70 agent-systemer viser at harness slår modellvalg

Hva en agent-harness er, og hvorfor orkestreringslaget får oppmerksomhet

En AI-agent er et system som oppfatter omgivelsene sine, tar beslutninger og handler autonomt for å nå et mål. Det er slik Educative skiller agenten fra en ren språkmodell, som bare svarer på det du spør om. I praksis ligger forskjellen ikke i modellen som genererer teksten, men i laget rundt: hvordan konteksten bygges, hvilke verktøy agenten får kalle, og hvordan stegene styres. Dette laget kalles ofte en harness. En gjennomgang av 70 offentlig tilgjengelige agent-systemer viser at det er her de gjentakende designbeslutningene faktisk ligger.

Interessen for orkestreringslaget kommer samtidig som markedet vokser raskt. Master of Code anslår at markedet for AI-agenter allerede var flere milliarder USD stort i 2024, med en forventet kraftig årlig vekst frem mot 2034, og Landbase projiserer et globalt marked i hundremilliardersklassen innen 2034. Når kapitalen strømmer inn, blir spørsmålet om hva som faktisk gjør en agent driftssikker mer presserende enn hvilken modell som topper en benchmark denne måneden.

Fra regelbaserte systemer til autonome agenter

AI-agenter er ikke nye. En systematisk gjennomgang på arXiv sporer utviklingen fra symbolsk resonnering på 1950- og 1960-tallet, via statistisk læring på 1980- og 1990-tallet, til dagens læringsdrevne autonome systemer. Ekspertsystemer som MYCIN og XCON dominerte allerede på 1970- og 1980-tallet, og AlphaGo demonstrerte styrken i forsterkende læring i 2016.

Det som endret seg med språkmodellene, var resonneringsevnen. Etter lanseringen av GPT-4 i mars 2023 ble det mulig å bygge agenter som håndterer ustrukturerte data og dynamisk kontekst uten å kode hver regel for hånd. Agenter er mest nyttige nettopp når oppgaven involverer komplekse beslutninger, dynamisk kontekst eller ustrukturerte data, ifølge Educative. Men modellen alene gir deg ikke en agent. Det gjør harnesset.

Harness, ikke modell, er det du faktisk bygger

Når et team setter en agent i produksjon, er det sjelden modellvekten de rører ved. De bygger kontekststyring, verktøytilganger, godkjenningssteg og feilhåndtering. arXiv-studien av 70 agent-systemprosjekter identifiserer fem gjentakende designdimensjoner: subagent-arkitektur, kontekststyring, verktøysystemer, sikkerhetsmekanismer og orkestrering. Det er disse valgene som skiller et fungerende produkt fra en demo.

Barrierene ute i markedet bekrefter dette. State of AI Agents-rapporten fra over 500 tekniske ledere peker på integrasjon med eksisterende systemer og datakvalitet som de største hindringene, der 46 % oppgir integrasjon som en primær barriere. Ingen av disse løses ved å bytte modell. De løses i arkitekturen.

Hvorfor 70 systemer er interessante nå

Verdien i arXiv-studien er metoden. Prosjektlisten ble frosset 23. mars 2026, korpuset består av 67 åpen kildekode-repositorier, og hvert prosjekt måtte ha minst 500 linjer implementeringskode for å bli inkludert. Et proporsjonalt revisjonsutvalg på 15 prosjekter, tilsvarende 21 % av korpuset, ble gjennomgått med en innledende feltnivå-enighet på 94 % før endelig konsensuskoding.

Det gjør funnene mer enn anekdoter. Når fem dimensjoner går igjen på tvers av 70 uavhengige systemer, er det et signal om hvor de reelle valgene ligger. For norske ledere som vurderer AI-agenter, er det et bedre utgangspunkt enn en leverandørs egen produktside. For en bredere innføring i hvordan slike systemer fungerer i praksis, har vi skrevet om AI-agenter for norske bedrifter.

De fem designdimensjonene som går igjen i agent-systemer

De fem dimensjonene fra studien av 70 systemer er ikke abstrakte. Hver av dem er et konkret valg med konsekvenser for kost, sikkerhet og driftsstabilitet. Tabellen under oppsummerer hva hver dimensjon styrer, og hvilke valg som dominerte i korpuset.

