Agentic workflow

Hvad er et agentic workflow?

Et agentic workflow er et arbejdsflow hvor en AI-agent ikke bare svarer på et spørgsmål, men selvstændigt planlægger og udfører en serie af handlinger for at løse en opgave. Agenten har autonomi til at vælge værktøjer, træffe beslutninger undervejs og iterere på sit arbejde indtil målet er nået.

Se AI i praksis for opgaver fra en arbejdsdag. Hver side viser, hvordan jeg ville bygge hjælp til netop den opgave.

Forskellen mellem et simpelt AI-kald og et agentic workflow svarer til forskellen mellem at spørge en kollega om et hurtigt svar og at bede dem tage ejerskab over et helt projekt. I det første tilfælde stiller du et spørgsmål og får et svar. I det andet tilfælde definerer du målet, og kollegaen planlægger selv fremgangsmåden, udfører arbejdet, håndterer problemer undervejs og leverer et færdigt resultat.

Simpelt AI-kald:

Bruger: "Skriv en SQL-query der finder kunder med mere end 5 ordrer"
AI: "SELECT customer_id FROM orders GROUP BY customer_id HAVING COUNT(*) > 5"

Agentic workflow:

Bruger: "Find ud af hvorfor vores kundefastholdelse er faldet denne måned"
Agent: [Planlægger] → [Henter data fra CRM] → [Analyserer churn-mønstre] →
       [Sammenligner med tidligere måneder] → [Identificerer segmenter] →
       [Undersøger ændringer i produkt/pris] → [Formulerer rapport med anbefalinger]

Kernekomponenterne i et agentic workflow

1. Planlægning

Agenten nedbryder et overordnet mål i konkrete trin. Dette er ikke en fast pipeline. Agenten planlægger dynamisk baseret på opgaven:

Eksempel: “Opret en konkurrentanalyse af vores tre nærmeste konkurrenter”:

1. Identificér de tre nærmeste konkurrenter baseret på markedsdata
2. For hver konkurrent: hent prisdata, produktfeatures, seneste nyheder
3. Sammenlign feature-for-feature med vores produkt
4. Analysér prisstrategi og positionering
5. Identificér styrker, svagheder og muligheder
6. Formulér analyse med anbefalinger

Planen kan justeres undervejs. Hvis agenten opdager at en konkurrent har lanceret et nyt produkt der ændrer billedet, tilpasser den sin analyse.

2. Værktøjsbrug (tool use)

Agenten har adgang til værktøjer den kan bruge for at udføre handlinger i den virkelige verden:

• Datasystemer: Hente og skrive data i databaser, CRM, ERP
• API’er: Kalde eksterne tjenester (betalinger, e-mail, kalender)
• Filsystemer: Læse, skrive og redigere filer
• Webbrowser: Søge information, navigere websites, udfylde formularer
• Kodeafvikling: Skrive og køre kode for at beregne, analysere eller transformere data
• Kommunikation: Sende beskeder, e-mails, notifikationer

3. Observation og evaluering

Efter hvert trin observerer agenten resultatet og evaluerer om det bringer den tættere på målet:

• “Returnerede API-kaldet de forventede data?”
• “Er koden jeg skrev korrekt? Lad mig køre den og se.”
• “Giver analysen mening, eller mangler der et perspektiv?”
• “Har jeg nok information til at gå videre, eller skal jeg undersøge mere?”

4. Iteration og selvkorrektion

Når noget ikke virker, prøver agenten en anden tilgang:

• API-kald fejler → Prøv med andre parametre eller en alternativ datakilde
• Kode har en bug → Læs fejlmeddelelsen, identificér problemet, ret og kør igen
• Analysen er ufuldstændig → Hent yderligere data og udvid analysen
• Resultatet matcher ikke målet → Revurdér tilgangen og juster planen

5. Afslutning

Agenten afgør hvornår opgaven er fuldført og leverer resultatet. Det kan være et færdigt dokument, en kodeændring, en udført handling eller en anbefaling med beslutningsgrundlag.

