Forskningsagenter blir produkt og 40 prosent ryker innen 2027

Hva en kommersialisert forskningsagent faktisk er

En AI-forskningsagent henter, leser, sammenstiller og oppsummerer informasjon på vegne av en bruker. Den utfører flertrinns arbeidsflyter mot dokumenter, databaser, nettsider og APIer, og returnerer et ferdig svar i stedet for et utkast brukeren må sy sammen selv. Roots Analysis plasserer forskning og oppsummering på 25 prosent av det globale AI-agentmarkedet i 2026, og det er det største enkeltsegmentet i deres taksonomi.

Skillet mellom prototype og kommersialisert produkt ligger ikke i modellvalg eller rammeverk. Det ligger i hvordan svaret leveres, måles og forsvares når kunden får regningen. Merge.dev finner at 75 prosent av forretningsledere tror agenter vil omforme arbeidsplassen mer enn internett gjorde. Den samme rapporten viser at 72 prosent mener sikkerhetsrisikoer ved MCP-servere krever spesialisert ekspertise. Tilliten er der, operasjonaliseringen er det ikke.

Forskningsagenten som arbeidstype

En forskningsagent gjør tre ting i sekvens: planlegger en søkestrategi, henter kilder, og syntetiserer et svar. Den skiller seg fra en chatbot ved at den løser flertrinns oppgaver uten å vente på instruksjon mellom hvert steg. Databricks-rapporten 2026 State of AI Agents finner at 57 prosent av organisasjoner bruker AI-agenter til nettopp slike flertrinns arbeidsflyter, og at 81 prosent planlegger mer komplekse bruksområder i 2026. Typiske leveranser inkluderer markedsanalyser, due diligence, konkurrentkartlegging, regulatorisk forskning og litteraturgjennomgang.

Hva skiller prototypen fra produktet

Prototypen svarer riktig på et godt formulert spørsmål i en demo. Produktet svarer riktig hver dag i uka, med begrunnelse, kildehenvisning og audit-logg. Den forskjellen krever en outputkontrakt (hva agenten lover å levere), en evalueringsbenk (hvordan vi måler om den holdt løftet), en tjenestenivåavtale (hvor raskt og hvor stabilt) og en eskaleringssti (hva skjer når den svarer feil). En kunde som ikke ser disse fire elementene i tilbudet, ser ikke et produkt.

Ferdige agenter dominerer markedsbildet

Roots Analysis rapporterer at ferdige agenter som kan distribueres direkte tar mer enn 85 prosent av AI-agentmarkedet i 2026. Precedence Research finner et tilsvarende mønster for ferdigutviklede agenter, og bekrefter at hyllevare er hovedformfaktoren. Konsekvensen er at bygger-vil-vinne-fortellingen mange norske aktører selger inn, ikke stemmer med faktisk innkjøpsmønster. Kunden kjøper hyllevare først og bygger spesialiseringen ovenpå. For en dypere gjennomgang av hvordan slike systemer fungerer som autonome aktører, se Aluras analyse av autonome AI-agenter.

Markedsbildet: forskning og oppsummering tar 25 prosent

Det er ingen omforent markedsstørrelse for AI-agenter i 2026. Research and Markets, Precedence Research og Azumo opererer alle med ulike grunnlinjer for 2025 og 2026. Spennet på godt over 80 prosent mellom analytikerne sier mer om uenighet i definisjon enn om markedets faktiske volum.

Hvor markedet ender opp i 2030 og 2035 spriker enda mer. Roots Analysis opererer med USD 15 milliarder i 2026 voksende til USD 221 milliarder innen 2035. De andre analytikerne lander høyere eller lavere avhengig av definisjon og prognosehorisont. For en konsulentleder er det viktigere å forstå hvilke segmenter som vokser raskest enn å velge ett enkelt tall.

Felles for alle estimatene er at de bekrefter tosifret prosentvis årlig vekst i prognoseperioden. Konsulentlederen som planlegger sin posisjon i 2026 bør lese tallene som størrelsesorden, ikke som regnskapsfasit. Hovedspørsmålet er ikke hvilken analytikers tall som ender opp riktig, men hvilken del av markedet bedriften posisjonerer seg i og hvor raskt prosessdisiplinen modnes.

