Einar har 4 ansatte og 40 KI-agenter: Her er hans beste tips

Einar Michalsen pleier å si at selskapet hans Circular har fire ansatte og 40 KI-agenter.

– 40 er litt clickbait. Jeg har ikke peiling på hvor mange agenter vi har, sier han og ler, før han presiserer:

– Målet er ikke flest mulig agenter, men å skape mest mulig verdi i den andre enden.

Et lite, konkurransedyktig team

Circular utvikler teknologi for salg av brukte varer. Behovet oppsto da Einar og partneren Camilla selv bygde opp bruktbutikkjeden Cirkulær.

Det er nemlig ikke så enkelt å skalere en bruktbutikk når samtlige varer må registreres, håndteres og prises individuelt.

Ved hjelp av kunstig intelligens automatiserer Circular store deler av prosessen. I dag brukes teknologien i både egen butikk og av ombruksaktører over hele verden.

Denne artikkelen handler imidlertid ikke om KI-produktet Circular leverer – men om KI-agentene de selv bruker for å bygge et konkurransedyktig selskap i et globalt marked.

– Vi er et lite team og må få til så mye som mulig med så lite som mulig for å konkurrere med folk med mer ressurser enn oss, sier gründeren.

Slik ser en vanlig onsdag ut

Michalsen illustrerer det hele med å ta oss gjennom 10 minutter av en helt vanlig onsdag.

– Jeg sitter i systemet vårt og tester en funksjon, og så oppdager jeg en liten skjønnshetsfeil. En knapp som står litt skjevt.

Slike små oppgaver som å fikse en knapp havner ofte langt nede på prioriteringslisten. Det er andre ting som brenner for et lite utviklermiljø i en startup.

Her kommer agentene inn i bildet – sammen med et par andre hendige KI-verktøy.

Michalsen tar opp mobilen og åpner Typeless, en KI-basert tale-til-tekst-app. Den strukturerer det han sier og sender beskjeden videre til Claude Code.

– Da får Claude Code beskjed om at knappen er skjev, og en instruks om å se gjennom kodebasen og finne ut hvordan det kan fikses.

Claude Code oppretter deretter en oppgave i prosjektverktøyet Linear. Her må det tas et valg. Skal oppgaven løses av et menneske, eller av en KI-agent?

En ny agent tar over

I dette tilfellet bestemmer Einar at oppgaven går til KI-agenten Cursor Background Agent, som gjør de nødvendige endringene i koden.

Noen minutter senere dukker det opp et varsel om at løsningen er klar i testmiljøet. Michalsen sjekker raskt at alt ser riktig ut, mens en annen agent, Cursor Bugbot, går gjennom endringen og ser etter følgefeil.

Hele prosessen tar rundt ti minutter. Alt Michalsen gjør er å lese inn en beskjed på mobilen og godkjenne oppgavene. Agentene gjør jobben i kodebasen og på tvers av bedriftssystemene.

– Hele tiden her sitter jeg og jobber i et dokument med noe helt annet, forklarer han.

– Det er et banalt og lite eksempel. Samtidig er det slike oppgaver som gjerne spiser tid i løpet av en arbeidsdag. Hvis slike flaskehalser forsvinner, skjer det noe med tempoet.

Største skiftet siden ChatGPT

KI-agenter har vært et buzzord helt siden ChatGPT kom og snudde opp ned på hvordan arbeidslivet forholder seg til kunstig intelligens.

Det er ikke så rart. Lovnaden bak de siste årenes KI-bølge har nettopp handlet om en teknologi som automatiserer de digitale oppgavene våre. Som gir superkrefter til dem med datamaskinen som primære arbeidsverktøy.

I realiteten har dette imidlertid vært enklere sagt enn gjort. Joda, KI-chatboter har revolusjonert hvordan vi jobber med kunnskap, tekst og kode. Men det meste av dette arbeidet skjer inne i et tekstvindu.

Det å slippe KI «løs» – inn i arbeidsflyten – i mailboksen, CRM-systemet, bak det som skjer når du skriver på tastaturet og klikker på musen: Det har foreløpig vist seg å være mer komplisert i praksis for de aller fleste.

De siste månedene har det imidlertid skjedd et skifte, som flere mener er det største spranget innen KI-utviklingen siden ChatGPT ble lansert.

