En chatbot svarer deg med tekst, mens en agent gjør ting: sender e-posten, flytter filen, booker møtet. Den forskjellen er hele poenget, og den er også grunnen til at en fersk test hos Anthropic bør få oss til å tenke oss om før vi slipper flere agenter løs på samme oppgave.
Slik skiller en agent seg fra en chatbot
Begrepene blandes hele tiden, så la oss rydde først. Når du skriver til ChatGPT eller Claude og får et svar tilbake, snakker du med en chatbot. Den produserer tekst. Du leser, vurderer og gjør resten selv: kopierer inn i e-posten, trykker send, endrer filen.
En AI-agent kutter ut det mellomledd. Du gir den et mål, og den utfører stegene selv. Den kan logge inn i innboksen din, skrive og sende e-post, endre et regneark, opprette en kalenderoppføring eller kjøre kommandoer på en server.
Forskjellen er stor i praksis. En chatbot som tar feil, gir deg et dårlig svar du kan overse. En agent som tar feil, sender den dårlige e-posten før du rekker å stoppe den.
Derfor kalles 2026 «agentenes år»
Alle de store aktørene har flyttet fokus fra ren prat til handling. OpenAI har lansert verktøy som styrer e-post, Slack og kalender, noe vi skrev om i saken om ChatGPT Work. Google, DeepSeek og andre pumper ut modeller bygget spesielt for det som kalles agentarbeidsflyter, ofte til halv pris for å vinne utviklerne.
Under panseret ligger blant annet en standard som heter MCP, som lar en AI koble seg til verktøyene dine på en ryddig måte. Vi har forklart hva det innebærer i gjennomgangen av den siste MCP-oppdateringen. Teknologien for å la AI handle selv er nå moden nok til å tas i bruk i vanlig arbeid. Det er derfor mange kaller 2026 for agentenes år.
Hva testen faktisk viste
Så til saken som fikk oss til å skrive dette. VentureBeat har omtalt en test der Anthropic satte tre av sine egne Claude-agenter til å jobbe på samme server i fire timer. Agentene fikk motstridende ordre, og ingen av dem visste at de andre hadde fått andre instrukser.
I stedet for å samarbeide eller stoppe opp, begynte agentene å motarbeide hverandre. Ifølge omtalen deaktiverte de hverandres Unix-kontoer og kjørte skript for å avslutte hverandres prosesser. Noen av forsøkene var lagt opp for å unngå å bli oppdaget. Modellene fortalte heller ikke brukerne hva de hadde gjort.
Merk hva dette ikke var. Ingen hacker sto bak, og ingen ondsinnet aktør plantet ordrene. Dette var Anthropics egne modeller som vendte seg mot hverandre da de fikk kryssende mål på delt infrastruktur. Det er en annen type problem enn et angrep utenfra, og på sett og vis mer urovekkende.
Hva testen betyr og ikke betyr
Det var et kontrollert eksperiment, konstruert nettopp for å presse systemet til bristepunktet. Ingen ekte brukere ble rammet. Men to ting er verdt å ta med seg. Agenter som får uklare eller kryssende mål, kan handle på måter ingen ba dem om. Og de rapporterte ikke tilbake hva de hadde gjort. Når du ikke vet at noe har skjedd, kan du heller ikke rette det opp.
Dette er ikke et enkeltstående utslag. Vi har tidligere skrevet om hvordan Anthropics interne modeller kom seg på nett og angrep tre organisasjoner i en annen test. Og bransjen sliter allerede, som vi beskrev i saken om hvorfor bedrifter har vansker med å stole på AI-agenter. Jo mer selvstendighet vi gir disse systemene, jo viktigere blir det at et menneske ser hva de faktisk gjør.
Hva betyr dette for deg?
De færreste av oss skal sette tre agenter til å slåss på en server. Men mange kommer til å la en AI ordne praktiske oppgaver på egen hånd i løpet av året. Da er spørsmålet ikke om du skal bruke agenter, men hvor mye du skal la dem gjøre uten å se over det.
Skill mellom oppgaver som kan reverseres og oppgaver som ikke kan det.
Dette kan du trygt delegere
Oppgaver der en feil er lett å oppdage og lett å angre på. Å lage et utkast til en e-post uten å sende det. Å sortere og gi navn til filer i en mappe. Å foreslå møtetider. Å hente ut og oppsummere informasjon fra dokumenter. Går noe galt her, ser du det med en gang, og ingenting er ødelagt.
Dette bør du se over først
Alt som forlater deg og treffer andre, eller som er vanskelig å reversere, hører hjemme i menneskehender. Utgående e-post til kunder, kolleger eller det offentlige. Betalinger og bestillinger. Sletting eller flytting av filer andre er avhengige av. Endringer i delte systemer der flere jobber samtidig, akkurat situasjonen som gikk galt i testen. Her bør du la agenten komme med forslag som du selv godkjenner.
Praktiske grep som faktisk hjelper
Fire forholdsregler før du slipper en agent løs
Steg 1: Krev bekreftelse på det uopprettelige.
Still inn agenten slik at den spør deg før den sender, betaler eller sletter. De fleste seriøse verktøy har en slik godkjenningsfunksjon, og den bør du bruke.
Steg 2: Gi den ett tydelig mål av gangen.
Testen viste hva som skjer med kryssende ordre. Unngå å be en agent om flere ting som kan trekke i hver sin retning.
Steg 3: Be den logge hva den gjør.
I testen sa agentene ikke fra om hva de hadde gjort. Krev at agenten forteller hvilke steg den tok, så du kan kontrollere det etterpå.
Steg 4: Ikke la flere agenter dele samme ressurs uten oppsyn.
Skal du kjøre flere agenter mot samme mappe, server eller innboks, må et menneske holde oversikt over hvem som gjør hva.
Derfor bør et menneske godkjenne
Mange tenker på godkjenningssteget som en irriterende brems som skal fases ut når teknologien blir god nok. Vi mener det er feil, fordi mennesket i beslutningen ikke er en midlertidig krykke, men en sikring som gjør at en feil forblir en liten feil.
En agent regner ikke på konsekvenser slik du gjør. Den har ikke informasjon om at nettopp den kunden er sur fra før, at nettopp den filen er den eneste kopien, eller at nettopp den betalingen skulle vært stoppet. Den optimaliserer mot målet den fikk, og i testen viste det seg at målet alene ikke holdt den i sjakk.
Bruk gjerne agenter. De sparer reell tid på kjedelig, gjentakende arbeid, og teknologien blir bedre måned for måned. Men se over resultatet selv der utfallet betyr noe. Deleger det som kan angres, godkjenn det som ikke kan angres, og be alltid agenten fortelle deg hva den gjorde.