Designdimensjon	Hva den styrer	Dominerende valg i korpuset
Subagent-arkitektur	Om og hvordan arbeid delegeres til underagenter	Varierer på tvers av prosjekter
Kontekststyring	Hva agenten husker og henter frem	Fil-persistente, hybride og hierarkiske
Verktøysystemer	Hvordan agenten kaller eksterne funksjoner	Registerorienterte, med MCP og plugin i fremvekst
Sikkerhetsmekanismer	Isolasjon og revisjon av handlinger	Mellomliggende isolasjon; høy-sikkerhetsrevisjon sjelden
Orkestrering	Hvordan steg styres og koordineres	Varierer etter oppgavetype

Subagent-arkitektur

Subagent-arkitektur handler om hvorvidt en hovedagent deler opp arbeidet og delegerer til spesialiserte underagenter. Multi-agent systemer er ikke en nisje: Landbase anslår at de dominerer størstedelen av markedet. Fordelen er at hver underagent kan holdes enkel og fokusert. Ulempen er at koordinering, feilhåndtering og sporbarhet blir vanskeligere jo flere ledd du legger til.

Kontekststyring

Kontekst er det agenten vet i øyeblikket den handler. arXiv-gjennomgangen deler minne i kort- og langtidsminne, og studien av 70 systemer viser at korpuset favoriserer fil-persistente, hybride og hierarkiske kontekststrategier. Det betyr at velfungerende agenter sjelden holder alt i et flyktig samtalevindu. De skriver ned tilstand, henter den frem, og bygger kontekst lagvis. For lange, flertrinns oppgaver er dette forskjellen på en agent som holder tråden og en som mister den.

Verktøysystemer

Verktøy er hvordan agenten gjør noe i verden: søker, skriver til en database, sender en e-post. Studien finner at registerorienterte verktøysystemer dominerer, mens MCP- og plugin-orienterte utvidelser er i fremvekst. Valget her bestemmer hvor tungt det blir å koble agenten mot dine egne systemer. Det er ikke tilfeldig at 46 % av organisasjoner nevner nettopp integrasjon som den primære barrieren.

Sikkerhetsmekanismer

Sikkerhet i denne sammenhengen betyr hvor mye handlingene til agenten er inngjerdet. Studien finner at mellomliggende isolasjon er vanlig, men høy-sikkerhetsrevisjon er sjelden. Det er et bekymringsverdig funn når 82 % av selskaper har agenter i bruk og 53 % bekrefter at agentene har tilgang til sensitive data. Gapet mellom hvor mye tilgang agenter får og hvor lite de revideres, er en reell risiko.

Orkestrering

Orkestrering er dirigenten: hvordan steg utløses, kjedes sammen og gjenopprettes når noe feiler. Allerede 57 % av organisasjonene bruker agenter for flertrinns arbeidsflyter, og 81 % planlegger å implementere mer komplekse agenter i 2026. Jo mer komplekse arbeidsflytene blir, desto mer avhenger resultatet av orkestreringen, ikke av modellen som utfører hvert enkelt steg.

Modell eller harness: hvor ligger egentlig konkurransefortrinnet

Det er lett å tro at en bedre modell gir en bedre agent. Bevisene peker mot at pairingen mellom komponentene betyr mer. En NeurIPS-studie fra 2025 formaliserer AI-forskningsagenter som søkepolicyer og finner at samspillet mellom operatorsett og søkestrategi er avgjørende for ytelsen.

Hva NeurIPS-eksperimentene viser om paring

Funnet er konkret. På MLE-bench lite løftet den beste paringen suksessraten for å oppnå en Kaggle-medalje merkbart over baseline. Løftet kom ikke fra en ny modell, men fra hvordan søkestrategi, operatordesign og evalueringsmetodikk ble satt sammen. Forfatterne understreker nettopp viktigheten av å vurdere disse tre samlet.

Poenget generaliserer. Når den samme grunnmodellen kan gi vidt forskjellige resultater avhengig av hvordan den orkestreres, er harnesset ikke en detalj. Det er der ytelsen faktisk skapes eller tapes.

Modellene konvergerer, harnesset differensierer

Grunnmodellene blir stadig likere hverandre i kapabilitet, og de er dyre å eie. Anthropic hentet 30 milliarder dollar i sin Series G til en verdsettelse på 380 milliarder dollar etter emisjonen, og global bedrifts-AI-investering nådde et rekordnivå i 2025, opp 130 % fra året før. Denne kapitalen går i stor grad til modelltrening, ikke til orkestreringslaget i din bedrift.

