede områder, er derimod ikke længere et forsøg.
Samtidig viser eksemplet, hvor vigtig rammen er. Systemerne kører i kortlagte zoner, overvåges på afstand og bliver stående, når de er usikre. Autonomi betyder her ikke frihed for tilsyn, men arbejde inden for snævre autoværn.
Selvforbedring og sikkerhed
En tiltrækning ved moderne systemer er, at de bliver bedre af tilbagemeldinger. Agenter skriver kode, tester den, læser fejlmeddelelserne og forbedrer den. Heraf opstår spørgsmålet om, hvor langt et system må udvikle sig selv. Ved rekursiv selvforbedring er et system endda med til at bygge på sine egne evner. For hverdagen er det nok at forstå, at enhver tilbagekobling har brug for et mål, og at et forkert sat mål pålideligt fører i den forkerte retning.
Det klassiske problem hedder utilsigtet optimering: Målet nås, hensigten forfejles. En agent, der skal fjerne testfejl, slår i tvivlstilfælde testen fra. En agent, der hurtigt skal lukke kundehenvendelser, lukker dem uden at hjælpe. Den slags tilfælde skyldes ikke ond vilje, men er den logiske følge af en upræcis opgave.
Modmidlerne er mindre glamourøse end selve teknikken. Rettigheder begrænses til det nødvendigste. Hver handling logges. Følsomme trin, for eksempel betalinger eller sletning af data, kræver menneskelig godkendelse. Og der er en nødstopfunktion, der virker uafhængigt af agenten. Den egentlige risiko er magt uden kontrol.
AI-robotter og hvad de rent faktisk kan
Robotter har fundtes i årtier; det nye er deres perception og tilpasningsevne. Med AI genkender de genstande, vurderer afstande og tilpasser deres bevægelser. Alligevel gælder en gammel indsigt fra robotikken: Det, der er let for mennesker, er svært for maskiner. En computer slår for længst verdensmestre i skak, men at gribe en våd kop sikkert uden at knuse eller tabe den er fortsat krævende. Det kræver følsomme gribere, kraftregulering og en perception, der også fungerer ved genspejlinger, skygger og rod.
Det forklarer, hvorfor humanoide robotter har svært ved store løfter. På messer og i videoer virker de imponerende, men der kører ofte et forberedt forløb i kontrollerede omgivelser. I vedvarende drift tæller andre ting: batteritid, pålidelighed, sikkerhed ved siden af mennesker og omkostninger. Der kører første pilotprojekter i lagre og fabrikker, men til en hjemmerobot, der pålideligt folder vasketøj og rydder op efter opvasken, er der stadig et stykke. Hvor hurtigt robotter bliver allestedsnærværende, og hvornår de kan blive farlige, afhænger netop af disse punkter.
Robotter i industri, logistik og landbrug
Der, hvor robotter i dag arbejder i stort antal, ser det mindre glamourøst ud: fabrikshaller. I 2024 blev der på verdensplan taget omkring 540.000 nye industrirobotter i brug, mere end dobbelt så mange som ti år tidligere. Godt halvdelen endte i Kina, mens Europa med et lille fald lå klart bagefter. Branchen venter, at tallet frem mod 2028 stiger til over 700.000 installationer om året.

I logistikken kører transportrobotter gennem lagre og bringer reoler til pakkepladserne. Små leveringsrobotter ruller på fortovene i enkelte byer. I landbruget hjælper maskiner med lugning, malkning og til dels høst; længst er alt det, der bevæger sig i rækker og faste forløb. At plukke sart frugt er derimod stadig vanskeligt.
| Anvendelsesområde | Eksempel | Modenhed |
|---|---|---|
| Fabrik | Svejsning, montering, lakering | Hverdag i årtier |
| Lager | Transportrobotter, sorteringsanlæg | Udbredt |
| Vej | Robotaxaer i udvalgte byer | Regelmæssig drift i dele af USA, begrænset |
| Landbrug | Markrobotter, malkeanlæg | Afhængigt af opgaven, høst er stadig en niche |
| Pleje og service | Rengøring, transport, assistance | Pilotprojekter, voksende |
| Humanoider | Alsidige hjælpere i lager og fabrik | Under afprøvning |
Robotter i pleje, sundhed og service
På hospitaler og plejehjem ses det, hvor robotter rent faktisk hjælper. De bærer vasketøj og medicin gennem gange, desinficerer rum eller gør gulve rene. På operationsstuen fører assistancesystemer instrumenter præcist, men beslutningen træffes af en kirurg. Plejerobotik i snæver forstand, altså hjælp til at komme op eller til personlig pleje, er stadig under afprøvning. Menneskelig omsorg er under alle omstændigheder svær at erstatte. Mere realistisk er det, at robotter overtager transportveje og tungt arbejde, så der bliver mere tid til samtaler.
Accept er et emne i sig selv. Mange ældre er skeptiske, når en maskine arbejder i nærheden, og det med rette, hvis formål og funktion ikke forklares tydeligt. Dertil kommer databeskyttelsen: En robot med kamera og mikrofon i et plejeværelse optager helbredsdata og intime situationer. Her er der brug for klare regler for, hvad der optages, hvor det gemmes, og hvem der har adgang.
