Det svåra med AI-agenter är att leda dem, inte modellen.

Hej, jag heter Amir och jag vill bjuda in dig till den här korta sessionen där vi pratar om AI-agenter och vad de innebär för chefer och affärsledare. Som en kort presentation: det här är några av de företag jag har arbetat på — AWS, Teva Pharmaceuticals, Motorola och några startups — och vid sidan av dem några av de kunder jag har samarbetat med kring innovation, kring AI, eller en kombination av båda. Du är varmt välkommen att ansluta till mig.

Jag vill ta dig igenom fyra avsnitt, snabbt och på en övergripande nivå: vad AI-agenter är, vilka möjligheterna och användningsfallen är, vilka konsekvenserna är för ledare, och slutligen några insikter att agera på.

Låt oss börja med AI-agenter, möjligheterna och användningsfallen. Innan vi går in på agenter finns det något jag alltid börjar med: om du inte redan har insett det så är intelligens numera en handelsvara. Det finns många intelligenta uppgifter och aktiviteter som du kan delegera till verktyg som utför dem lika bra som människor — i vissa fall till och med bättre — och det kostar väldigt lite, bråkdelar av en dollar per uppgift. Det får många konsekvenser för hur vi utför vårt arbete.

Det är värt att stanna upp en minut vid förmågorna hos generativ AI. Du har förmodligen redan provat några av dem. När du har chattat med ett verktyg som ChatGPT, Claude eller Gemini har det troligen skett via text. Men text handlar inte bara om att chatta — det är bra på att sammanfatta dokument, granska och förstå, uttrycka sentiment och extrahera data. Det är bra på översättning, trots att det inte tränades uttryckligen för att översätta. Och eftersom programmeringsspråk också är språk är det bra på att arbeta med kod.

Det finns fler förmågor. Visuella tillgångar — att skapa bilder, video, 3D-rendering. Ljud och röst, som kan transkriberas eller genereras. Dataförädling — att koppla samman strukturerade och ostrukturerade datakällor och dra ut insikter ur dem. Och en framväxande kategori kring fysiska tillgångar, där AI-modeller antingen kan styra fysiska saker som drönare, robotar och självkörande fordon, eller förutsäga fysiska egenskaper som molekyler och material inom materialvetenskap. Det finns gott om förmågor att utnyttja.

Jag delar in affärsmöjligheterna inom generativ AI i tre pelare. Den första, där ledare och företag ofta börjar, är att öka produktiviteten i interna arbetsflöden. Den andra är att skapa värde för kunder och intressenter — genom kommunikationskanaler, support, utbildning och inuti era produkter. Den tredje är disruption: av affärsmodeller, verksamhetsmodeller, och till och med hela branscher och ekonomier.

Om att öka produktiviteten: det är här du utför uppgifter och arbetsflöden snabbare, i större skala, med högre kvalitet och till lägre kostnad — om du använder verktygen på rätt sätt. Inom innehållsproduktion, till exempel, där du har ett arbetsflöde med olika uppgifter längs vägen, kan du använda verktyg som copiloter för att producera mer innehåll, och typer av innehåll som annars vore omöjliga att skapa, och för att optimera arbetsflödet. Jag använder ramverk för att bryta ner möjligheten: dela upp den i steg, identifiera indata, utdata och datakällor, och leta sedan efter de generativa möjligheterna.

Om att skapa värde: det handlar om hur du interagerar bättre med kunder och andra intressenter med hjälp av AI. Här kommer förmågorna in — de hjälper dig att skapa personlig kommunikation, låter kunder interagera med dina data, dina produkter och alla möjliga hjälpkällor. AI är bra på att identifiera känslor och agera på sentiment, och till och med på att uttrycka empati — kanske skrämmande, men så är det — och det blir bara bättre. Det är fantastiskt på att skapa multimodala upplevelser: ljud, musik, bild, video. Allt oftare kan vi låta människor uppleva våra produkter och varumärken genom dessa verktyg. Och eftersom AI har läst otaliga berättelser är det suveränt på att berätta dem, om du vet hur du ska använda det. Människor knyter an till berättelser.

Det finns två sätt att tänka kring att skapa värde med AI. Det ena är förstärkta tjänster — utbildning, support, kommunikation — kring produkten snarare än i den. Här är ett exempel: en chatbot som kunder kan prata med om en onlinekurs, ställa frågor om innehållet och hur det ska tillämpas, på flera språk; du kan tala med den på spanska eller kinesiska trots att själva innehållet är på engelska. Det andra är AI-drivna produkter. Vi ser allt mer AI inuti produkter som Miro, UX Pilot och Canva, och inuti verktyg som Jira, där du kan uttrycka dig på naturligt språk för att skapa saker som tidigare krävde djup teknisk kompetens. Jag använder ofta ett ramverk som skiljer möjligheterna i kundresan från möjligheterna i produktinnovationen.

Nu till disruption — och det är här agenterna kommer in. Detta kommer att disrupta värdekedjor, affärsmodeller, verksamhetsmodeller och mer. 2025 har varit agenternas år — eller har det? Det har definitivt varit agenternas år inom mjukvaruutveckling, där ett antal produkter erövrade marknaden och växte i användning väldigt snabbt — men inte lika mycket inom andra funktioner ännu. Vi börjar se det förändras, med fler verktyg på väg in för andra funktioner: Claude för Excel, tillämpningar inom hälso- och sjukvård, och agenter som blir en del av flödet inom marknadsföring, innehållsproduktion, försäljning och annat.