For en SMB er det urealistisk å konkurrere på modell. Men harnesset, med domenekunnskapen, integrasjonene og styringen som ligger i det, kan bygges lokalt og eies fullt ut. Det er der et faktisk konkurransefortrinn er innen rekkevidde.

Fem arkitektoniske mønstre du kan gjenbruke

Utover de fem dimensjonene syntetiserer studien fem typiske arkitektoniske mønstre på tvers av de 70 systemene. Mønstrene er kombinasjoner av valgene i hver dimensjon, og de gir et vokabular for å beskrive hva du faktisk bygger, i stedet for å starte fra blankt ark hver gang.

Verdien for en beslutningstaker er at mønstrene gjør arkitektur til noe man kan sammenligne. I stedet for å spørre hvilken modell som er best, kan man spørre hvilket mønster som passer oppgaven, og deretter hvilken kontekststrategi og verktøymodell mønsteret krever.

Fra mønster til byggekloss

Et mønster er ikke en fasit, men et startpunkt. Et enkelt løp med register-verktøy og fil-persistent kontekst passer for avgrensede oppgaver. Et hierarki av subagenter med hybrid kontekst passer for arbeidsflyter som må brytes ned. Studien viser at fil-persistente og hybride strategier går igjen fordi de holder tilstand over tid, noe som er nødvendig når en oppgave strekker seg over mange steg.

Poenget er å velge mønster før leverandør. Når du vet at du trenger et hierarkisk mønster med tett revisjon, kan du vurdere rammeverk og modeller mot det kravet, ikke omvendt. Det er kjernen i en harness-first tilnærming.

Hvorfor gjenbruk lønner seg

Å gjenbruke etablerte mønstre reduserer risikoen for at prosjektet strander på arkitektur. Med 40 % av agentiske AI-prosjekter forventet å feile innen 2027 på grunn av utilstrekkelig risikostyring, er det å bygge på kjente strukturer en billig forsikring. Du unngår å oppdage svakheter i orkestrering eller isolasjon først når agenten allerede er i produksjon.

Gjenbruk gir også bedre samtaler med leverandører. Når du kan navngi mønsteret og dimensjonene du trenger, blir det tydelig hvilke rammeverk som faktisk støtter dem, og hvilke som bare markedsfører seg som om de gjør det.

Kontekst, verktøy og orkestrering som de tre avgjørende lagene

Av de fem dimensjonene er tre spesielt utslagsgivende for om en agent holder i drift: kontekst, verktøy og orkestrering. De henger sammen. Svak kontekst gjør orkestrering skjør, og dårlig verktøydesign gjør begge deler dyre å vedlikeholde.

Kontekstlaget avgjør om agenten holder tråden

En agent uten robust kontekst mister tilstand midt i en oppgave. Det er derfor fil-persistente og hierarkiske strategier dominerer i korpuset. For flertrinns arbeidsflyter, som allerede brukes av 57 % av organisasjonene, er dette ikke valgfritt. Konteksten må overleve på tvers av steg, feil og gjenopptak.

Verktøylaget avgjør integrasjonskostnaden

Verktøy er der agenten møter dine faktiske systemer, og det er der de fleste prosjekter mister tid. Integrasjon er den primære barrieren for 46 %, og innen salg peker 39 % av salgsledere på integrasjonsvennlighet som en adopsjonsbarriere. Et registerorientert verktøysystem gir kontroll, mens fremvoksende MCP- og plugin-modeller lover raskere kobling. Valget bør styres av hvor mange og hvor komplekse integrasjoner du faktisk trenger.

Orkestreringslaget avgjør feilhåndtering

Orkestrering er der ting går galt på en kontrollert eller ukontrollert måte. Godt orkestrerte agenter kan levere store gevinster: Lovable rapporterer å levere kode 20 ganger raskere, og eSentire kuttet trusselanalyse fra fem timer til syv minutter. Slike tall kommer fra hvordan stegene er koordinert, ikke fra en modell. Uten gjennomtenkt feilhåndtering blir de samme agentene en kilde til feil som er vanskelige å spore.

