AI-agenter i praksis: slik løser vi oppgaver som før var for dyre

Sitter du med en nettside eller nettbutikk der du vet at noe ikke fungerer, men ingen har tid til å lese gjennom alt for å finne ut hva? Det er akkurat den typen oppgave AI-agenter har gjort mulig å løse. En agent er samtidig lett å vise fram og vanskelig å stole på: det tar en ettermiddag å sette opp noe som ser imponerende ut i et møterom, og måneder å få det til å levere noe du tør sende videre til en kunde. Vi bygger egne AI-agenter og våre egne rammeverk rundt dem, og bruker dem hver uke på kundeprosjekter. Her forklarer vi hva en agent faktisk er, hva den har gjort mulig – særlig store analyser og SEO-arbeid som før var for dyre å gjennomføre – og det som sjelden står i AI-artikler: hvor agentene fortsatt koster mer enn de sparer.

Hva en AI-agent er – og hva den ikke er

En AI-agent er en språkmodell som har fått tre ting: et mål, verktøy den kan bruke, og lov til å jobbe i flere steg til jobben er gjort. En chatbot svarer på ett spørsmål av gangen, mens en agent får en oppgave og jobber til den er løst.

Forskjellen blir tydelig med et eksempel. Spør du en chatbot «hvilke sider på nettstedet vårt konkurrerer om de samme søkeordene?», får du et kvalifisert gjett bygget på det den kan om nettsteder generelt. En agent kan hente inn hver eneste side, lese dem, holde dem opp mot faktiske søkedata og levere en liste med begrunnelse per side.

Forskjellen er altså ikke intelligens, men tilgang og utholdenhet: agenten orker å lese 400 sider, og det gjør ikke et menneske på en formiddag.

Tre ting som skiller en agent fra en prompt

• Verktøy. Den kan hente data, lese filer og kjøre sjekker – ikke bare skrive tekst.
• Steg. Den jobber videre på sitt eget resultat i stedet for å svare én gang og stoppe.
• Grenser. Noen har bestemt hva den har lov til å gjøre, og når den skal gi seg.

Det siste punktet hopper de fleste over, og det er det som skiller en nyttig agent fra en uforutsigbar en.

Hvorfor vi bygger egne AI-agenter i stedet for å kjøpe ferdige

Ferdige AI-verktøy er gode på det generelle, og dårlige på det som er ditt.

Et generelt verktøy vet ikke hvordan merkevaren din snakker, hvilke sider du allerede har publisert, hva prisnivået ditt ligger på, eller hva vi lovet i forrige prosjekt. Uten den konteksten blir svarene høflige og ubrukelige. Med den blir de konkrete.

Derfor bygger vi agenter som har tilgang til nettopp den konteksten – innholdsbiblioteket, søkedataene, tidligere leveranser og reglene vi selv jobber etter. Det er ikke ett stort system, men flere små med hver sin klart avgrensede jobb.

Modellen er råvaren. Rammeverket er håndverket.

Selve språkmodellen er noe alle kan kjøpe tilgang til. Alle byråer har tilgang til de samme modellene, så det er ikke der forskjellen ligger.

Forskjellen ligger i rammeverket rundt: arbeidsreglene agenten må følge, dataene den har lov til å se, kontrollpunktene den må gjennom før noe regnes som ferdig, og loggen som gjør at vi kan gå tilbake og se hvorfor den gjorde som den gjorde. Den delen tar tid å bygge, og den blir bedre for hvert prosjekt.

Hvorfor gjenbruk slår generering

Det finnes en god teknisk grunn til å jobbe slik. En språkmodell ser bare en begrenset mengde kode om gangen. Ser den ikke at du allerede har løst et problem, løser den det på nytt – litt annerledes. Gjør du det hundre ganger, sitter du med hundre nesten like varianter.

Det er ikke en teori. En gjennomgang av 623 millioner kodeendringer fant at dupliserte kodeblokker har økt med 81 % siden 2023, mens andelen kode som blir ryddet opp og gjenbrukt har falt fra 21 % i 2022 til 3,8 % i 2026 (GitClear, 2026). Kort sagt: det blir raskt skrevet, og dyrt å vedlikeholde.

