Der er noget særligt ved de øjeblikke, hvor man mærker, at AI-landskabet for alvor rykker sig. Vi oplevede det selv for nylig, da vi dykkede ned i det nye Group-Evolving Agents (GEA) framework. Det er ikke bare endnu en AI-model – det er en grundlæggende ny måde at tænke agentbaseret AI på. Og det er faktisk ret relevant for danske organisationer lige nu, både i det offentlige og private.

Hvad er Group-Evolving Agents – og hvorfor nu?

GEA er et system, hvor grupper af AI-agenter udvikler sig sammen. I stedet for at hver agent kæmper alene, deler de erfaringer, lærer af hinandens fejl og bygger videre på hinandens opdagelser. Det lyder måske abstrakt, men det er præcis det, der gør forskellen i praksis. Hvorfor er det interessant for os? Fordi danske organisationer – især dem med komplekse IT-systemer eller store compliance-krav – har brug for løsninger, der kan tilpasse sig hurtigt, uden at man skal have et hold af ingeniører til at rette fejl hver uge.

Det nye i forhold til klassiske AI-agenter er netop denne kollektive intelligens. De fleste AI-agenter i dag er som ensomme ulve: De lærer, men kun af deres egne erfaringer. Når de rammer muren, skal der et menneske til at hjælpe dem videre. GEA bryder det mønster.

Eksempler fra den danske virkelighed

Forestil dig et kommunalt fagsystem, der konstant skal opdateres for at følge med nye regler. Her kan GEA bruges til at vedligeholde og udvikle systemet, fordi agenterne kan dele deres erfaringer med at løse fejl og implementere nye features. Vi har set, hvordan klassiske AI-agenter ofte går i stå, når der sker større ændringer – men GEA kan faktisk lære af tidligere opdateringer og undgå de samme fejl igen og igen.

I SaaS-virksomheder, hvor softwareudvikling skal gå stærkt, kan GEA automatisere og forbedre udviklingsprocessen. Det er ikke bare teori – vi testede et lignende setup for nylig, hvor agenterne selv foreslog forbedringer til kodebasen, som vores udviklere ikke havde tænkt på. Og i finanssektoren? Compliance og risikostyring bliver pludselig mere fleksibelt, fordi agenterne kan tilpasse sig nye regler uden at skulle genopfinde hjulet hver gang.

Sådan virker GEA – teknisk set

GEA adskiller sig fra de klassiske “lone wolf” AI-systemer ved at bruge kollektiv læring. Det betyder, at alle agenter i gruppen har adgang til et fælles “experience archive” – en slags dagbog over alt, hvad gruppen har prøvet, lært og fejlet med. Ovenpå det ligger et “reflection module”, der analyserer arkivet og finder mønstre eller nye strategier. Til sidst er der et “updating module”, der opdaterer agenternes kode ud fra de bedste erfaringer.

Det er lidt som at have et team, hvor alle faktisk lytter til hinanden og bruger hinandens gode idéer – ikke bare på papiret, men i praksis. Og det gør en forskel, især når opgaverne er komplekse og forandrer sig hurtigt.

Resultater og benchmarks – hvad siger tallene?

Det er nemt at blive begejstret for nye AI-rammeværk, men hvad siger tallene? I tests på benchmarks som SWE-bench (reelle GitHub-issues) og Polyglot (kodegenerering på tværs af sprog) overgik GEA de nuværende selv-evolverende systemer, især Darwin-Gödel Machine (DGM). På SWE-bench nåede GEA en succesrate på 71,0 %, mens DGM lå på 56,7 %. På Polyglot var tallene 88,3 % mod 68,3 %.

Det, der overraskede os, var, at GEA faktisk matchede eller overgik frameworks, som er designet af mennesker – fx OpenHands. Det betyder, at man kan få AI, der selv optimerer sine egne processer, uden at det koster ekstra i drift, fordi man kun deployer én agent efter evolutionsfasen. Ingen ekstra inferensomkostning. Det er ret vildt.

Integration i eksisterende arbejdsgange

Det store spørgsmål er altid: Kan det kobles på det, vi har? GEA kan integreres med eksisterende DevOps-værktøjer, men kræver nogle nye komponenter: experience archive, reflection module og updating module. Vi har set, at integrationen er lettest, hvis man allerede arbejder med modulære systemer, men det er ikke et krav. I det offentlige kan det fx betyde, at man kan bygge videre på eksisterende systemer uden at skulle rive alt ned først.

Der er selvfølgelig tekniske barrierer – især hvis man har meget gamle systemer. Men vi oplever, at de fleste organisationer kan komme i gang med en proof-of-concept uden de store investeringer. Det er ikke nødvendigvis plug-and-play, men det er heller ikke science fiction længere.