Praktisk: slik vurderer du arkitekturen før du velger modell

Rekkefølgen betyr noe. Alura mener at norske bedrifter bør vurdere orkestreringslaget og arkitekturen før de låser seg til en modell eller ett rammeverk. Vår erfaring er at leverandørvalget faller lettere på plass når arkitekturkravene er tydelige, ikke omvendt.

Rammeverket under er ment som en sjekkliste for de fem beslutningene som betyr mest. Bruk det i en workshop før du inviterer leverandører, ikke etter.

Spørsmål	Hva du ser etter	Hvorfor det avgjør
Hvordan lagres kontekst?	Fil-persistent eller hybrid fremfor kun samtalevindu	Bestemmer om agenten holder over lange oppgaver
Hvordan defineres verktøy?	Register, MCP eller plugin	Avgjør integrasjonskost mot dine systemer
Hvilken isolasjon har handlinger?	Sandkasse, godkjenningssteg, revisjonslogg	Setter grensen for hva som kan gå galt
Hvordan orkestreres steg?	Enkeltløp, kjede eller hierarki av agenter	Styrer feilhåndtering og sporbarhet
Er evaluering innebygd?	Testsett og målepunkter fra dag en	Skiller pilot fra produksjon

Start med oppgaven, ikke teknologien

Agenter passer best når oppgaven involverer komplekse beslutninger, dynamisk kontekst eller ustrukturerte data. Er oppgaven enkel og forutsigbar, er en regel eller et skript ofte billigere og tryggere. Definer oppgaven presist først, så følger arkitekturkravene naturlig av den.

Bygg måling inn fra start

Uten et testsett vet du ikke om agenten blir bedre eller verre når du endrer noe. Systematiske evalueringsrammeverk gir nesten seks ganger høyere produksjonssuksessrate, ifølge Lovelytics' oppsummering av Databricks-rapporten. For å knytte dette til bredere fremdrift har vi skrevet om måling av AI-modenhet og hvilke KPI-er som faktisk sporer verdi.

Velg rammeverk mot kravene, ikke motsatt

Når kontekststrategi, verktøymodell, isolasjonsnivå og orkestreringsmønster er bestemt, er rammeverksvalget en teknisk øvelse, ikke en strategisk gamble. Da vurderer du om et rammeverk støtter dine krav, i stedet for å tilpasse ambisjonen til hva et rammeverk tilfeldigvis tilbyr. Det er slik du unngår å låse deg inne før du vet hva du trenger.

Markedet for AI-agenter: adopsjon, modenhet og hvor få som skalerer

Adopsjonen er bred, men modenheten er ujevn. Markedstallene spriker fordi de måler ulike ting og ulike år. Tabellen under viser hvor forskjellige anslagene er, noe som i seg selv er en påminnelse om å lese tall kritisk.

Kilde	Markedsstørrelse	År	Årlig vekst (CAGR)
Master of Code	flere milliarder USD	2024	kraftig årlig vekst
Experro	flere milliarder USD	2025	kraftig årlig vekst
Alura	10,9 mrd. USD	2026	44 %
Landbase	hundremilliardersklassen	2034	kraftig årlig vekst

Bred bruk, men få skalerer

Adopsjonen kan se solid ut på overflaten. 88 % av organisasjoner bruker AI i minst en forretningsfunksjon, og 79 % rapporterer AI-agentadopsjon. Men det samme datasettet viser at maksimalt 10 % skalerer AI-agenter i noen enkelt forretningsfunksjon. Gapet mellom å prøve og å skalere er der de fleste bedrifter faktisk befinner seg.

I Norge bruker 55 % av virksomhetene AI i en eller annen form, opp fra 24 % i 2023, og 68 % av CIO-er rangerer AI-agenter som en topp 3 strategisk investeringsprioritet i 2026. Interessen er der. Utfordringen er å komme fra pilot til drift.

Produksjon versus eksperiment

Andelen som faktisk har agenter i produksjon er mer beskjeden. 51 % av respondentene i Langchain-undersøkelsen har agenter i produksjon, et tall som også gjenspeiles for norske forhold i vår gjennomgang av markedet. Teknologisektoren dominerer med 46 % av nåværende utrullinger, og Nord-Amerika sto for 46 % av globale markedsandeler i 2024. Fremveksten er reell, men konsentrert.