Hvor pengene står i 2026

Tre segmenter peker seg ut. Forskning og oppsummering er den største bruken med 25 prosent, ifølge Roots Analysis. Bank og finans (BFSI) tar tilsvarende 25 prosent av bruksområdene. Kundeservice er det høyest rangerte agentiske bruksområdet på tvers av bransjer, ifølge Azumo. 75 prosent av de ledende utviklerne i Roots-rapporten tilbyr kundeserviceagenter, noe som forklarer hvorfor segmentet er hyperkompetisjon, ikke blå hav.

Hvorfor analytikerne ikke er enige

Forskjellene skyldes hva de teller. Inkluderer du chatbots og enkle copiloter, blåses markedet opp. Inkluderer du bare flertrinns autonome systemer, krymper det. Precedence Research finner at bedriftskunder dominerer markedet, og at enkeltagentsystemer utgjør hoveddelen i 2025. Azumo rapporterer samsvarende dominans for enkeltagentsystemer. Konvergensen rundt enkeltagentdominans er reell, men estimatene for total markedsstørrelse må leses som størrelsesordener, ikke fakta.

Hvorfor segmentet kalles hyllevare i analytikerrapportene

Når 85 prosent av markedet er ferdige agenter du kan ta i bruk uten å bygge selv, har bransjen et hyllevareproblem. Roots Analysis sier rett ut at dette er den dominerende formfaktoren i 2026. Konsekvensen er at differensiering må skje i implementeringen, datakildene, evalueringen og styringen, ikke i selve agenten.

Horisontale agenter tar 85 prosent

Ferdige horisontale agenter dekker oppgaver som finnes på tvers av bransjer: research, oppsummering, transkripsjon, sentimentanalyse og kundeservice. Vertikale agenter, bygd for spesifikke bransjer, vokser raskere. Azumo rapporterer at vertikale AI-agenter har den høyeste vekstraten i datasettet for perioden 2025-2030. Precedence Research finner tilsvarende at fleragentsystemer er det raskest voksende undersegmentet. For norske konsulenter er signalet at vertikal spesialisering er der pengene tjenes de neste tre årene, ikke på generelle assistenter.

Hyllevareeffekten på prising og differensiering

Når en ferdig forskningsagent er tilgjengelig som SaaS-tjeneste fra flere leverandører samtidig, mister du prisingsmakt på selve agenten. Du beholder prisingsmakt på datakildene, evalueringen, integrasjonen og forvaltningen. Merge.dev finner at 43 prosent av bedriftene allerede kobler agentene sine til MCP-servere, og 53 prosent vil gjøre det innen 12 måneder. Det forteller hvor verdiløftet flytter seg: bort fra agenten, og mot integrasjonen og styringen rundt.

Fra forskningsprototype til betalbart produkt i fire steg

Avstanden mellom et fungerende eksempel og et produkt med betalende kunder er kort i tid og lang i arbeid. Law and Economics Center argumenterer for at ingen enkelt kommersialiseringstilnærming er universelt overlegen, og at proprietær og åpen utvikling har distinkte styrker. Databricks-rapporten oppgir at 80 prosent av databasene allerede bygges av AI-agenter, men Azumo finner at kun 47 prosent av IT-ledere rapporterte lønnsomme AI-prosjekter i 2024. Forskjellen mellom rapportert kapasitet og rapportert lønnsomhet er der prosessdisiplinen avgjør utfallet.

Steg 1: Definer outputkontrakten

En outputkontrakt beskriver hva agenten lover å levere: format, lengde, kildereferanser, ferskhet, tone og hva som ikke skal være med. Den må være skriftlig, og den må kunne testes maskinelt. Uten en outputkontrakt har du ikke noe å evaluere mot, du har en magefølelse om at svaret var bra. Magefølelse skalerer ikke til ti tusen forespørsler per måned.

Steg 2: Bygg evalueringsbenken

Evalueringsbenken er en samling testtilfeller med fasit, kjørt automatisk hver gang du endrer prompt, modell, retrieval eller verktøy. Databricks finner at selskaper som bruker evalueringsverktøy får 6x så mange AI-prosjekter i produksjon. Tallet er basert på data fra 20 000 kunder, hvorav 60 prosent av Fortune 500. Det er en av de mest robuste prediktorene for kommersialiseringssuksess vi har sett i bransjedata.

