Begreberne omkring agenter flyder. Nogle siger assistenter, andre orkestrering, og nye termer opstår løbende. Den brugbare skelnen er enkel: Hvem ejer kontrolflowet? Den der styrer beslutningsstien, sætter spillereglerne for alt fra governance til GPU‑forbrug. Machine Learning Mastery samler rammen præcist, i tråd med nyere arbejde fra MIT og Googles arkitekturmønstre.
Hvorfor skelnen faktisk betyder noget
Kontrolflowet afgør, hvor let det er at revidere beslutninger, forklare modelvalg og dokumentere hændelser. I agentiske workflows ligger stien i scripts, DAGs eller orkestreringslogik. Revision handler derfor om logs og versioner. Ved fuld autonomi kræver governance dybere telemetri, state‑capture og evaluerbare politikker, fordi ruten kan variere fra kørsel til kørsel.
Tempo og økonomi følger med. Fragmenterede workflows lækker compute og energi, hvis hvert trin spinner ny kontekst op, flytter data unødigt eller kalder for store modeller. MIT påpeger netop denne faldgrube i deres gennemgang af agentiske systemer. Når kontrolflowet er tydeligt, er spild lettere at presse ud. Når det er autonomt og adaptivt, stiger kravet til overvågning og automatisk optimering.
Hvad er et agentisk workflow
Agentiske workflows kæder flere modeller og værktøjer sammen for at løse flertrinsopgaver. Et typisk eksempel er videoanalyse efterfulgt af spørgsmål‑svar: et værktøj henter frames, en model transskriberer, en anden model svarer, og et retrieval‑led lægger fakta på plads. MITs beskrivelse matcher dette, ligesom Googles designmønstre, der ser workflowet som en orkestreret kæde frem for en fri agent med mål og strategi.
Kæden kan være effektiv, men den er kun så god som sin orkestrator. Hvert hop over netværk, hver prompt, hver modelinitialisering koster. Jo finere man skærer, desto større risiko for IO‑overhead og tab af kontekst. MITs kritik peger på, hvordan små arkitekturvalg kan blive til store regninger.
Hvad er en autonom agent
En autonom agent ejer kontrolflowet. Agenten fortolker et mål, planlægger, vælger værktøjer og omplanlægger ved behov. Det ligner problemløsning mere end en pipeline. Google beskriver agenter som egnede til åbne, målrettede og videnintensive opgaver, hvor beslutninger og multitrinshåndtering sker i realtid.
Forskellen til et agentisk workflow er styring. I workflowet står kontrollen i YAML, Python eller en orkestrator. I agenten ligger kontrollen i en policy, en planlægger og i modelens ræsonnering. Det ændrer kravene til sporbarhed og test.
Fragmentation som skjult budgetsluger
MIT og Microsoft gennemgår, hvordan stærkt fragmenterede workflows taber energi i skiftene: cold starts på serverløse komponenter, gentagen serialisering af store kontekster og modelskift fra 7B til 70B uden dokumenteret gevinst. Isoleret kan hvert skift give mening, men samlet set bliver det støj.
Teknisk skyldes spildet tre tilbagevendende forhold: kontekstskift der nulstiller cache og state, aggressiv modelopsak skalering uden kvalitetsbevis, og IO der flytter data frem og tilbage mellem værktøjer og modeller. MIT dokumenterer, at mere helhedsorienteret optimering reducerer compute‑enheder, energiforbrug og dermed kroner. De præcise tal er ikke udfoldet i den offentlige opsummering, hvilket er en mangel, men retningen er tydelig.
Automatisk optimering på vej ind i værktøjskassen
Forskerholdet fra MIT og Microsoft skitserer et system, hvor udvikleren beskriver opgaven i almindeligt sprog, hvorefter systemet vælger modeller, værktøjer, hardwareprofil og ressourceallokering — og justerer løbende for at minimere pris eller maksimere hastighed.
Det fungerer bedst, når opgaven kan måles på klare mål for kvalitet og latenstid, og hvor flere ruter er acceptable. Begrænsningen er tydelig i domæner med stramme compliance‑krav eller tung virksomhedslogik. Her kræves beviskæder og deterministiske kontrakter, som automatiseringen ikke altid kan garantere. Observability skal derfor ligge tæt på execution.
Designmønstre der allerede findes
Google Clouds dokumentation samler praktiske mønstre til agentiske systemer. Den skelner mellem, hvornår en egentlig agent giver mening, og hvornår assistiv generativ AI eller klassiske mønstre som retrieval‑augmented generation er tilstrækkelige. Pointen er at vælge mønster efter problem og risiko — ikke at gøre alt til en agent.
Guiden fremhæver også valg mellem single‑agent og multi‑agent orkestrering og løst kobling mellem model og værktøj, så komponenter kan udskiftes uden at rive løsningen op. Det er banalt på papiret, men overses ofte, når prototyper glider i drift.
