Ordlista för agentisk AI: 100 viktiga begrepp om AI-agenter för företagsköpare

Den här ordlistan ger köpare, verksamhetsansvariga och beslutsfattare de centrala begrepp som krävs för att tryggt utvärdera plattformar och partner för agentisk AI, med fokus på företagsmognad, automatisering av kundupplevelsen och driftsättning i produktionsklass.

Grunder och centrala begrepp inom agentisk AI

1. Agentisk AI – AI-system som är utformade för att självständigt planera, fatta beslut och agera mot mål, i stället för att bara svara på prompter. I företagsmiljöer möjliggör agentisk AI hela arbetsflöden från början till slut genom att kombinera LLM:er, verktyg (Actions) och företagets kunskap (Knowledge), så som det är implementerat i Maven-plattformen.
2. AI-agent – En mjukvarubaserad enhet som tar emot indata, resonerar utifrån sammanhang och vidtar åtgärder för att nå specifika mål. Till skillnad från traditionella botar kan AI-agenter anpassa sitt beteende dynamiskt.
3. Autonomi – I vilken grad en AI-agent kan arbeta självständigt utan mänsklig inblandning. Högre autonomi ökar effektiviteten men kräver starkare styrning och skyddsräcken.
4. Målinriktat beteende – En agents förmåga att arbeta mot definierade resultat snarare än isolerade uppgifter. Det gör att agenter kan ordna åtgärder intelligent i flera system.
5. Multiagentsystem (MAS) – En arkitektur där flera AI-agenter samarbetar eller samordnas för att lösa komplexa problem. MAS-design förbättrar skalbarhet och specialisering.
6. Handlingsutrymme (action space) – Hela uppsättningen åtgärder som en agent har behörighet att vidta. Att definiera handlingsutrymmet är avgörande för säkerhet och förutsägbarhet.
7. Policy – En uppsättning regler som styr hur en agent fattar beslut och väljer åtgärder. Policyer säkerställer att agenten följer affärs- och regelefterlevnadskrav.
8. Planerare – Komponenten som bryter ner övergripande mål i genomförbara steg. Planering gör att agenter kan hantera komplexa arbetsflöden i flera steg.
9. Exekverare – Komponenten som genomför planerade åtgärder genom att anropa verktyg, API:er eller arbetsflöden. Exekverare omsätter resonemang i verklig effekt.
10. Resonemangsmotor – Logiklagret som väger sammanhang, begränsningar och alternativ för att avgöra nästa åtgärd. Starkt resonemang är grunden för pålitligt agentbeteende.

Minne, kunskap och kontexthantering

11. Minne – Lagringsmekanismer som gör att agenter kan behålla och återkalla information över tid. Minne möjliggör kontinuitet, personalisering och lärande.
12. Korttidsminne – Kontext som behålls under en enskild interaktion eller session. Det gör att agenter förstår samtalsflödet och den omedelbara avsikten.
13. Långtidsminne – Beständig lagring av fakta, preferenser och tidigare interaktioner. Långtidsminne stöder personalisering och organisationens samlade kunskap.
14. Vektordatabas – En specialiserad databas optimerad för likhetssökning bland embeddings. Vektordatabaser används ofta för att lagra agenters minne och kunskap.
15. Embeddings – Numeriska representationer av text eller data som fångar semantisk betydelse. Embeddings gör att agenter kan hämta relevant information effektivt.
16. Retrieval-Augmented Generation (RAG) – En teknik som förankrar AI-svar genom att hämta relevant företagskunskap innan svaren genereras. Maven använder hämtningsmönster för att förankra svar i dina kunskapsbaser (Knowledge Bases), byggda från källor som Salesforce, Zendesk, Freshdesk, uppladdade filer och genomsökta URL:er.
17. Kunskapsbas – En kurerad samling företagsinnehåll som vanliga frågor, policyer och dokumentation. Agenter förlitar sig på kunskapsbaser för förankrade svar.
18. Förankring (grounding) – Att förankra agentens svar i verifierade datakällor. Förankring minskar hallucinationer och ökar tillförlitligheten.
19. Kontextfönster – Den mängd information en LLM kan beakta på en gång. Att hantera kontextfönstret är avgörande för prestanda och kostnadskontroll.
20. Hallucination – När en AI-modell genererar felaktig eller påhittad information. Företagsplattformar måste aktivt motverka hallucinationer.