Steg 3: Pakk som tjeneste, ikke som skript

En forskningsagent som lever som et Python-skript er ikke et produkt. Den må ha brukergrensesnitt, autentisering, logging, fakturering og et sted å klage når svaret er feil. Databricks-rapporten finner at de fleste organisasjoner tar en hybrid tilnærming, med 47 prosent som kombinerer egne og ferdige løsninger. Pakkingen er der hybriden konkretiseres.

Steg 4: Etabler styringsmodellen

Databricks rapporterer at selskaper med AI-styring får over 12 ganger så mange prosjekter i produksjon som de uten. Azumo finner samtidig at bare 21 prosent av selskapene har en moden styringsmodell for autonome AI-agenter. Alura mener forskningsagenter trenger evaluerings- og styringsoppsett før de settes i produksjon, ikke etter. Reglene må definere hvem som godkjenner modellbytte, hvordan feil rapporteres, hvilken data agenten har lov til å se, og når mennesket må inn i sløyfa.

Pris og lønnsomhet: fra timepris til abonnement

Forskningsagenter selger som programvare, ikke som tjeneste. Det er en mer dramatisk endring for et norsk konsulenthus enn det høres ut. Alura mener kommersialisering av forskningsagenter flytter konsulentleveransen fra timer til abonnement. Konsekvensen er at marginalkost per leveranse går mot null, mens kapitalkost per produkt går opp.

Modell	Hva kunden betaler for	Når den passer	Risiko
Per bruker per måned	Tilgang per ansatt	Stor og forutsigbar brukerbase	Lav bruk gir høyt tap per sete
Forbruksbasert	Per kjøring eller per token	Variabel og uforutsigbar bruk	Kunden får regning som overrasker
Resultatbasert	Andel av spart kostnad eller funn	Klare metrikker på besparelse	Tung å revidere og diskutere
Hybrid abonnement og forbruk	Fast bunn pluss variabel topp	Etablerte segmenter med vekstpotensial	Mer kompleks fakturering

Hvorfor abonnement vinner over timer

Et konsulenthus som timepris-tjener kan levere et fast volum timer per konsulent per år. Samme konsulent kan vedlikeholde og videreutvikle en forskningsagent som selges som månedlig abonnement til mange kunder samtidig. Marginalkostnaden for kunde nummer 51 er nær null. Spørsmålet er bare hvor lenge det tar å bygge produktet og hvor mange kunder du klarer å tegne det første året. Axis Intelligence finner at 23 prosent av organisasjoner allerede skalerer agentisk AI i minst en funksjon, så betalingsviljen er der.

Realistiske marginer i 2026

Axis Intelligence rapporterer at global AI-spending når 2,59 billioner dollar i 2026, en oppgang på 47 prosent år over år, men at kun 20 prosent av organisasjoner rapporterer inntektsvekst fra AI. For et tidlig produkt er bruttomargin lavere enn for klassisk SaaS, fordi modellkostnader, hosting, evaluering og support til sammen utgjør en betydelig kostnadsandel. Hovedfeilen er å undervurdere supportkostnaden når kunden får et svar de er uenige i.

Hvorfor 40 prosent av agentprosjektene ryker innen 2027

Azumo siterer Gartner på at over 40 prosent av agentiske AI-prosjekter forventes kansellert innen utgangen av 2027. Det er ikke et katastrofevarsel. Det er et normalt mønster når en kategori går fra eksperiment til produksjon. Spørsmålet er bare hvilke 60 prosent som overlever.

Tallet må holdes mot bakgrunnen. Azumo finner at 62 prosent av organisasjoner eksperimenterer med AI-agenter, men bare en svært liten andel kvalifiserer som sanne AI-high performers. Axis Intelligence rapporterer at 23 prosent av organisasjoner faktisk skalerer agentisk AI i minst en funksjon. Avstanden mellom eksperiment og skala er der 40-prosenten Gartner snakker om.