Udvikling frem til 2030
Prognoser er usikre, men nogle retninger tegner sig. Agenter vil de kommende år sandsynligvis blive en selvfølge i kontorarbejdet: ved aftaler, fakturaer, research og simple programmeringsopgaver. Antallet af industrirobotter vil ifølge branchens forventninger fortsat stige, og robotaxaer vil formentlig køre i flere byer, især hvor myndigheder og befolkning følger med.
Det er åbent, om og hvornår alsidige hjemmerobotter bliver klar til markedet. Det er også åbent, hvor pålideligt agenter arbejder med lange, komplekse opgaver, og om sikkerhedsprocedurerne udvikler sig i samme tempo som evnerne. En mellemvej er plausibel: mærkbare fremskridt i klart afgrænsede opgaver, men ingen maskine, der kan alt.
Ansvar, bias og privatliv
Når en agent begår en fejl, eller en robot kommer til at skade nogen, opstår spørgsmålet om ansvar. En maskine kan ikke hæfte. Det gør mennesker og virksomheder: producenter for fejlbehæftede produkter, brugere for omhyggelig anvendelse. Den, der giver en agent vidtgående rettigheder og ikke kontrollerer den, bærer selv en del af risikoen. Jo tydeligere ansvar og logfiler er, desto lettere kan det senere afklares, hvad der skete.
Dertil kommer bias. Systemer lærer af data, og data afspejler verden med dens skævheder. Når en agent forsorterer ansøgninger eller vurderer lån, kan der snige sig en forskelsbehandling ind uden at blive bemærket. For afgørelser med væsentlig virkning for mennesker gælder derfor princippet, at de ikke alene må overlades til en maskine (art. 22 GDPR). Desuden indsamler robotter og agenter data om omgivelser og brugere. Gennemsigtighed, dataminimering og klare slettefrister er derfor ikke noget ekstra, men en forudsætning for tillid.
EU’s AI-forordning i korte træk
Den europæiske AI-forordning, også kaldet EU’s AI Act, inddeler AI-systemer efter risiko. Nogle anvendelser er forbudt, for eksempel visse former for bedømmelse af mennesker. Højrisikosystemer, for eksempel ved personaleudvælgelse, uddannelse eller som sikkerhedskomponenter, skal opfylde strenge krav. For chatbots og AI-genereret indhold gælder gennemsigtighedskrav: Mennesker skal kunne se, at de har med en maskine at gøre. Den, der bruger AI i virksomheden, har desuden brug for medarbejdere med tilstrækkelig AI-kompetence.
Tidsplanen er rykket. Med en ændringsforordning, der blev offentliggjort i sommeren 2026, den såkaldte Digital Omnibus, blev forpligtelserne for højrisikosystemer skubbet. For selvstændige systemer gælder de nu fra den 2. december 2027, for AI i regulerede produkter fra den 2. august 2028. Det giver virksomhederne mere tid, men tager ikke presset af emnet.
Robotter og maskiner falder som regel samtidig under produktreglerne, især den europæiske maskinforordning. For dem tæller først og fremmest, at apparatet er bygget sikkert og opfører sig sikkert ved fejl. For agenter, der kun arbejder i software, spiller gennemsigtighed, tilsyn og spørgsmålet om, hvad de bruges til, en større rolle.
Anbefalinger til offentligheden
I hverdagen hjælper nogle få enkle regler. De gælder for agenter lige så vel som for robotter i omgivelserne:
- Hold rettighederne små: En agent får kun den adgang, den har brug for til opgaven.
- Kontroller resultater, før de bruges videre, især ved penge, kontrakter og sundhed.
- Giv ikke følsomme data, adgangsoplysninger og helbredsoplysninger videre til agenter uden nødvendighed.
- Vær opmærksom på mærkning: Den, der taler med en maskine, bør vide det.
- Læs tekster og billeder kritisk, for AI frembringer også overbevisende fejl.
- Ved robotter i hverdagen: Se på producentens oplysninger, sikkerhedsmærker og klare oplysninger om databehandling.
Hvor langt må en AI-agent eller robot handle på egen hånd?
Konklusion
2026 er året, hvor software går fra at svare til at handle. Agenter løser opgaver i flere trin, arbejder i teams og får adgang til værktøjer. Samtidig vokser tallene for industrirobotter, og robotaxaer viser, at autonomi fungerer i et klart afgrænset rum. Samtidig forbliver det at gribe, forstå rod og køre i vedvarende drift vanskelige opgaver, og humanoide alsidige hjælpere står stadig i begyndelsen.
Det egentlige spørgsmål er derfor mindre, hvad maskiner kan, end hvad de får lov til. Hvor rettigheder er begrænset, trin logget og godkendelser indbygget, giver agenter og robotter aflastning. Hvor det mangler, vokser risiciene hurtigere end nytten. Med AI-forordningens udskudte tidsplan er der lidt tid til at indøve de nødvendige vaner.



My name is Klaus Meffert. I have a doctorate in computer science and have been working professionally and practically with information technology for over 30 years. I also work as an expert in IT & data protection. I achieve my results by looking at technology and law. This seems absolutely essential to me when it comes to digital data protection. My company, IT Logic GmbH, also offers consulting and development of optimized and secure AI solutions.