De fire agentic design patterns

Andrew Ng, en af AI-feltets mest indflydelsesrige forskere, har beskrevet fire centrale design patterns for agentic workflows:

1. Reflection

Agenten evaluerer sit eget output og forbedrer det iterativt:

Generer svar → Evaluér kvalitet → Identificér svagheder →
Forbedre → Evaluér igen → ... → Lever endeligt svar

Eksempel: En agent der skriver kode genererer først et udkast, reviewerer det for fejl og edge cases, retter problemerne, kører tests, og itererer indtil alle tests består.

2. Tool use

Agenten bruger eksterne værktøjer til at udvide sine kapabiliteter:

Analysér opgave → Vælg relevant værktøj → Brug værktøj →
Fortolk resultat → Vælg næste handling → ...

Eksempel: En agent der besvarer et dataspørgsmål skriver en SQL-query, kører den mod databasen, analyserer resultaterne, genererer en visualisering og formulerer et svar baseret på data.

3. Planning

Agenten skaber en eksplicit plan og følger den:

Modtag mål → Opret plan med trin → Udfør trin 1 →
Evaluér → Udfør trin 2 → ... → Komplet

Eksempel: En agent der skal migrere data mellem systemer planlægger sekvensen: kortlæg kildeskema, definer mapping, skriv transformationslogik, kør migration på testdata, validér, kør på produktionsdata.

4. Multi-agent collaboration

Flere specialiserede agenter samarbejder om en opgave:

Orchestrator modtager opgave → Fordeler til specialister →
Researcher henter data → Analyst analyserer →
Writer formulerer → Reviewer kvalitetssikrer → Lever

Eksempel: En content-pipeline hvor én agent researcher emnet, en anden skriver udkastet, en tredje redigerer for tone og stil, og en fjerde optimerer for SEO.

Praktiske eksempler

Eksempel 1: Agentic softwareudvikling

Situation: En udvikler beder en AI-kodningsagent om at implementere en ny feature.

Prompt: “Tilføj en eksportfunktion der lader brugere downloade deres data som CSV.”

Agentic workflow:

1. Planlægning: Agenten analyserer kodebasen, finder eksisterende datamodeller, API-endpoints og frontend-komponenter. Planlægger: ny API-endpoint, CSV-generering, frontend-knap, tests.

2. Implementering af backend:

   • Skriver API-endpoint (GET /api/export/csv)
   • Implementerer CSV-generering fra brugerdata
   • Kører eksisterende tests for at sikre at intet er brudt

3. Implementering af frontend:

   • Tilføjer “Eksportér CSV”-knap i brugerens dashboard
   • Implementerer download-logik
   • Styler knappen konsistent med eksisterende UI

4. Test:

   • Skriver unit tests for CSV-generering
   • Skriver integrationstests for API-endpointet
   • Kører alle tests. To fejler
   • Analyserer fejlene, retter koden, kører tests igen. Alle består

5. Levering: Committet koden med en beskrivende commit-message og åbner en pull request med beskrivelse af ændringerne.

Forskel fra simpelt AI-kald: Et simpelt kald ville generere kode-snippets brugeren selv skal integrere. Det agentic workflow leverer en færdig, testet implementering.

Eksempel 2: Automatiseret kundeservice-eskalering

Situation: En kunde skriver til support om et komplekst problem der involverer flere systemer.

Kundehenvendelse: “Jeg har betalt for premium-abonnementet men kan ikke se de nye features, og min faktura viser stadig den gamle pris.”

Agentic workflow:

1. Analyse: Agenten identificerer to problemer: feature-adgang og fakturering.

2. Undersøgelse af feature-adgang:

   • Slår kunden op i brugerregisteret → Abonnement: Premium (aktiv)
   • Tjekker feature flags → Premium-features er disabled for denne bruger
   • Identificerer årsag: Abonnementsopgradering blev registreret men feature-provisioning fejlede

3. Løsning af feature-adgang:

   • Aktiverer premium-features for brugeren via admin-API
   • Verificerer at features nu er tilgængelige

4. Undersøgelse af fakturering:

   • Tjekker betalingssystemet → Kunden har betalt premium-pris
   • Tjekker fakturasystemet → Seneste faktura viser gammel pris
   • Identificerer årsag: Faktura blev genereret før prisændringen blev synkroniseret

5. Løsning af fakturering:

   • Genererer korrigeret faktura
   • Sender den til kundens e-mail

6. Svar til kunden: Formulerer et personligt svar der forklarer hvad der skete, hvad der er løst, og at den korrekte faktura er sendt.