Ambisjonene for 2026 er høye

Planene peker oppover. 96 % planlegger å utvide bruken av agentisk AI i 2026, 93 % av IT-ledere vil ta i bruk autonome agenter innen to år, og 92 % planlegger å utvide finansieringen de neste tolv månedene. Om ambisjonene blir til drift, avhenger av arkitekturen som ligger under. Det er derfor modenhet, ikke bare adopsjon, er det riktige å måle.

Kostnad og avkastning når agent-prosjekter går i produksjon

Avkastningstallene er lovende, men skjeve. De som lykkes rapporterer sterk ROI, mens en stor gruppe ikke ser gevinst i det hele tatt. Begge sider av dette bildet er reelle, og et nøkternt kostnadsestimat må ta høyde for begge.

Avkastningen kan være høy

For de som treffer, er tallene betydelige. Gjennomsnittlig ROI fra agentisk AI oppgis til 171 %, og innen salg gir agentene 4,5x ROI innen første år, med gjennomsnittlige kostnadsbesparelser på 250 000 dollar per salgsteam årlig og en økning i vinnrate på 25 %. Innen netthandel har agenter bidratt til 20-30 % økning i nettsalg og 25 % reduksjon i handlekurvforlatelse.

Produktivitetstallene er også konkrete. 66 % av bedrifter som bruker AI-agenter har sett målbare produktivitetsgevinster, og hos Cervera håndterte en agent nærmere 12 000 kundehenvendelser der over 80 % ble løst uten menneskelig inngripen.

Men mange ser ingen gevinst

Baksiden er nøktern. 56 % av toppsjefer rapporterer at AI hittil verken har gitt inntektsvekst eller kostnadsbesparelser. Kombinert med at bare inntil 10 % skalerer agenter i en enkelt funksjon, tegner det et bilde der gevinsten er reell for noen, men langt fra garantert. Forskjellen ligger sjelden i modellen og ofte i arkitekturen og styringen.

Regn med skalering, ikke bare pilot

En pilot er billig. Produksjon over tid er ikke. Organisasjoner som investerer i enhetlig AI-styring setter mer enn en størrelsesorden flere AI-prosjekter i produksjon, ifølge Lovelytics. Det tilsier at kostnadsestimatet må inkludere styringslaget fra start, ikke som et påslag når problemene dukker opp. En harness bygget for skalering koster mer i begynnelsen og mindre i lengden.

AI Act og kravene til sporbarhet i agent-arkitekturen

Regelverket er ikke lenger et fremtidsproblem. EUs AI Act trådte i kraft 1. august 2024 og klassifiserer AI i fire risikonivåer: uakseptabel, høy, begrenset og minimal. Systemer med uakseptabel risiko er forbudt, og generell AI med høy kapasitet må gjennom ekstra evaluering. For agenter er datoen som betyr mest 2. august 2026, når reglene for høyrisikosystemer blir håndhevbare.

Bøtene er reelle. Tabellen viser rammene, som gjelder uansett hvor god modellen din er.

Bruddtype	Maksbøter	Andel av global omsetning
Forbudt praksis (artikkel 5)	35 mill. EUR	7 %
Andre operatørforpliktelser	15 mill. EUR	3 %
Uriktig informasjon	7,5 mill. EUR	1 %

Sporbarhet er et arkitekturvalg

Alura mener at sporbarhet i agentens handlinger er både et arkitekturvalg og en forutsetning for samsvar med regelverk. Det er ikke noe man legger på i ettertid. En akademisk gjennomgang av AI-agenter under EU-lov konkluderer med at høyrisiko agentsystemer med uoppsporbar atferdsdrift for øyeblikket ikke kan tilfredsstille de grunnleggende kravene i AI Act. Med andre ord: bygger du en agent uten sporbarhet, bygger du noe du ikke lovlig kan sette i høyrisikodrift.

Loven krever heller ikke at et menneske godkjenner hver eneste handling, men effektivt tilsyn. Det forutsetter at handlingene er synlige og etterprøvbare, noe som igjen er et krav til arkitekturen, ikke til modellen.

Logging og oppbevaring

Konkret betyr dette logger. Under artikkel 12 må ansvarlige oppbevare logger i minst seks måneder. Det legger et gulv for hva kontekst- og orkestreringslaget må produsere: en etterprøvbar spor av hva agenten gjorde, når og på hvilket grunnlag. Denne loggingen er billig å bygge inn tidlig og dyr å ettermontere.

