En kort, neutral ordlista över de begrepp som dyker upp när företag börjar arbeta med AI-agenter — på vanlig svenska, utan hype, med en länk till tjänsten som löser problemet.
En AI-agent är ett program som tar emot ett mål, planerar steg, och använder verktyg (webb, API:er, filer) för att nå målet utan att be om hjälp för varje liten åtgärd.
Spelar roll när du vill att AI ska göra ett jobb från start till slut — inte bara svara på en fråga.
MCP är en öppen standard för hur AI-agenter ansluter till verktyg och datakällor. Tänk USB-C, fast för LLM:er: en server exponerar verktyg, en klient (agenten) anropar dem.
Spelar roll när du integrerar AI mot interna system och vill undvika att låsa in dig i ett enskilt modell-API.
En sandlåda är en isolerad miljö där en AI-agent får köra verktyg och kod utan att kunna röra produktion eller känsliga data.
Spelar roll så fort en agent ska skriva, exekvera eller göra något oåterkalleligt — sandlåda först, produktion sen.
Härkomst handlar om att kunna spåra var ett AI-genererat svar kom ifrån: vilken källa, vilken modell, vilken prompt, vilken version.
Spelar roll när någon ska kunna lita på, granska eller revidera ett AI-output — särskilt i reglerade branscher.
En connector är limmet mellan en AI-agent och ett externt system (CRM, kalender, databas). Den översätter agentens verktygsanrop till systemets API.
Spelar roll när AI ska göra något i ett befintligt system — inte bara prata om det.
Arbetsflödesägaren är personen som äger ett konkret arbetsflöde i verksamheten och kan svara på vad som faktiskt händer steg för steg — inte chefen, inte IT.
Spelar roll i alla AI-projekt: utan en arbetsflödesägare bygger man lösningar för en process som ingen verkligen kör.
Verktygssmide är när man bygger små, specialiserade AI-verktyg ovanpå en generell modell — anpassade efter just ert sätt att arbeta.
Spelar roll när allmänna chattbottar inte räcker och ni behöver något som passar er process — utan att bygga en hel produkt.
En utvärderingsloop är en återkommande rutin där ni mäter om AI-lösningen fortfarande ger rätt svar — och justerar prompt, data eller modell när den driftar.
Spelar roll när AI gått i produktion: utan utvärderingsloop märker ingen att kvaliteten sjunker förrän kunderna gör det.