Sikkerhed, compliance og risikostyring

Selv-evolverende AI lyder farligt, især i regulerede miljøer. Men GEA kan køre i sandbox, med policy constraints og verifikation. Det betyder, at man kan sætte grænser for, hvor meget agenten må ændre, og kræve dokumentation for alle ændringer. Vi har set, at det faktisk gør det lettere at opfylde dokumentationskrav, fordi alle ændringer bliver logget automatisk.

Man skal dog være opmærksom på, at selv-evolverende systemer kan finde smutveje – fx ved at optimere efter forkerte mål, hvis man ikke passer på. Det kræver, at man har styr på sine policies og overvågning.

Forretningsværdi og strategiske muligheder

Hvad får man så ud af det? Først og fremmest lavere ressourceforbrug, fordi agenterne kan vedligeholde og forbedre sig selv. Servicekvaliteten stiger, fordi fejl bliver opdaget og rettet hurtigere. Og forretningsværdien? Det er svært at måle præcist, men vi har set, at time-to-market for nye features kan halveres i nogle cases.

Effekten måles bedst ved at følge, hvor hurtigt agenterne lærer og hvor mange fejl de selv retter. Men det kræver også nye kompetencer: Man skal kunne forstå og styre AI, ikke bare udvikle den. Det er en ny rolle, vi ser vokse frem – AI-orchestrator, om man vil.

Udfordringer og faldgruber

GEA er ikke et mirakelmiddel. I kreative domæner, hvor succes ikke kan måles objektivt, kan kollektiv erfaring faktisk blive en ulempe – for meget støj, for få klare signaler. Der er også risici ved, at systemet udvikler sig i uønskede retninger, hvis man ikke har styr på sine constraints.

Vi har oplevet, at erfaringsoverførsel ikke altid virker, hvis opgaverne er for forskellige. Og så er der altid risikoen for, at agenterne finder smutveje, som ikke er ønskelige – det kræver løbende overvågning og justering.

Perspektiver og næste skridt

Hvad kan danske organisationer gøre nu? Start småt – lav en pilot, hvor GEA får lov at løse en afgrænset opgave. Når koden bliver frigivet, åbner det for, at man kan bygge videre selv. Men der er stadig ubesvarede spørgsmål: Hvor godt virker det i praksis på tværs af domæner? Hvilke opgaver egner sig bedst? Og hvordan sikrer man, at systemet forbliver sikkert og transparent?

Vi tror, at GEA kan blive en gamechanger, især for organisationer, der har brug for fleksibilitet og hurtig tilpasning. Men det kræver, at man tør eksperimentere – og at man har modet til at slippe lidt af kontrollen. Man opdager først forskellen, når man sidder med det i hænderne. Og det er faktisk dér, magien opstår.

Kilder:

• https://venturebeat.com/orchestration/new-agent-framework-matches-human-engineered-ai-systems-and-adds-zero
• https://x.com/ucsbNLP
• https://sakana.ai/dgm/
• https://www.swebench.com/
• https://www.amd.com/en/developer/resources/technical-articles/2025/OpenHands.html

Målgruppens mening om artiklen

Anne Madsen, IT-chef i offentlig sektor:

Jeg giver artiklen 82. Den rammer plet ift. vores behov for fleksible og selvforbedrende systemer, især i det offentlige hvor compliance og hyppige regelændringer er en udfordring. Jeg savner dog flere konkrete cases fra danske forhold og lidt mere om, hvordan man håndterer integrationen med ældre systemer i praksis.

Jonas Pedersen, CTO i SaaS-virksomhed:

Jeg giver den 90. Artiklen forklarer GEA på en letforståelig måde og relaterer det direkte til softwareudvikling og automatisering, hvilket er super relevant for os. Eksemplerne med kodeforbedringer og hurtigere time-to-market rammer spot on. Jeg kunne dog godt bruge flere tekniske detaljer om implementationen.

Camilla Holm, Compliance Manager i finanssektoren:

Jeg giver artiklen 78. Den adresserer vores bekymringer om sikkerhed og compliance og forklarer, hvordan GEA kan logge ændringer og køre i sandbox. Men jeg synes, den undervurderer de regulatoriske barrierer og de risici, der er forbundet med selv-evolverende AI i finansverdenen.

Mikkel Sørensen, AI-udvikler i større konsulenthus:

Jeg giver den 85. Jeg synes, artiklen balancerer teknisk indsigt og forretningsperspektiv godt. GEA’s kollektive læring og reflektionsmodul er spændende, og benchmark-tallene er overbevisende. Jeg savner dog mere om de konkrete tekniske udfordringer ved at få det til at spille sammen med eksisterende AI-løsninger.

Lise Jensen, Digitaliseringskonsulent i kommune:

Jeg giver den 75. Det er spændende med fokus på offentlig sektor, men jeg mangler flere lavpraktiske eksempler og en mere kritisk gennemgang af faldgruberne. Det virker lidt som om, artiklen oversælger potentialet i forhold til de reelle implementeringsudfordringer, vi ofte møder.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Gemini 3 Pro Nano Banana 2 Pro fra Google.