Tallet i kontekst

Prosjekter som ryker er sjelden de som har feil teknisk fundament. De er typisk de hvor verdihypotesen aldri ble validert mot betalingsvilje. Axis Intelligence finner at 15 billioner dollar i B2B-utgifter vil formidles av AI-agenter innen 2028, og at generativ AI kan frigjøre 2,6 til 4,4 billioner dollar i årlig økonomisk verdi på tvers av 63 bruksområder. Ingen av disse tallene fordeler seg jevnt. Det er sjelden tilfeldig hvem som blir igjen.

De fire fallgruvene

Den første er manglende outputkontrakt: kunden vet ikke hva som er et godt svar, og du vet ikke når du har levert. Den andre er manglende evaluering: når modellen oppdateres eller en kilde endrer format, vet du ikke om kvaliteten falt før kunden klager. Den tredje er manglende styring: ingen vet hvem som har lov til å justere prompten i produksjon. Den fjerde er manglende vertikalfokus: agenten kan alt og er derfor ikke bedre enn ChatGPT på noe. ChatGPT nådde 1 milliard månedlige aktive brukere innen juni 2026, og er sammenligningen alle alternativer måles mot. Azumo påpeker også at kun 25 prosent av AI-initiativer har levert forventet ROI de siste årene.

Evaluering og styring som flytter prosjekter i produksjon

Databricks oppgir at selskaper som bruker evalueringsverktøy får 6x så mange AI-prosjekter i produksjon, og at selskaper som bruker AI-styring får over 12 ganger så mange. Dataene er hentet fra 20 000 kunder, hvorav 60 prosent er Fortune 500. Det er en av de største effektstørrelsene i AI-litteraturen om hvor produksjonskvalitet faktisk avgjøres.

Alura mener forskningsagenter trenger evaluerings- og styringsoppsett før de settes i produksjon, ikke etter. Argumentet er ikke at evaluering er en best practice. Argumentet er at det er forskjellen på et fåtall vellykkede prosjekter og mange ganger flere prosjekter i produksjon, ifølge tallene fra Databricks-grunnlaget.

Hva en evalueringsbenk består av

En evalueringsbenk har fire deler. Først et sett representative testspørsmål med kjent fasit. Deretter en eller flere automatiske scoringsmetoder. Så en versjonering av prompt, modell og verktøykonfigurasjon. Til slutt en dashboardvisning som viser regresjon mellom versjoner. Merge.dev finner at 70 prosent sier at implementering av autentisering, feilhåndtering og normaliserte datamodeller krever betydelig teknisk ekspertise. Evalueringen sitter på samme krevende plass.

Styringsmodellen i praksis

En styringsmodell beskriver hvem som godkjenner endringer, hvilken data agenten har lov til å se, hvilken risikokategori den faller i, og hvordan feil eskaleres. Azumo finner at bare 21 prosent av selskapene har et modent styringsoppsett, mens samme rapport antyder at AI-agenter vil få stadig større rolle i B2B-handel mot 2028. Forskjellen mellom modenhetsnivå og forventet bruk er der norsk konsulentbransje bør finne sin posisjon: lever styringsmodellen kunden ikke har bygd selv. Se også Aluras gjennomgang av AI-agenter for norske bedrifter for hvordan modenhetsnivåene kartlegges i praksis.

EU AI Act og hullet i forskningsunntaket

EU AI Act trådte i kraft 1. august 2024 og blir fullt anvendelig 2. august 2026. The Future Society omtaler 2025 som AI-agentenes år, og påpeker at AI Act gjelder for agenter selv om forordningen ikke ble designet for dem. Det er det hullet enhver kommersiell forskningsagent må navigere innen sommeren 2026.

Alura mener norske rådgivere bør prise inn EU AI Act-overgangen i alle nye agentleveranser gjennom 2026. Forskningsunntaket er smalere enn de fleste tror. Når en forskningsagent forlater laboratoriet og leverer tjenester mot betaling, slutter unntaket å gjelde, ifølge analyser av AI Act-praksis.