Vi jobber derfor i egne rammeverk med faste komponenter og faste mønstre. Agenten får bygge, men innenfor en form vi allerede har bestemt. Det gir en kodebase et menneske fortsatt forstår om tre år – ganske relevant når du skal eie nettsiden så lenge.

Den vanskelige delen: å oppdage når agenten tar feil

Språkmodeller hallusinerer – de finner på ting som høres helt riktig ut. En modell som tar feil, tar feil med nøyaktig samme selvtillit som når den har rett. Det finnes ingen skjelving i stemmen.

Og det er sjelden de åpenbare feilene som koster. I Stack Overflows utviklerundersøkelse fra 2025 svarte 66 % at de har støtt på AI-løsninger som er «nesten riktige, men ikke helt» – det hyppigst nevnte problemet i hele undersøkelsen. 45 % oppga at feilsøking av AI-generert kode tar mer tid, ikke mindre (Stack Overflow, 2025). Nesten riktig er dyrere enn åpenbart feil, fordi nesten riktig slipper gjennom.

Det gjør kvalitetssikring til den dyreste delen av agentarbeid, ikke den billigste. Skal du stole på en gjennomgang av 400 sider, må du enten lese alle 400 selv – da har du ikke spart noe – eller ha en måte å teste om agenten faktisk gjør jobben riktig.

Slik løser vi det

Vi setter agentene på oppgaver der svaret kan etterprøves. En agent som påstår at to sider konkurrerer om samme søkeord, må vise hvilke sider og hvilket søkeord, og da tar kontrollen sekunder.

Vi kjører dem også mot oppgaver vi allerede kan fasiten på. Bommer de der, bommer de garantert på det vi ikke kan kontrollere.

Hva AI-agenter har gjort realistisk for oss

Den mest interessante effekten er ikke at kjente oppgaver går fortere, men at oppgaver vi tidligere måtte si nei til nå lar seg gjennomføre.

Analyser som var for dyre å be om

En nettbutikk med noen tusen produktsider har alltid hatt det samme problemet: ingen har lest gjennom alle sidene. Ikke fordi det er vanskelig, men fordi det er uker med arbeid – og ingen kunde vil betale for uker med lesing.

Med en agent som går gjennom hver side systematisk, blir jobben mulig å tilby. Resultatet er ikke en rapport på 200 sider, men en kort liste over de sidene som faktisk trekker ned, der mennesket bestemmer hva vi gjør med dem.

Vi bruker samme prinsipp på vårt eget hus. Mediebiblioteket vårt hadde vokst seg stort, og en god del bilder manglet alt-tekst – beskrivelsen skjermlesere leser opp, og som Google bruker til å forstå hva bildet viser. Å skrive dem manuelt er rent tålmodighetsarbeid, og derfor ble det aldri gjort. En agent som ser på hvert enkelt bilde og foreslår en beskrivelse, gjorde jobben overkommelig. Vi leste gjennom forslagene, rettet dem som bommet, og satt igjen med et bibliotek der bildene faktisk lar seg finne.

Grundigere SEO-arbeid, ikke mer innhold

Her er det lett å misforstå. Agenter gjør det ikke fornuftig å produsere hundre artikler i uka. Google slår eksplisitt ned på innhold som lages i mengde uten egen verdi, uansett om det er et menneske eller en maskin som har skrevet det – se Googles retningslinjer mot søkespam.

Det agentene gjør bedre, er arbeidet før teksten: kartlegge hvilke sider som stjeler hverandres søkeord, finne temaer vi faktisk har dekning for å skrive om, og holde innholdsplanen opp mot reelle søkedata over tid. Det er tålmodighetsarbeid, og der holder en maskin ut lenger enn et menneske. Hva vi gjør med funnene, hører hjemme under søkemotoroptimalisering.

Kortere vei fra idé til noe som virker

Når en fungerende versjon kan stå klar på dager i stedet for uker, blir beslutningen bedre – ikke bare raskere. Kunden tar stilling til noe som virker, ikke til en skisse på en skjerm. Feilene kommer tidlig, mens de fortsatt er billige å rette.