Så vad är en agent? Hur skiljer den sig från de AI-verktyg vi är vana vid, och hur passar den ihop med människor och de verktyg vi använder? Det här är en förenklad, övergripande bild, men den bör hjälpa dig att förstå möjligheterna, riskerna och konsekvenserna. För det första: en agent har ett uppdrag. Det är inte ett verktyg där du ställer en fråga och får ett svar, som ett chattverktyg. Du definierar ett övergripande uppdrag och ber den att uppnå det uppdraget och dess mål, upprepat och kontinuerligt — ungefär som att anställa en person och ge den ett uppdrag och ett mål.

För att utföra det uppdraget behöver en agent tillgång till verktyg — e-post, databaser, kommunikationskanaler, verktyg för att skapa kod och innehåll. Eftersom uppdraget definieras på en övergripande nivå behöver den också handlingsutrymme: den måste fatta beslut om vad den ska göra härnäst, hur den ska hantera verktygen, när den ska kommunicera, när uppdraget är klart och hur god kvalitet ser ut. Och den behöver en återkopplingsmekanism — antingen genom att granska sina egna utdata och resultat, eller genom att få återkoppling från människor eller andra agenter om vad den gjorde och om den bör fortsätta eller byta riktning.

Så vad är människans roll här? För det första definierar vi uppdraget — vad vi vill att agenten ska göra, uppgifterna, vad den ska uppnå och hur det passar in i helheten. För det andra ger vi den sammanhang — vad som redan har gjorts, vår varumärkesröst, våra tillgångar, vad den bör och inte bör göra, att vi bryr oss om säkerhet, information om vårt företag och våra kunder. Ju mer kontext du ger den, desto bättre presterar den. För det tredje avgör vi hur mycket autonomi vi ska ge den — ska den stämma av med dig vid varje milstolpe, eller köra hela vägen för din räkning med minimal kontroll? Beroende på ditt sammanhang — en reglerad miljö, hur mycket du litar på agenten, hur ny den är, hur införandet går — fattar du olika beslut, och du kan komma att ändra autonomin över tid.

För det fjärde ger du den tillgång till verktyg. Om den behöver läsa din e-post behöver den inloggningsuppgifter; om den behöver skicka meddelanden till dig eller dina kollegor på Slack behöver den åtkomst till Slack. Och med åtkomst följer risk, så du behöver bestämma hur du ska styra behörigheter och inloggningsuppgifter när den agerar för din räkning. För det femte inför du sätt att följa upp både handlingarna och resultaten — hur den fattar beslut, vilka avvägningar den gör — eftersom du ibland behöver hålla den i schack, och eftersom du behöver fortsätta förbättra den med kontinuerlig återkoppling baserad på kvaliteten på dess utdata.

För att göra det konkret: vi har arbetsflöden som vi har bedrivit professionellt i åratal, med team som gör olika saker. Att designa en användarupplevelse, till exempel, följer en process — uttalad eller outtalad — och före AI drivs allt av människor. Med copiloter driver människor fortfarande processen, men då och då vänder de sig till ett verktyg för hjälp med en specifik uppgift — designa en wireframe, kontrollera varumärket, sätta upp ett A/B-test, dokumentera något. Det är inte agenter ännu. Inte heller nästa nivå: ett AI-drivet arbetsflöde med viss automatisering, där människan fortfarande bestämmer flödet, stegen, när man går mellan dem, utlösaren som startar det och när det är klart — men där stegen är automatiserade och sammankopplade, med utdata som lämnas över från det ena till det nästa.

Agenter är nästa steg. Här definierar människor ett övergripande uppdrag och ger agenten tillgång till verktyg, och agenten bestämmer vilket verktyg den ska använda, vilken uppgift den ska göra när, och när den ska återvända till människan med ett resultat. Och vi ser allt oftare agentteam — inte en agent, utan flera med olika specialiteter och verktyg, plus en orkestrerare, en agentchef som bestämmer: den här agenten gör research, den här bygger, den här testar, och så vidare.

Sammanfattning och viktigaste insikter. För det första: AI-agenter har stor värdepotential, och du bör utforska var den potentialen är relevant för ditt sammanhang. För det andra: välj rätt verktyg och angreppssätt för användningsfallet — ibland copiloter, ibland automatiserade AI-drivna arbetsflöden, och ibland agenter. Välj inte i blindo, och satsa inte allt på agenter om du inte behöver dem — särskilt inte om din organisation ännu inte är mogen i sin data, i att människor inför dessa verktyg och i sina säkerhetsmekanismer, eller om du står inför strikta regelverk. För det tredje, om regelverk och skyddsräcken: du behöver bygga upp kunskaperna och förmågorna allteftersom fler agenter dyker upp — skyddsräcken, omdöme och styrning — eftersom det i slutänden är dina team som är ansvariga och ansvarsskyldiga för resultaten.

Det är en oerhört spännande tid att bygga med AI. För att göra det behöver du tänka stort — och det vill jag uppmana dig till. Jag vill också bjuda in dig att ansluta till mig: jag har ett veckobrev om ledarskap, ledarskapsprinciper och affärsvärde med AI-verktyg. Jag hoppas att det här var värdefullt. Vi ses.

Lätt redigerad från föredraget för läsbarhet.