Dato	Hva trer i kraft	Kilde
1. august 2024	AI Act trer i kraft formelt	Wikipedia
2. februar 2025	Forbud mot uakseptabel risiko og AI-kompetanseplikt	EU AI Act
2. august 2025	Forpliktelser for GPAI-leverandører	EU-kommisjonen
2. februar 2026	Retningslinjer for høyrisiko-klassifisering	Pinsent Masons
2. august 2026	AI Act blir fullt anvendelig	EU-kommisjonen
2. desember 2026	Watermarking-plikt for AI-generert innhold	EU AI Act
2. desember 2027	Selvstendige høyrisikosystemer (etter forenkling)	EU AI Act
2. august 2028	Høyrisikosystemer innebygd i regulerte produkter	EU-kommisjonen

Hva forordningen sier

AI Act deler systemer i fire risikonivåer: uakseptabel, høy, begrenset (transparens) og minimal. Uakseptabel risiko omfatter åtte spesifikke praksiser, inkludert sosial scoring og sanntids biometrisk identifikasjon i offentlige rom. Wikipedia oppsummerer kategoriene som forbudte, høyrisiko, begrenset og minimal, pluss en egen kategori for generelle AI-modeller. RAND påpeker at forordningen gjelder også for tredjeland som tilbyr AI-systemer på EU-markedet, og at output brukt i EU teller for jurisdiksjonen.

Forskningsunntaket og dets grenser

Pinsent Masons beskriver hvordan artikkel 2(6) unntar AI-systemer utviklet utelukkende for vitenskapelig forskning og utvikling. En analyse i NPJ Digital Medicine argumenterer for at unntakene hviler på en foreldet antagelse om at vitenskapelig forskning og virkelig-verden-anvendelse kan skilles. Et arXiv-papir går lenger og hevder at AI Act kan gjelde for forskere langt oftere enn forskningsmiljøet selv tror, fordi publisering på GitHub, Hugging Face eller Colab kan utløse forpliktelser. For en kommersiell forskningsagent er konsekvensen klar: forskningsunntaket gjelder ikke når salget starter.

Bøtene som driver beslutningen

Wikipedia oppgir maksimal bot på 35 millioner euro eller 7 prosent av global årlig omsetning for brudd på forbudene i artikkel 5. For andre operatørforpliktelser er taket 15 millioner euro eller 3 prosent. For å gi misvisende informasjon er taket 7,5 millioner euro. RAND bekrefter nivåene. ArXiv-analysen understreker at AI Act har ekstraterritoriell rekkevidde, og at bøtene gjelder også for forskere utenfor EU.

Markedsobservasjon: hva ServiceNow og IQVIA viser

To bevegelser i 2025 forteller hvordan forskningsagenter blir produkt i praksis: ServiceNows oppkjøp av Moveworks for 2,85 milliarder dollar i mars 2025, og IQVIAs lansering av AI-orchestrator-agenter bygget på NVIDIA AI Foundry. Den ene viser hvor mye et plattformselskap er villig til å betale for agentkapasitet. Den andre viser hvordan en vertikal aktør operasjonaliserer dem.

ServiceNow og Moveworks-oppkjøpet

Research and Markets rapporterer at ServiceNow kjøpte Moveworks for å styrke sine AI-agentkapabiliteter. Prisen på 2,85 milliarder dollar er en av de største agentrelaterte transaksjonene som er bekreftet. For et norsk konsulenthus er observasjonen ikke at man skal selges. Den er at integrasjonslag og enterprise-distribusjon prises høyt fordi det er der hyllevareagenten møter den faktiske kunden. Axis Intelligence påpeker at AI-oppstartselskaper tiltrakk seg 212 milliarder dollar i venturefinansiering i 2025, 85 prosent mer enn i 2024, så kapitalen følger fortellingen.

IQVIA og NVIDIA i klinisk pipeline

IQVIAs AI-orchestrator-agenter er bygd på IQVIA Connected Intelligence og NVIDIA AI Foundry, og brukes til målidentifikasjon, klinisk datagjennomgang og feltstøtte for salgsteam. Det er forskningsagenter i ordets opprinnelige betydning, men kommersialisert som tjeneste til legemiddelselskaper. Pinsent Masons peker på at EMA har sagt at AI kan støtte innhenting, bearbeiding, analyse og tolkning av data gjennom legemiddelproduktets livssyklus. Det er en konkret produktbeskrivelse, ikke et eksperiment.

MCP og integrasjoner som gjør produktet mulig

Merge.dev-rapporten finner at 73 prosent av bedriftene vil bygge agentiske integrasjoner med MCP-servere innen 12 måneder, 75 prosent vil outsource disse integrasjonene, og 81 prosent bruker MCP til målrettede oppslag i tredjepartsprogramvare. Den infrastrukturen er det som gjør forskningsagenten til et faktisk produkt, ikke en stilig demo.