Modeller, prompter och verktyg

21. Stor språkmodell (LLM) – En modell tränad på enorma textmängder för att förstå och generera språk. LLM:er fungerar som resonemangskärnan i många agenter.
22. Grundmodell (foundation model) – En generell modell som kan anpassas till många olika uppgifter. Grundmodeller ger flexibilitet mellan användningsfall.
23. Promptteknik (prompt engineering) – Att utforma prompter som styr agentens beteende och resultat. Effektiva prompter förbättrar konsekvens och tillförlitlighet.
24. Systemprompt – Instruktioner som definierar agentens roll, ton, gränser och mål. Systemprompter styr agentens beteende.
25. Verktygsanrop (tool calling) – Att låta agenter anropa externa verktyg, API:er eller system för att slutföra uppgifter. Verktygsanrop gör verkliga åtgärder möjliga.
26. Funktionsanrop (function calling) – Ett strukturerat sätt för modeller att anropa fördefinierade funktioner med validerade indata. Det ökar precision och säkerhet.
27. API-integration – Att koppla agenter till företagssystem som ärendehantering, fakturering eller dataplattformar. Integration möjliggör automatisering i stor skala.
28. CRM-integration – Att använda kunddata för att personalisera agentens åtgärder och sätta dem i sammanhang. CRM-integration är avgörande för CX-användningsfall.
29. Händelsedriven arkitektur – En design där agenter reagerar på händelser eller triggers i stället för statiska förfrågningar. Det stöder proaktiv automatisering.
30. Automatisering av arbetsflöden – Att genomföra affärsprocesser från början till slut utan manuella insatser. Agentiska arbetsflöden går längre än enkel regelbaserad automatisering.

Orkestrering, tillförlitlighet och skala

31. Orkestrering – Att samordna flera agenter, verktyg och arbetsflöden till ett sammanhängande system. Maven-kunder använder orkestrering för att koppla ihop Actions, Knowledge och arbetsflöden till kompletta supportprocesser (se verkliga kundcase från MavenAGI).
32. Samtidighet (concurrency) – Förmågan att köra flera agentprocesser samtidigt. Samtidighet krävs i miljöer med hög volym.
33. Latens – Tiden det tar för en agent att svara eller agera. Låg latens är avgörande i kundnära användningsfall.
34. Genomströmning – Antalet uppgifter ett agentsystem kan hantera över tid. Genomströmning speglar skalbarhet.
35. Skalbarhet – Att bibehålla prestanda och tillförlitlighet när efterfrågan ökar. Agenter för företag måste skala förutsägbart.
36. Reservstrategi (fallback) – Fördefinierade alternativa vägar när agenter misslyckas eller är osäkra. Reservlösningar skyddar kundupplevelsen.
37. Eskaleringsväg – Att dirigera ärenden till människor eller specialiserade agenter vid behov. Effektiv eskalering balanserar automatisering och förtroende.
38. Självläkning – Automatisk upptäckt av och återhämtning från fel eller avbrott. Självläkning ökar motståndskraften.
39. Tillståndshantering – Att spåra agentens kontext och framsteg över flera interaktioner. Tillståndshantering säkerställer kontinuitet.
40. Sessionshantering – Att hantera avgränsade interaktioner mellan användare och agent säkert och effektivt.