Bredere enn AI Act

Reguleringen stopper ikke ved AI Act. En arbeidsartikkel på 50 sider viser at AI Act integreres med åtte parallelle EU-lovgivningsinstrumenter, og at den regulatoriske triggeren for hvert instrument bestemmes av agentens eksterne handlinger, ikke dens interne arkitektur. Samtidig mangler begrepet agent en egen juridisk definisjon i AI Act. The Future Society påpeker at loven ikke opprinnelig var designet med agenter i tankene, og at det gjenstår hull som krever ytterligere retningslinjer.

Sikkerhet og styring: evaluering før du setter agenten i produksjon

Alura mener at evaluering og styring bør bygges inn fra start, ikke legges på etterpå, siden integrasjon og datakvalitet er de vanligste barrierene. Vår erfaring er at team som utsetter styring til etter piloten, ender med å bygge om arkitekturen, ikke bare legge til en logg.

Evalueringsledet utvikling

Evaluering er ikke et sluttrinn, men en metode. Lovelytics beskriver en evalueringsledet utviklingsmetodikk med et strukturert rammeverk på ti trinn, og rapporterer at systematiske evalueringsrammeverk gir nesten seks ganger høyere produksjonssuksessrate. Sentralisert styring, som modelltilgang, rate limiting, brukssporing og policyhåndheving, er en del av det samme laget. Uten det blir det vanskelig å vite om en endring forbedret eller forverret agenten.

Åpenhet faller når det trengs mest

Bekymringen er at åpenheten går feil vei. Foundation Model Transparency Index falt til 40 i 2026, ned fra 58 i 2025. Samtidig har 82 % av selskaper agenter i bruk og 53 % gir dem tilgang til sensitive data. Når modellene blir mindre gjennomsiktige og agentene får mer tilgang, må styringen skje i ditt eget lag, ikke hos modellleverandøren.

Risikostyring er ikke valgfritt

Konsekvensen av å hoppe over dette er dokumentert. 40 % av agentiske AI-prosjekter forventes å feile innen 2027 på grunn av dårlig risikostyring, og Gartner anslår at mer enn 40 % vil bli kansellert innen samme år. For hvordan risiko og etikk kan struktureres i praksis, har vi skrevet om ansvarlig AI og etiske rammeverk for norske virksomheter.

Vanlige feil når norske bedrifter bygger AI-agenter

De fleste feilene er ikke tekniske overraskelser. De er forutsigbare valg som utsettes til det er dyrt å endre dem. Tabellen samler de vanligste og hva som fungerer bedre.

Vanlig feil	Konsekvens	Bedre tilnærming
Velge modell før arkitektur	Innlåsing før kravene er kjent	Definer mønster og dimensjoner først
Utsette evaluering	Vet ikke om endringer hjelper	Bygg testsett fra dag en
Undervurdere integrasjon	Prosjektet strander på datakobling	Kartlegg integrasjoner tidlig
Svak sporbarhet	Kan ikke settes i høyrisikodrift	Logg handlinger som arkitekturkrav
Bygge for pilot, ikke drift	Ombygging ved skalering	Planlegg for styring og skala

Å behandle agenten som en chatbot

En agent som handler autonomt er ikke det samme som en samtalerobot. Forskjellen er at agenten handler på vegne av bedriften, ofte mot sensitive systemer. Å bygge den uten isolasjon, godkjenningssteg og revisjon er å undervurdere hva den faktisk kan gjøre. Studien av 70 systemer viser nettopp at høy-sikkerhetsrevisjon er sjelden, en svakhet som blir farligere jo mer tilgang agenten får.

Å hoppe over integrasjonskartleggingen

Integrasjon er den vanligste barrieren, oppgitt av 46 %, sammen med datakvalitet. Likevel blir integrasjonsarbeidet ofte estimert altfor lavt. En tidlig kartlegging av hvilke systemer agenten skal røre, og i hvilken kvalitet dataene er, avdekker de reelle kostnadene før du binder deg. Det er billigere å oppdage en vanskelig integrasjon i planleggingen enn i produksjon.

Å ignorere fristene i regelverket

Fristene er nære nok til å påvirke prosjekter som starter nå. Høyrisikoreglene blir håndhevbare 2. august 2026, selv om Kommisjonens Digital Omnibus-forslag kan forlenge fristen til desember 2027. Å anta at man ordner samsvar senere, betyr ofte å bygge om arkitekturen. Sporbarhet og logging bør derfor være med i første versjon, ikke i en fremtidig oppgradering.