MCP-adopsjonen i 2026

MCP, Model Context Protocol, ble en de facto-standard for hvordan agenter kobler seg til verktøy og datakilder. Merge.dev finner at 43 prosent allerede kobler agentene sine til MCP-servere, og at 66 prosent integrerer agenter med chatteplattformer. Bedrifter er også 24 prosent mer sannsynlig å bygge interne agenter enn kundevendte, ifølge samme rapport. Databricks-rapporten bekrefter at integrasjon og datakvalitet er de største barrierene, med 46 prosent som peker på integrasjon med eksisterende systemer som primær barriere.

Sikkerhet og outsourcing er den nye flaskehalsen

Merge.dev rapporterer at 72 prosent sier MCP-serveres sikkerhetsrisikoer krever spesialisert ekspertise, og 70 prosent sier autentisering, feilhåndtering og normaliserte datamodeller krever betydelig teknisk ekspertise. Det er en åpen mulighet for norske spesialiserte rådgivere. Det er også en advarsel: en agent som leser kundens CRM, ERP og fakturasystem må behandles som en kritisk komponent fra dag en, ikke som en pilot.

Vanlige feil norske konsulenthus gjør i kommersialiseringen

Norske konsulenthus som rykker fra prosjekt til produkt gjør de samme feilene som amerikanske og europeiske aktører gjorde i 2023 og 2024. Her er de fire mest kostbare, slik vi ser dem mot tallene fra Azumo, Databricks og Merge.dev.

Feil	Hva som skjer	Hva som burde skjedd
Selger bygging i stedet for produkt	Kunden får et engangsprosjekt og du får en faktura	Du selger tilgang til en agent du driver, kunden betaler hver måned
Bygger horisontalt mot et vertikalt marked	Agenten konkurrerer med ChatGPT på generell tekstkvalitet	Agenten er bygd for ett yrke, og slår ChatGPT i den nisjen
Glemmer evaluering før første pilot	Du oppdager kvalitetsfall først når kunden klager	Du oppdager kvalitetsfall innen 24 timer via automatisk benk
Ignorerer AI Act-tidslinjen	Risiko for retroaktive endringer og bøter opp mot 35 millioner euro	Risikoklassifisering før første kommersielle leveranse

Selger byggingen i stedet for produktet

Engangsleveransen er trygg, men den skalerer ikke. Et timepris-prosjekt selges en gang, og fakturaen er ferdig. Et abonnement gir tilbakevendende inntekt fra dag en, og hver ny kunde øker margin uten å øke leveransekostnad tilsvarende. Forskjellen er at du må eie produktet, ikke timene.

Bygger horisontalt mot et vertikalt marked

Roots Analysis rapporterer at BFSI har 25 prosent av AI-agentmarkedsandelen i 2026. Azumo finner at vertikale agenter har den høyeste vekstraten i datasettet for perioden 2025-2030. Forskningsagenter bygd for en spesifikk bransje, som regulatorisk forskning for legemidler eller eiendomsanalyse for kommersiell utleie, har et naturlig forsvar mot horisontale alternativer.

Glemmer AI Act-tidslinjen

Norske konsulenthus selger ofte agentleveranser uten å nevne AI Act. Det er en risiko for kunden og en kontraktuell svakhet for leverandøren. Når retningslinjene for høyrisiko-klassifisering kom 2. februar 2026 og forordningen er fullt anvendelig 2. august 2026, må alle aktive leveranser ha en avklart klassifisering. Et tilbud uten den avklaringen er ikke et profesjonelt tilbud i 2026.

FAQ om forskningsagenter og kommersialisering

Spørsmålene under er de vi får oftest fra norske ledere som vurderer å gå fra pilot til betalbart produkt på en forskningsagent.

Hva er en AI-forskningsagent?

En AI-forskningsagent er et automatisert system som planlegger en søkestrategi, henter kilder fra dokumenter, databaser eller nettsider, og returnerer et ferdig svar med kildereferanse. Roots Analysis kategoriserer forskning og oppsummering som det største enkeltsegmentet av AI-agentmarkedet i 2026, med 25 prosent markedsandel. Se også Aluras innføring i AI-agenter for en lengre teknisk gjennomgang.