Governance og sporbarhed uden sminke
I agentiske workflows er governance lettere at gøre stringent: checkpoint hvert skridt, gem prompts, inputs og outputs, og validér mellemregninger. Fuld autonomi kræver mere: politikker for tilladelser, kostlofter per session, risikoscoring af handlinger samt mekanismer til at afbryde og eskalere. Manual‑briefs fra praksisfeltet peger på netop dette, og Machine Learning Mastery rammer samme pointe om kontrolflow som nøglen.
Hovedreglen er enkel: Jo mere dynamisk kontrolflow, desto mere skal test, overvågning og audit automatiseres og flyttes tættere på execution.
Tjekliste for beslutningstagere
- Identitet og tilladelser: Hvem må agenten handle som, og hvor går grænsen
- Observability: Tracing pr. trin eller end‑to‑end state‑capture for autonome flows
- Modelvalg: Dokumentér kvalitet vs. størrelse. Vær skeptisk over for default 70B
- Omkostningsmål: Definér loft på compute‑enheder, energi og latenstid før udrulning
- Rollback‑plan: Hvad sker der, når kvalitet dykker, eller en ekstern API ændres
Hvornår vælge hvad
Agentiske workflows vinder, når opgaven er velafgrænset, reguleret, eller når organisationen skal lære løsningen at kende i kontrolleret tempo. Her kan man hente hurtig ROI via sporbarhed og genbrug af komponenter. Autonome agenter vinder, når opgaven er åben og målstyret, kræver løbende beslutninger og realtidsdata, og hvor en menneskelig orkestrator ellers ville planlægge kontinuerligt.
Hvis compliance vejer tungere end hastighed, så start agentisk. Hvis problemet er kundesupport i fri form på tværs af videnkilder og systemer med krav om svar her og nu, kan en autonom agent være det rigtige valg. Google peger netop på disse målstyrede scenarier som agenternes hjemmebane.
Hvad valget betyder for drift
Agentiske workflows kræver en stærk orkestrator, caching‑strategi og testmatrix for hvert trin. Cloud‑konfigurationen bør understøtte kortlivede jobs, lokal cache af mellemresultater og politikker for modelvalg pr. node. Observability bør spejle pipeline‑strukturen med målepunkter pr. hop.
Autonome agenter flytter fokus til politikker, sandboxes og end‑to‑end‑tests, der simulerer mål frem for skridt. Cost management skifter fra pr. komponent til pr. episode. Overvej tokens og værktøjsbudgetter samt guardrails på handlinger. Lås ned mod eksterne API’er, indtil agenten har bevist sig i kontrollerede kørsler.
Fire reelle tradeoffs
For det første: fragmentation. Agentiske kæder kan eksplodere i små trin, der samlet set koster for meget. For det andet: forkert modelmatch. At vælge en tung model “for en sikkerheds skyld” er ofte dyrere uden gevinst. For det tredje: overvågning. Autonomi uden skarpe mål og logging ender i blinde vinkler. For det fjerde: brugeraccept. Brugere tåler sjældent uforudsigelighed i kritiske processer, selv når gennemsnittet ser pænt ud.
Nogle spørgsmål er åbne: Hvordan opfører de automatiske optimeringer sig under konkurrencepres eller i multi‑tenant miljøer? Hvor ofte skifter de strategi på en måde, der kolliderer med cache og budgetter? Kilderne er foreløbigt sparsomme her.
Hvad forskningen peger på nu
Google presser på for klare designmønstre, så teams kan vælge mere sikkert mellem assistiv, agentisk og autonom tilgang. En standard for kontrolflow‑ejerskab ville afkorte mange diskussioner og gøre valg af arkitektur mere reproducerbart.
Konklusion og næste skridt
Skelnen er nyttig: Kontrolflowet bestemmer. Agentiske workflows er menneskestyrede kæder med stærk sporbarhed og robust governance. Autonome agenter ejer stien og kræver strammere overvågning og politikker. Fragmentation og fejlagtige modelvalg er dyre fejl nu. Optimering på tværs af modeller, værktøjer og hardware er på vej ind som standard.
- Kortlæg kontrolflowet i jeres vigtigste AI‑processer, og skriv det ned som orkestrering eller politikker
- Start agentisk, når kravene til audit og stabilitet er høje, og mål gevinsterne før I skruer op for autonomi
- Pilotér et optimeringslag, der kan vælge model og hardware dynamisk, men med tydelige budgetlofter og kvalitetsmål
Kilder og læs videre
- Machine Learning Mastery, Agentic Workflow vs. Autonomous Agent — fokus på kontrolflow som hovedskel. Rammesætter debatten og er let at arbejde ud fra
- MIT News, Improving the speed and energy‑efficiency of AI agents — dokumenterer ineffektivitet ved fragmentering og foreslår automatisk optimering af model, værktøj og hardware
- Google Cloud, Choose a design pattern for your agentic AI system — etablerede mønstre og anbefalinger for agentdesign, orkestrering og hvornår agenter giver mening
- Manual‑brief fra praksisfeltet — governance, sporbarhed og gradvis indfasning af autonomi i organisationer med compliance‑krav