7. Intern handling: Opretter en bug-rapport om synkroniseringsproblemet mellem abonnements- og faktureringssystemet.

Eksempel 3: Research og rapportgenerering

Situation: En produktchef beder om en markedsanalyse.

Prompt: “Lav en analyse af AI-kodningsværktøjer til vores næste strategimøde.”

Agentic workflow:

1. Research: Agenten søger efter de mest relevante AI-kodningsværktøjer, henter data om markedsandele, prismodeller, features og brugeranmeldelser.

2. Dataindsamling: Strukturerer data i en sammenlignelig form: feature-matrix, prissammenligning, brugertilfredsheds-scores.

3. Analyse: Identificerer trends (f.eks. bevægelse mod agentic coding), styrker og svagheder per værktøj, uopfyldte behov i markedet.

4. Syntese: Formulerer en rapport med executive summary, detaljeret sammenligning, markedstrends og strategiske anbefalinger.

5. Review: Gennemlæser rapporten for inkonsistenser, manglende data og uklare formuleringer. Retter og forbedrer.

6. Levering: Leverer rapporten i det ønskede format med visualiseringer og kildehenvisninger.

Agentic workflows vs. traditionel automatisering

Agentic workflows erstatter ikke traditionel automatisering. De komplementerer den. Faste, repetitive processer med klare regler er ofte bedst automatiseret traditionelt. Komplekse, variable opgaver der kræver vurdering og tilpasning er ideelle for agentic workflows.

Arkitekturmønstre

Single agent loop

Den simpleste arkitektur: én agent der itererer i en loop.

Modtag opgave → Tænk → Handl → Observer →
Er opgaven løst?
  Ja → Lever resultat
  Nej → Tænk → Handl → Observer → ...

Velegnet til opgaver der kan løses af én generalist med adgang til de rigtige værktøjer.

Orchestrator-worker

En orchestrator-agent fordeler arbejde til specialiserede worker-agenter.

Orchestrator modtager opgave →
  Worker A: Research →
  Worker B: Dataanalyse →
  Worker C: Skrivning →
Orchestrator samler og kvalitetssikrer → Lever

Velegnet til komplekse opgaver der kræver forskellige specialiseringer.

Pipeline med gates

Agenter arbejder sekventielt med kvalitetsgates mellem hvert trin.

Agent 1: Udkast → Gate: Kvalitetskontrol →
Agent 2: Revision → Gate: Faktatjek →
Agent 3: Formatering → Lever

Velegnet til opgaver hvor kvalitet og korrekthed er kritisk.

Supervisor pattern

En supervisor-agent overvåger andre agenter og griber ind ved problemer.

Worker-agenter udfører opgaver parallelt
Supervisor monitorerer progress og kvalitet
  Problem opdaget → Supervisor instruerer korrektion
  Deadlock → Supervisor omfordeler opgaver
  Kvalitetsbrist → Supervisor eskalerer til menneske

Udfordringer og risici

Autonomi vs. kontrol

Jo mere autonomi agenten har, jo mere kan den udrette, men jo større er risikoen for uventede handlinger. Balancen er afgørende:

• For lidt autonomi: Agenten stopper konstant og spørger om bekræftelse. Langsommere end at gøre det manuelt.
• For meget autonomi: Agenten tager beslutninger der har uventede konsekvenser. Sender e-mails der ikke skulle sendes, sletter filer der var vigtige, ændrer data der var korrekte.

Løsning: Definér klare grænser for agentens autonomi. Handlinger med lav risiko (læse data, generere udkast) kan automatiseres. Handlinger med høj risiko (sende e-mails, ændre produktionsdata, foretage betalinger) kræver human-in-the-loop godkendelse.

Fejlpropagering

I et agentic workflow kan en fejl tidligt i processen propagere og forstærkes igennem hele workflowet. Hvis agenten baserer sin analyse på forkerte data i trin 2, vil alle efterfølgende trin bygge på et forkert grundlag.

Løsning: Byg verifikationspunkter ind i workflowet. Agenten bør validere kritiske mellemresultater før den bygger videre.

Uendelige loops

En agent der ikke kan løse sin opgave kan sidde fast i en loop og forsøge den samme tilgang igen og igen uden at komme videre.

