Skip to content
Hva menes med “stadier” i AI?
Når vi snakker om AI-stadier, handler det om hvor mye ansvar og handlekraft du gir systemet. På lavere nivåer er AI først og fremst et tekstverktøy. På høyere nivåer blir AI en aktiv deltaker i arbeidsprosesser – med evne til å hente informasjon, foreslå tiltak, gjennomføre oppgaver og rapportere tilbake.
Det finnes flere måter å beskrive denne utviklingen på, men fem-trinnsmodellen under fungerer godt som en praktisk sjekkliste i prosjekter og beslutninger.
Stadium 1: LLM – AI som formulerer og svarer
En LLM (Large Language Model) er en språkmodell som er trent til å forstå og generere tekst. Den kan skrive, forklare, oppsummere og gi forslag basert på mønstre i data den har lært. På dette nivået er AI først og fremst en sterk “tekstgenerator” som kan være imponerende og nyttig – men den har ikke automatisk tilgang til dine interne data, rutiner eller oppdaterte fakta.
Den passer godt til oppgaver som å lage utkast til innhold, foreslå forbedringer i tekst, hjelpe med ideer og gi generelle forklaringer. Samtidig er det viktig å vite at en LLM kan svare feil dersom den mangler kontekst eller får et uklart spørsmål. Derfor bør løsninger i stadium 1 brukes i scenarier der feil kan fanges opp av et menneske, og der det ikke kreves dokumenterbare kilder.
Stadium 2: LLM + kunnskap og verktøy – AI som svarer med dine fakta (RAG og integrasjoner)
Stadium 2 er ofte der AI begynner å gi tydelig, målbar verdi i en bedrift. Her kobles språkmodellen til dine kilder eller dine systemer, slik at svarene ikke bare blir “generelle”, men basert på faktisk innhold og oppdatert informasjon.
Den vanligste metoden kalles RAG (Retrieval-Augmented Generation). Kort fortalt betyr det at AI først henter relevante utdrag fra nettsider, dokumenter eller databaser, og bruker disse som grunnlag for svaret. I tillegg kan modellen kobles mot verktøy og integrasjoner, som for eksempel bookingsystem, nettbutikk, CRM eller helpdesk.
Resultatet er at AI kan fungere som en langt mer presis kundeservice- eller internassistent, fordi den støtter seg på egne kilder. Likevel krever dette styring: datakvalitet må være god, og agenten bør instrueres tydelig til å si “jeg finner ikke svaret i kildene” når den mangler grunnlag.
Eksempler:
Nettside-agent som svarer på spørsmål basert på innholdet på siden
Produkthjelper i nettbutikk som bruker produktdata og policy-tekster
Intern kunnskapsassistent basert på rutiner og dokumentasjon
Stadium 3: Agentisk AI – AI som planlegger og utfører oppgaver
Når vi går til agentisk AI, beveger vi oss fra “AI som svarer” til “AI som jobber”. På dette nivået kan systemet ta et mål, dele det opp i deloppgaver og gjennomføre en arbeidsflyt i flere steg. Det kan for eksempel hente data fra flere kilder, sammenstille et utkast, kontrollere om noe mangler, og levere en strukturert leveranse til slutt.
Agentisk AI gir ofte større gevinst enn en ren chat, men det øker også kravene til kontroll. Du må bestemme hvilke handlinger agenten får lov til å utføre, og hvilke som krever godkjenning. I praksis betyr det at man ofte bygger agenten med klare “skinner”: den kan gjøre mye, men innenfor tydelige rammer og med logging.
Agentisk AI passer spesielt godt til repeterende oppgaver som tar tid, men som følger en relativt forutsigbar prosess. Det kan være rapportering, oppfølging, klargjøring av kampanjer, sortering av henvendelser eller utkast til dokumentasjon.
Stadium 4: Multi-agent og autonome arbeidsflyter – AI som “team” med roller
I stadium 4 settes flere agenter sammen for å løse større oppgaver mer robust. I stedet for én modell som gjør alt, kan du ha en agent som henter kilder, en som skriver, en som kvalitetssikrer, og en som utfører handlinger. Dette kan øke kvaliteten og redusere feil, fordi ulike “roller” kan fange opp mangler tidligere i prosessen.
På dette nivået blir styring og drift en viktig del av løsningen. Det handler mer om systemdesign enn om “en god prompt”. Tilgangsstyring, audit logs, kostnadskontroll, rate limits og policy-regler er det som skiller en trygg multi-agent-løsning fra en uforutsigbar automasjon.
Dette nivået brukes ofte når virksomheten ønsker skala – for eksempel høyere volum på innhold, mer effektiv support, eller automatiserte prosesser som tidligere krevde et helt team.
Stadium 5: AGI/ASI – generell og superintelligent AI (strategisk perspektiv)
AGI (Artificial General Intelligence) beskriver AI som kan løse et bredt spekter av oppgaver på nivå med mennesker, mens ASI (Artificial Superintelligence) er nivået over. For de fleste bedrifter er dette ikke et praktisk “implementeringsnivå” i hverdagen, men det påvirker likevel strategi og risikovurdering.
Grunnen er enkel: jo mer autonom og kapabel AI blir, jo viktigere blir styring, sikkerhet og kontrollmekanismer. Derfor er det smart å etablere gode rutiner tidlig, før man bygger for mye kompleksitet. En tydelig AI-policy, logging og prinsipper for tilgang og godkjenning er nyttige uansett hvor langt man kommet.
Hvordan velge riktig nivå for din bedrift
Hvis målet er rask effekt og lav risiko, starter mange med stadium 1 eller 2. De fleste bedrifter får størst “bang for the buck” i stadium 2, fordi RAG og integrasjoner gjør AI faktisk relevant for eget innhold og egne prosesser.
Agentisk AI (stadium 3) passer når dere har tydelige arbeidsflyter som kan automatiseres. Stadium 4 blir aktuelt når dere ønsker å skalere og redusere feil gjennom rollebasert samarbeid mellom flere agenter.
Et godt prinsipp er å bygge trinnvis: få kontroll på datakilder og kvalitet i stadium 2 før dere gjør systemet mer autonomt i stadium 3–4.
En LLM genererer tekst og svarer på spørsmål. Agentisk AI kan i tillegg planlegge og gjennomføre oppgaver i flere steg, ofte ved å bruke verktøy og integrasjoner.
RAG betyr at AI først henter relevant informasjon fra dine kilder (nettsider, dokumenter, databaser), og bruker dette som grunnlag for å svare mer korrekt.
Når dere har repeterende oppgaver med tydelig prosess, og dere ønsker at AI skal levere ferdige utkast/rapporter eller utføre handlinger – med kontroll og godkjenning.