Er agentene mine omfattet av EU AI Act?

Sannsynligvis ja, dersom du tilbyr dem som tjeneste i EØS-området eller bruker dem mot EØS-data. The Future Society påpeker i sin rapport at AI Act gjelder for agenter selv om forordningen ikke ble designet for dem. Risikoklassen avgjør hvilke forpliktelser som inntreffer, og retningslinjene for høyrisiko-klassifisering kom 2. februar 2026.

Hvor stort er det norske markedet?

Det er ingen verifisert norsk markedsstørrelse for AI-forskningsagenter spesifikt. Globalt anslår Roots Analysis markedet til USD 15 milliarder i 2026, voksende til USD 221 milliarder i 2035. Precedence Research finner at USA alene utgjør 2,27 milliarder dollar i 2025, voksende til 91,66 milliarder i 2035. Et grovt estimat plasserer norsk eksponering på en tidels prosent av globale tall. Se også Aluras analyse av AI-agenter for norske bedrifter.

Hva er en realistisk feilrate?

Avhenger av definisjon. Azumo siterer Gartner på at 40 prosent av agentprosjekter kanselleres innen 2027. Hvis du måler andelen agentkjøringer som returnerer feil eller manglende svar i et veldrevet produkt, bør målet ligge betydelig lavere. Det krever en evalueringsbenk som kjører automatisk. Databricks finner at evaluering gir 6x så mange prosjekter i produksjon.

Bør vi bygge på MCP eller egne integrasjoner?

Merge.dev finner at 73 prosent av bedriftene vil bygge på MCP innen 12 måneder, og 75 prosent vil outsource integrasjonsbiten. Hovedregelen er MCP der standarden finnes, egne integrasjoner der MCP-serveren ikke leverer det du trenger. 72 prosent mener sikkerhetsrisikoen krever spesialisert kompetanse, så en MCP-deployment uten gjennomgang er ikke produkt, det er teknisk gjeld.

Hva norske rådgivere bør gjøre denne uken

Definer outputkontrakten for en av de forskningsoppgavene dere allerede leverer manuelt. Det er det enkleste produktet å bygge: noe du allerede selger, der kostnaden i dag er menneskelig tid. Skriv ned hva svaret skal inneholde, hvor langt det skal være, hvor ferskt, og hvilket språk. Det skal ta en arbeidsdag, ikke en uke.

Bygg den minste mulige evalueringsbenken: ti testspørsmål med fasit, en LLM-basert scorer, et regneark som lagrer resultater per prompt-versjon. Det er ikke pent, men det er det ene grepet som flytter prosjekter i produksjon. Databricks har dokumentert 6x-effekten mot 20 000 kunder, og 12x-effekten for full styringsmodell.

Kartlegg risikoklassen for hvert agenttilbud du har ute. AI Act er fullt anvendelig 2. august 2026, og enhver leveranse uten klassifisering er en kontraktuell svakhet. Når retningslinjene fra Kommisjonen kom 2. februar 2026, ble klassifisering både praktisk mulig og forventet av profesjonelle innkjøpere.

Sett en pris, men ikke en timepris. Alura mener kommersialisering av forskningsagenter flytter konsulentleveransen fra timer til abonnement, og det første konkrete grepet er å sette en månedlig pris per bruker eller per arbeidsflyt. Alura mener norske rådgivere bør prise inn EU AI Act-overgangen i alle nye agentleveranser gjennom 2026, og det betyr at compliance-arbeidet skal være eksplisitt i tilbudet, ikke gjemt i timene. Se også Aluras gjennomgang av AI-agenter og automatisering i norske bedrifter for hvordan disse stykkene henger sammen i en typisk leveranse.

I Alura jobber vi med norske bedrifter på tvers av bransjer: finans, helse, bygg, e-handel, industri. Vi vet hva som fungerer i din sektor og hva som ikke gjør det, fordi vi har bygget løsninger der allerede.

Bestill en bransje-vurdering: vi presenterer hva andre i din sektor faktisk gjør med AI, hva som gir avkastning, og hvor du har uutnyttede muligheter. Uforpliktende.