Hvad er agentic AI og hvorfor ændrer det it-sikkerheden
Agentic AI er ikke bare en chatbot, der svarer. Det er systemer, der forfølger mål ved at planlægge, bruge værktøjer, observere resultatet og tilpasse sig. Unite.ai opsummerer kernen: “Agentic AI systems do more than generate an answer: they pursue goals through a loop of planning, tool use, observation, and adaptation.” Det er netop derfor, sikkerhed og drift skal tænkes anderledes.
Når en model kan læse en kalender, kalde en CRM-API, sende en mail, se svaret — og derefter justere — er den en operatør i jeres systemlandskab. Ikke kun en rådgiver. Det skifter kravene til adgang, sporbarhed og fejltolerance.
Hovedbudskab først
Kort fortalt: Agenter handler. De eksekverer på tværs af værktøjer, lærer undervejs og kan automatisere hele workflows. Det udvider samtidig angrebsfladen og flytter ansvar fra brugerfladen ned i integrationer og identitetslag. Her går mange enten for langsomt frem — eller for hurtigt.
Skiftet er simpelt, men afgørende: fra svar til handling. Det er det greb, som Unite.ai, VentureBeat og Anthropics tekniske note belyser fra hver sin vinkel.
Hvad er agentic AI — enkelt forklaret
Forestil dig en agent med målet “book et møde med kunden, opdater CRM, og følg op tre dage efter”. Den bryder målet ned, tjekker kalendere, foreslår tider, sender invitation, opdaterer CRM via API og sætter en reminder. Hvis kunden ændrer tidspunkt, registrerer agenten det og retter kursen. Loopet er: planlæg, brug værktøj, observer, adaptér — præcis som Unite.ai beskriver det.
Hvert trin er velkendt. Det er kombinationen, der bliver til en arbejdsrutine, der før krævede fem systemer og mange manuelle greb. Når rækkefølgen kikser, er det her logs og godkendelser gør forskellen. Mere om det om lidt.
Hvor giver agenter værdi i praksis
De oplagte gevinster ligger i tværsystem-processer, gentagne beslutningsstrømme, dataindsamling og rapportering. Agenter binder skridt sammen, der ellers tabes mellem systemer, og holder tempo i opgaver, der typisk sander til: sagsopfølgning, statusopdateringer, kvalitetstjek af data, simple indkøb. Her opstår produktivitetsløft, fordi ventetid og kontekstskifte mindskes.
Det er dog stadig en vurdering. Snilld-manualen peger på markant potentiale, og Unite.ai’s kapabilitetsbeskrivelse gør det plausibelt. Men der mangler uafhængige, kvantificerede studier af gevinster i fuld produktion. Indtil da bør forventninger præsenteres som scenarier, ikke garantier.
Sikkerheds- og risikobilledet
VentureBeat er tydelig om risici ved at give agenter eksekveringsprivilegier: “The guardrails to catch a malicious prompt won’t stop an agent from hallucinating and doing something it never should have done, like accidentally deleting databases or leaking sensitive data with a credential it was granted…” Det er plausible fejlveje, ikke teoretiske skrækscenarier.
Konklusionen er klar: Med privilegier kan en agent — ved fejl, misforståelse eller svag styring — slette, flytte eller lække data på tværs af systemer. Derfor anbefaler VentureBeat en defense-in-depth-tilgang, hvor flere uafhængige lag deler ansvaret frem for ét “smart” filter.
Forsvarsprincipper i praksis
Defense-in-depth bliver håndgribeligt, når det oversættes til drift: mindst mulige rettigheder, isoleret runtime, netværksbegrænsning og godkendelser på risikofyldte skridt. VentureBeat beskriver lag, hvor infrastruktur, netværk og kontrolflade hver adresserer sin risikoklasse, med nul-tillid og segmentering som grundlag. Pointen er ikke det perfekte værn, men uafhængige lag, der kan fange fejl — og efterlade spor.
Det reducerer konsekvenserne af forkerte beslutninger og gør hændelser lettere at efterforske: “hvad gjorde agenten, hvor, med hvilken rolle?”. Tydelige svar forkorter oprydningen.
Implementeringsmønstre der virker
Anthropic peger på, at robuste implementeringer ofte bygger på simple, komponerbare mønstre frem for tunge frameworks. Små, velafgrænsede opgaver, klare værktøjs-API’er og enkle kontrolsløjfer virker bedst. Ikke 35 plugins og fem tilstandsdiagrammer, men få velbeskrevne værktøjer, en planlægningssløjfe og tydelige stopklodser.