Styrning, säkerhet och regelefterlevnad

41. Skyddsräcken (guardrails) – Begränsningar som förhindrar osäkra, regelvidriga eller oönskade åtgärder. Skyddsräcken är policyer, begränsningar och kontroller som håller agenternas beteende säkert och regelenligt, särskilt när de anropar Actions eller använder företagets Knowledge (se MavenAGI:s arbete med förtroende, säkerhet och regelefterlevnad).
42. Human-in-the-Loop (HITL) – Mänsklig granskning inbyggd i agentens arbetsflöden. HITL används ofta i tidiga driftsättningsfaser.
43. Human-on-the-Loop – Människor övervakar agenter och ingriper bara när tröskelvärden överskrids. Det möjliggör skala med bibehållen tillsyn.
44. Styrning (governance) – Policyer, kontroller och processer som säkerställer ansvarsfullt agentbeteende. Styrning är avgörande för införande i företag.
45. Regelefterlevnad (compliance) – Efterlevnad av regulatoriska, juridiska och organisatoriska standarder. Kraven varierar mellan branscher.
46. Dataskydd – Att skydda känsliga kund- och företagsdata som agenter använder. Inbyggt dataskydd (privacy by design) är nödvändigt.
47. Säkerhet – Skydd mot obehörig åtkomst, missbruk eller dataläckor. Säkerhet är grunden för förtroende.
48. Åtkomstkontroll – Att hantera behörigheter för agentens åtgärder och dataåtkomst. Detaljerad kontroll minskar risken.
49. Granskningsloggar (audit logs) – Oföränderliga register över agentens åtgärder och beslut. Spårbarhet stöder regelefterlevnad och ansvarsskyldighet.
50. Förklarbarhet – Förmågan att förstå och motivera varför en agent vidtog en viss åtgärd.

Utvärdering, optimering och lärande

51. Observerbarhet – Insyn i agentens beteende, beslut och resultat. Observerbarhet möjliggör ständiga förbättringar.
52. Telemetri – Driftdata som agenter genererar för övervakning och analys. Telemetri matar utvärderingssystemen.
53. Utvärdering (eval) – Att mäta agentens träffsäkerhet, kvalitet och affärsnytta. Utvärderingar ska vara löpande, inte engångsinsatser.
54. Benchmarking – Att jämföra agentens prestanda med utgångsvärden eller alternativ. Benchmarks ger underlag för investeringsbeslut.
55. A/B-testning – Att testa flera varianter av en agent för att hitta den som presterar bäst. A/B-testning minskar risken.
56. Reflektion – En agents förmåga att bedöma och förbättra sina egna resultat. Reflektion ökar robustheten.
57. Återkopplingsloop – Att ta in återkoppling från användare eller system i agentens förbättringscykler.
58. Kontinuerligt lärande – Löpande förfining av agentens beteende över tid. Kontinuerligt lärande ger värde på lång sikt.
59. Syntetiska data – Artificiellt genererade data för testning eller träning. Syntetiska data minskar beroendet av känsliga data.
60. Simulering – Att testa agentens beteende i kontrollerade miljöer före driftsättning i produktion.

CX, automatisering och affärsresultat

61. Konversationell AI – Agenter som interagerar med användare på naturligt språk. Konversationella agenter är centrala för CX-automatisering.
62. Naturlig språkförståelse (NLU) – Att tolka användarens avsikt, entiteter och sammanhang. NLU möjliggör korrekt dirigering och lösning.
63. Naturlig språkgenerering (NLG) – Att formulera sammanhängande, människolika svar. NLG påverkar den upplevda kvaliteten.
64. Sentimentanalys – Att identifiera känsloläget i användarens meddelanden. Sentiment ger underlag för eskalering och personalisering.
65. Avsiktsklassificering – Att kategorisera användarens förfrågningar i fördefinierade avsikter (intents). Träffsäker avsiktsklassificering driver lösningsgraden.
66. Slot filling – Att extrahera strukturerad information ur ostrukturerad indata. Slot filling stöder automatisering.
67. Personalisering – Att anpassa agentens beteende efter användarens sammanhang och historik. Personalisering förbättrar CSAT.
68. CX-automatisering – Att använda agenter och arbetsflöden för att hantera kundinteraktioner och backoffice-uppgifter utan manuellt arbete. I Maven drivs CX-automatiseringen av Maven-plattformen, där agenter använder Actions och Knowledge för att lösa konversationer och integrera med system som CRM och helpdesk.
69. Autonom lösning – Att slutföra kunduppgifter utan mänsklig inblandning. Autonom lösning sänker kostnaden per kundkontakt (cost-to-serve).
70. Ärendeavlastning (case deflection) – Att lösa problem utan att supportärenden skapas. Avlastning förbättrar den operativa effektiviteten.