Løsning: Sæt grænser for antal iterationer, tid og token-forbrug. Implementér eskaleringslogik: efter N mislykkede forsøg, stop og rapportér problemet til et menneske.

Pris og latens

Agentic workflows bruger mange flere tokens end simple AI-kald. En opgave der kræver 10 værktøjskald med thinking mellem hvert kald kan nemt bruge 50.000-100.000 tokens. Med lange kæder af handlinger kan den samlede latens blive minutter snarere end sekunder.

Løsning: Optimér for de rigtige opgaver. Brug agentic workflows til komplekse opgaver hvor kvaliteten retfærdiggør omkostningen, og simple kald til alt andet.

Platforme og frameworks

Anthropic Claude med tool use

Claudes API understøtter agentic workflows via tool use (function calling) kombineret med extended thinking. Claude Code er et eksempel på et agentic kodningsværktøj bygget på denne arkitektur.

OpenAI Responses API

OpenAIs Responses API (efterfølgeren til den nu udfasede Assistants API) er designet til agentic workflows med built-in støtte for tool use, code interpreter og multi-step reasoning. Assistants API udfases helt i august 2026.

LangChain / LangGraph

Open source-framework til at bygge agentic workflows med støtte for planlægning, værktøjsbrug, hukommelse og multi-agent-arkitekturer.

CrewAI

Framework specifikt designet til multi-agent collaboration med roller, opgaver og processer.

Microsoft Agent Framework / AG2

Det oprindelige AutoGen-projekt er splittet i to. Microsoft samler AutoGen og Semantic Kernel i det nye Microsoft Agent Framework (GA Q1 2026). Den community-drevne fork lever videre som AG2 under uafhængig styring. Begge understøtter multi-agent samtaler og samarbejde.

Ofte stillede spørgsmål

Hvad er et agentic workflow?

Et agentic workflow er et AI-drevet arbejdsflow hvor en AI-agent selvstændigt planlægger, udfører og itererer på en serie af handlinger for at nå et mål. I modsætning til simple AI-kald (spørgsmål-svar) tager agenten ejerskab over hele opgaven: den nedbryder målet i trin, bruger værktøjer til at hente data og udføre handlinger, evaluerer resultaterne undervejs, og tilpasser sin strategi hvis noget ikke virker. Det er en central arkitektur i moderne AI-systemer og driver værktøjer som AI-kodningsassistenter, automatiseret kundeservice og intelligente forretningsprocesser.

Hvad er forskellen på et agentic workflow og en chatbot?

En chatbot reagerer på individuelle beskeder. Hvert svar er uafhængigt eller har begrænset kontekst. Et agentic workflow er måldrevet: agenten modtager et overordnet mål, planlægger en strategi, udfører en serie af handlinger over potentielt mange trin, bruger værktøjer til at interagere med eksterne systemer, og itererer indtil opgaven er løst. En chatbot svarer på “hvad er klokken?” Et agentic workflow udfører “planlæg og book et møde med alle teammedlemmer næste uge baseret på alles kalendere.”

Hvornår bør man bruge agentic workflows?

Agentic workflows er velegnede til opgaver der kræver flere trin, brug af eksterne værktøjer, vurdering undervejs og iteration. Typiske eksempler: softwareudvikling (implementering af features, fejlfinding), research og analyse (markedsanalyser, konkurrentanalyser), kundeservice (komplekse sager der involverer flere systemer), og dataprocessering (migration, transformation, rapportering). De er overdimensionerede til simple opgaver som tekstgenerering, oversættelse eller faktuelle spørgsmål, hvor et simpelt AI-kald er hurtigere og billigere.

Er agentic workflows sikre?

Sikkerheden afhænger af designet. Nøgleprincipper: (1) Definer klare grænser for agentens autonomi: hvad må den gøre selvstændigt, og hvad kræver godkendelse? (2) Begræns adgang til værktøjer og data efter principle of least privilege. (3) Implementér human-in-the-loop for handlinger med høje konsekvenser. (4) Sæt grænser for iterationer, tid og omkostninger for at undgå uendelige loops. (5) Log alle handlinger for audit og fejlfinding. Med disse guardrails kan agentic workflows være både effektive og sikre.

Læs hos kilden

Anthropic om agenter og workflows.