Der AI-agenter fortsatt koster mer enn de sparer

Det er lett å tro at mer AI alltid gir mer fart. Forskningen er mer nyansert enn markedsføringen, og per høsten 2026 er de beste studiene vi har fortsatt uenige med hverandre.

I et kontrollert forsøk fra juli 2025 fulgte forskningsinstituttet METR 16 erfarne utviklere gjennom 246 reelle oppgaver på kodebaser de kjente godt. Med AI-verktøy tilgjengelig brukte de 19 % lengre tid. Det mest tankevekkende er ikke tallet, men at utviklerne selv trodde de hadde vært 20 % raskere (METR, 2025).

METR er tydelige på hva studien ikke sier: den viser ikke at AI gjør utviklere tregere generelt. Den målte erfarne folk på kode de allerede kunne utenat, og det er trolig nettopp der gevinsten er minst – og følelsen av gevinst størst.

Googles DORA-undersøkelse fra 2025 nyanserer bildet fra en annen kant. Ni av ti bruker AI i jobben, og over 80 % mener det har gjort dem mer produktive. I år finner DORA faktisk en positiv sammenheng mellom AI-bruk og hvor mye som blir levert – men sammenhengen med hvor stabile leveransene er, er fortsatt negativ (DORA, 2025). Farten øker, og feilene følger med.

Konklusjonen deres er at AI er en forsterker: den gjør gode arbeidsmåter bedre og dårlige arbeidsmåter raskere. Vi kjenner oss igjen. Gevinsten kommer ikke av seg selv, og den kommer ikke overalt.

Når vi lar agentene stå

• Små engangsoppgaver. Å sette opp en agent for noe du gjør én gang, tar lengre tid enn å gjøre det selv.
• Fagfelt vi ikke kan kvalitetssikre. Kan vi ikke se at svaret er feil, kan vi ikke bruke det.
• Alt med juridisk eller økonomisk risiko. Avtaletekst, personvernvurderinger og tall som skal stå i et tilbud.
• Skjønn om mennesker og merkevare. Tone, humor og hva som føles riktig for nettopp denne bedriften.

Det siste er verdt å dvele ved. En agent kan finne ut hva folk i Vestfold søker etter, men den kan ikke vurdere om en formulering treffer en håndverksbedrift i Sandefjord eller får den til å høres ut som et konsulenthus i Oslo.

Spørsmål du bør stille et byrå som sier de bruker AI

«Vi bruker AI» betyr alt fra en gjennomtenkt arbeidsmåte til at noen limer inn output fra en nettsidegenerator. Disse spørsmålene skiller ganske raskt.

1. Hva gjør AI hos dere, og hva gjør et menneske? Be om konkrete eksempler, ikke prinsipper.
2. Hvem godkjenner det som leveres til meg – og på hvilket punkt i prosessen?
3. Hvordan oppdager dere at AI har tatt feil? Hvis svaret er «vi ser det», er det ikke et svar.
4. Hvor sendes innholdet og dataene våre, og hva brukes de til etterpå?
5. Kan en annen utvikler overta koden om to år uten å bygge alt på nytt?
6. Blir det billigere – og hvis ikke, hva får vi i stedet?

Det siste spørsmålet er det ærligste, og vi svarer på det under.

Hva egne AI-agenter betyr for en mellomstor bedrift

Analysearbeid som for få år siden krevde et budsjett bare de største hadde, er nå mulig å gjennomføre for en mellomstor bedrift i Tønsberg eller Horten. Ikke fordi arbeidet er blitt enkelt, men fordi den mest tidkrevende delen kan gjøres systematisk. Prisen faller ikke nødvendigvis – du får mer igjen for den samme kronen.

Det er også et forsprang som er lettere å ta enn mange tror. Tall fra SSB viser at tre av ti norske foretak med minst ti ansatte brukte kunstig intelligens i 2025, mot to av ti året før. Blant foretakene med under 50 ansatte er andelen fortsatt lav, og 77 % av dem som ikke bruker KI oppgir manglende kompetanse som årsak (SSB, 2025).

Kompetansen er altså flaskehalsen, ikke teknologien. Vil du se hvordan vi bruker AI på verktøynivå i det daglige – gjennom research, design, koding og innhold – har vi skrevet om det her.