I praksis betyder “simpelt og komponerbart” fx: en opgaveliste hvor hver opgave kalder ét værktøj; en retry-strategi med eksponentiel backoff; kompensationslogik til at rulle specifikke skridt tilbage; og en regel om, at agenter ikke skriver direkte til produktion uden staging eller menneskelig godkendelse. Mindre pynt, mere driftssikkerhed. Det er også her Anthropics observationer placerer de projekter, der lykkes.
Governance, monitorering og mennesket i løkken
Agenter skal kunne forklares — nok til, at revisor, CISO eller produktansvarlig kan gennemgå forløbet. Både Snilld-manualen og VentureBeat fremhæver governance, løbende overvågning og human-in-the-loop som nødvendige værn for sikkerhed, kvalitet og ansvarlighed.
Det kræver auditerbare logs, der binder mål, plan, handling og observation sammen. Og klare grænser for selvstændighed: hvornår må agenten beslutte, og hvornår skal den spørge. En praktisk tommelfingerregel: jo dyrere og mere irreversibel handling, desto hårdere krav til menneskelig godkendelse og dokumentation.
Fra koncept til drift
Start smalt for højere sandsynlighed for succes. Vælg et pilotdomæne med højt volumen og lav kritikalitet — fx intern rapportgenerering eller datarens på ikke-følsomme felter. Her viser agentens loop sin værdi hurtigt, og fejl koster mindre. Definér succeskriterier, før første linje kode.
Hold de tekniske valg enkle: én agent, få værktøjer, stærk observabilitet. Byg defense-in-depth fra dag ét: isolér runtime, brug kortlivede tokens, begræns netværk, log alt med korrelation-id. Det er billigere end efterreparerende hændelseshåndtering.
Målepunkter der giver mening
Mål det, der kan tælles: fejlrate pr. 100 opgaver, gennemløbstid, antal menneskelige eskalationer, recovery-tid ved fejl og sikkerhedshændelser. Supplér med blødere indikatorer: brugertilfredshed, stabilitet over tid, hyppighed af promptjusteringer. De peger på driftsevne og modenhed.
Her er også et hul i litteraturen: brede, uafhængige før/efter-studier i produktion mangler. Indtil da bør organisationer indsamle egne før/efter-målinger og dele anonymiserede resultater. Mere data, færre mavefornemmelser.
Tradeoffs og begrænsninger
Overautomatisering er en reel risiko: man kan miste menneskelig dømmekraft i kanterne. Ekstra sikkerhedslag har omkostninger, som skal med i business casen. Og komplekse tværsystem-processer forbliver komplekse, selv med agenter.
Produktivitetsgevinsterne? Lovende, men ikke garanterede. Snilld-manualens vurdering peger på potentiale, men er ikke en kontrolleret undersøgelse. Indikationerne fra pilotscenarier er positive, men variationen er høj, og styring, datakvalitet og værktøjsdesign er afgørende.
Hvor kilderne trækker samme vej — og hvor de ikke gør
Unite.ai beskriver loopet, der gør agenter handlekraftige. VentureBeat forklarer, hvorfor netop den handlekraft åbner for nye fejltyper, og hvorfor lagdelt sikkerhed er nødvendig. De to kilder understøtter hinanden: mere autonomi kræver mere lagdelt kontrol. Anthropic supplerer med praksis: hold det simpelt og komponerbart for robusthed.
Hvad kilderne ikke dækker — og hvad der bør undersøges
Næste journalistiske skridt: interviews med CISO’er og SRE/DevOps-teams, anmodninger om anonymiserede incident-rapporter og før/efter-målinger, samt tekniske deep dives fra leverandører om, hvordan kontrolplaner implementerer segmentering, token-hygiejne og nødstop. Færre slogans, flere loguddrag.
En kort, konkret startplan
Agentic AI bliver robust med gode grænser, tydelige spor og små skridt. Det er ikke prangende — men det er det, der virker.
Konklusion
Agenter ændrer spillereglerne, fordi de ikke kun svarer — de handler i et loop af planlægning, værktøjsbrug, observation og tilpasning, som Unite.ai beskriver. Det skaber værdi på tværs af workflows, men introducerer risici, der ifølge VentureBeat kræver lagdelt sikkerhed. Anthropics erfaring peger på, at simple, komponerbare mønstre holder bedst. Opgaven nu er mere data om gevinsterne samt mere åben praksis om drift og recovery. Forskellen mærkes først i produktion.