– Det begynte blant annet med oppdateringer av verktøy som Claude Code, sier Michalsen.

Claude Code kan kobles direkte til kodebasen et team jobber i, lese filer, forstå strukturen i prosjektet og gjennomføre handlinger.

Med oppdateringene ble dessuten systemene langt mer kapable til å jobbe i flere steg, på tvers av oppgaver, i samspill med agenter.

– Dette er ikke bare en måte utviklere jobber på. Det er en arbeidsflyt som etter hvert tas i bruk av alle som jobber foran en datamaskin.

KI som svarer til forventningene

Alexander Haneng, KI-ekspert i Digital Norway, mener eksempelet illustrerer et tydelig skifte i hvordan kunstig intelligens tas i bruk i arbeidshverdagen.

– Det vi ser nå er at KI endelig begynner å gjøre det vi alle håpet at det skulle gjøre: Ikke bare svare på spørsmål, men faktisk utføre nyttige oppgaver på tvers av systemer, sier Haneng.

– Agenter er ikke fremtiden – de er arbeidsvirkeligheten for de mest konkurransedyktige selskapene akkurat nå.

Mener kritikerne bommer

Mange utviklere er fortsatt skeptiske til KI-generert kode og peker særlig på sikkerhetsrisiko. Hva skjer hvis koden inneholder feil som er vanskelige å oppdage?

Michaelsen mener kritikerne bommer.

– Det er kanskje en kontroversiell mening, men jeg tror de som tenker at de er bedre enn AI til å skrive kode, snart kommer til å få seg en ubehagelig opplevelse.

Han viser til selskaper som ligger helt i front, som Shopify og Klarna, der det aller meste av ny kode i dag produseres ved hjelp av kunstig intelligens.

– I slike selskaper er utviklingshastigheten enorm. De får gjort mer, og det fungerer.

– Å sitte og skrive all kode for hånd begynner nesten å ligne litt på noe neandertalsk. Du gjør det fordi du liker det, på samme måte som noen foretrekker å skrive på papir i stedet for på en datamaskin.

Likevel betyr det ikke at utviklere blir mindre viktige.

– Det å forstå arkitekturvalg og hvordan systemer henger sammen er fortsatt avgjørende. Du må kunne styre retningen.

– Det er ingen magi

Michalsen har bakgrunn fra finans- og konsulentbransjen, fra en periode der regelbasert automatisering sto bak mange av de største digitaliseringsgevinstene – før kunstig intelligens slik vi kjenner den i dag kom inn i bildet.

– Arbeidsflytene til folk er i stor grad regelbaserte. Mange tror de driver med mer «tenking» enn de faktisk gjør, og derfor sliter de med å stole på utfallet. Men det er ingen magi, sier han.

Et eksempel er hvordan de bruker KI-agenter i salgsarbeidet. Hvis teamet vil finne nye potensielle kunder, kan de starte en agent fra Slack. Da settes en liten kjede av oppgaver i gang.

Systemet begynner med å lete etter virksomheter som ligner Circulars typiske kunder. Agenten bruker et API til å søke etter bruktbutikker i en tilfeldig storby i Nord-Amerika. Resultatet blir gjerne en håndfull kandidater, som deretter sjekkes opp mot Circulars CRM-system.

Derfra kan systemet også lage utkast til e-poster, meldinger på sosiale medier og forslag til oppfølging.

– Poenget er ikke å slippe en agent løs i CRM-systemet. Tvert imot er dette bygget som en kontrollert prosess, der agentene får tydelig avgrensede oppgaver og bare tilgang til de delene av systemet de trenger.

Det er ikke uten risiko, understreker han. Agentene får tilgang til systemer og kan utføre handlinger der. Feil kan oppstå, på samme måte som når mennesker jobber i de samme systemene.

Michalsen mener likevel at gevinstene utveier nedsidene.

– Hva er det verste som kan skje i denne spesifikke oppgaven? Jo, at vi oppretter noe i CRM som ikke egentlig skulle vært der.

Det er et poeng Haneng stiller seg bak:

– Debatten om KI handler ofte risikoen for å gjøre feil, men få snakker om den store risikoen ved å ikke ta det i bruk. Selskapene som er mest konkurransedyktige de neste årene er de som klarer å kombinere menneskelig dømmekraft med agentisk KI, sier Haneng.