Mätvärden, ROI och köparens överväganden

71. First Contact Resolution (FCR) – Att lösa kundens ärende i en enda interaktion. FCR är ett centralt CX-mått.
72. CSAT – Customer Satisfaction Score, som mäter den upplevda kvaliteten på upplevelsen.
73. Net Promoter Score (NPS) – Ett mått på kundlojalitet och benägenhet att rekommendera.
74. ROI – Den ekonomiska avkastningen på investeringar i agentisk AI. Att kunna motivera ROI är avgörande för att skala.
75. Time to Value (TTV) – Hur snabbt en organisation får nytta av en driftsättning.
76. Kostnadsoptimering – Att hantera kostnader för beräkningskraft, verktyg och modeller. Kostnadskontroll ger hållbarhet.
77. Tokenhantering – Att styra användningen av indata och utdata i LLM:er. Tokeneffektivitet påverkar kostnaden direkt.
78. Användningsmått – Att följa upp hur agenter används och engagerar i team eller hos kunder.
79. Förändringsledning – Att förbereda människor och processer för införandet av agenter. Förändringsledning minskar motståndet.
80. Kompetensutveckling (enablement) – Att utbilda team i att arbeta effektivt med agentiska system.

Plattformsstrategi och företagsmognad

81. Agentramverk – Mjukvaruramverk för att bygga och hantera agenter. Valet av ramverk påverkar flexibiliteten.
82. Plattformsansats – Att standardisera på ett enda system för att driftsätta, övervaka och styra agenter i stället för att sy ihop punktlösningar. Maven följer den modellen med en plattform som förenar Knowledge, Actions, kvalitetskontroller och Insights.
83. Best-of-breed – Att kombinera specialiserade verktyg i stället för en enda plattform. Det ökar flexibiliteten men också komplexiteten.
84. Interoperabilitet – Agenters förmåga att fungera över olika system och leverantörer.
85. Inlåsning (vendor lock-in) – Beroende av en enda teknikleverantör. Köpare bör utvärdera exitstrategier.
86. Öppna standarder – Gemensamma protokoll som möjliggör portabilitet och integration.
87. Färdplan – Planerad utveckling av agentens förmågor och funktioner.
88. Proof of Concept (POC) – En begränsad driftsättning för att bekräfta värdet innan man skalar upp.
89. Produktionsmognad – Den stabilitet, säkerhet och skalbarhet som krävs i skarpa miljöer.
90. Företagsklass (enterprise-grade) – Att uppfylla krav på tillförlitlighet, styrning, säkerhet och skala så att agenter kan köras säkert i produktion. Maven är byggt för driftsättningar i företagsklass, med djupa integrationer, analys och kontroll över Actions och Knowledge (se verkliga kundcase från MavenAGI).

Avancerade agentförmågor

91. Proaktivitet – Agenter som tar initiativ till åtgärder utan uttryckliga prompter. Proaktiva agenter ger nya effektivitetsvinster.
92. Rekommendationsmotor – Föreslår nästa bästa åtgärd utifrån sammanhang och data.
93. Beslutsstöd – Hjälper människor med insikter men lämnar de slutliga besluten åt dem.
94. Kontextmedvetenhet – Att förstå situationens nyanser bortom den råa indatan.
95. Konfidenspoäng – En uppskattning av hur tillförlitliga agentens resultat är.
96. Mognadsmodell – Ett ramverk som beskriver stegen i utvecklingen av agentförmågor.
97. Bygga eller köpa – Att utvärdera om man ska bygga egna agenter eller välja en plattform.
98. Strategi för kunskapsförankring – Ett systematiskt sätt att säkerställa faktamässig korrekthet.
99. Operativ AI – AI som är inbyggd direkt i pågående affärsprocesser.
100. Det autonoma företaget – En organisation där agenter hanterar en stor del av de återkommande uppgifterna och arbetsflödena inom givna skyddsräcken, medan människor fokuserar på omdöme, relationer och undantag. Med Maven innebär det hybridteam av människor och agenter, inte en verksamhet som drivs enbart av AI.

För vägledning kring implementering och verkliga exempel kan du läsa våra kundberättelser eller kontakta vårt team för en livegenomgång.