Ofte stilte spørsmål om AI-agent arkitektur

Kort oppsummert, de spørsmålene norske ledere oftest stiller når de vurderer agent-arkitektur fremfor modellvalg.

Hva er egentlig en agent-harness?

Harnesset er laget rundt modellen som gjør den til en agent: kontekststyring, verktøytilganger, sikkerhetsmekanismer og orkestrering. Studien av 70 systemer identifiserer disse som fem gjentakende designdimensjoner. Modellen genererer tekst eller beslutninger, men harnesset avgjør hva agenten faktisk kan og får lov til å gjøre.

Er modellvalget uviktig?

Nei, men det er sjelden der forskjellen ligger for en SMB. NeurIPS-eksperimentene viste at samme oppgave fikk merkbart høyere suksessrate ved å endre paringen mellom komponenter, ikke modellen. Grunnmodellene konvergerer i kapabilitet, mens harnesset er der du kan bygge et fortrinn.

Trenger vi multi-agent systemer?

Ikke nødvendigvis, selv om de dominerer størstedelen av markedet. Flere agenter gir kraft til å bryte ned komplekse oppgaver, men også mer koordinering, feilhåndtering og sporbarhet å håndtere. Start med det enkleste mønsteret oppgaven tåler, og legg til kompleksitet bare når du trenger den.

Hvordan vet vi om agenten er trygg å sette i produksjon?

Ved å ha evaluering og styring på plass før lansering. Systematiske evalueringsrammeverk gir nesten seks ganger høyere produksjonssuksess, og AI Act krever effektivt tilsyn og logger i minst seks måneder. Uten sporbarhet kan et høyrisikosystem ifølge en juridisk gjennomgang ikke lovlig settes i drift.

Hva koster det å gå fra pilot til produksjon?

Mer enn piloten, fordi styring og integrasjon utgjør den tunge delen. 56 % av toppsjefer ser ingen gevinst hittil, og bare inntil 10 % skalerer agenter i en enkelt funksjon. De som investerer i enhetlig styring, setter derimot en størrelsesorden flere prosjekter i produksjon.

Gjelder AI Act for oss i Norge?

Norske virksomheter som retter agenter mot EU-markedet omfattes i praksis av regelverket, og omfanget er bredere enn AI Act alene. Bøtene går opp til 35 millioner EUR eller 7 % av global omsetning for forbudt praksis. Den regulatoriske triggeren bestemmes av agentens eksterne handlinger, ikke arkitekturen, men arkitekturen avgjør om du kan dokumentere dem.

Oppsummering: en harness first tilnærming for norske bedrifter

Bevisene peker i samme retning. Studien av 70 agent-systemer viser at de reelle valgene ligger i fem designdimensjoner, ikke i modellvekten. NeurIPS-eksperimentene viser at paringen mellom komponenter kan flytte ytelsen mer enn et modellbytte. Og markedet viser at bred adopsjon ikke er det samme som modenhet: 88 % bruker AI, men inntil 10 % skalerer agenter i en enkelt funksjon.

Rekkefølgen som lønner seg

Vurder arkitekturen før du låser deg til en modell eller ett rammeverk. Bygg evaluering og styring inn fra start, fordi integrasjon og datakvalitet er de vanligste barrierene. Behandle sporbarhet som et arkitekturvalg, fordi det er en forutsetning for samsvar med AI Act. Dette er de tre posisjonene Alura står for, og de er forankret i tallene gjennom hele denne artikkelen.

For norske SMB-er er dette godt nytt. Du konkurrerer ikke på modelltrening, der kapitalen måles i hundrevis av milliarder. Du konkurrerer på harnesset: domenekunnskapen, integrasjonene og styringen du eier selv. Det er der en agent går fra pilot til produksjon, og det er der avkastningen faktisk realiseres.

I Alura bygger vi AI-infrastruktur for norske virksomheter, fra dataplattformer til agentiske systemer i produksjon. Vi er ikke en SaaS-leverandør. Vi er håndverkere som setter sammen byggesteinene som faktisk fungerer for din situasjon.

Bestill en arkitektur-samtale: vi går gjennom din nåværende infrastruktur, identifiserer integrasjonspunkter, og foreslår en pragmatisk vei videre. Uforpliktende, 45 minutter.