AI-brief: agentstacken blir verklig

AI-produktivitet handlar mindre om en ny chattknapp och mer om hur agenter kopplas in i riktiga arbetsflöden. Dagens signaler pekar åt samma håll: utvecklarverktyg blir bättre på att se sina egna kopplingar, MCP sprider sig från kodmiljöer till verksamhetssystem och kontorsplattformar öppnar för säkrare agentintegrationer.

Dagens AI-inputs: agentstacken blir mer praktisk

Claude Code släppte version 2.1.128 den 4 maj med tydligare MCP-status, bättre hantering av tillägg och flera fixar för stora indata, bilder och arbetsgrenar. Det låter som små förbättringar, men i praktiken minskar de friktionen när team kör agenter i verkliga terminalflöden och kodförråd.

• MCP-synlighet: /mcp visar nu antal verktyg per server och varnar när en server är ansluten men har noll verktyg.
• Pluginflöden: --plugin-dir accepterar nu även .zip-arkiv, vilket gör distribution enklare.
• Säkrare lokalt arbete: EnterWorktree skapar grenar från lokal HEAD, så opushade commits tappas inte.

Källa: Claude Code changelog och GitHub Releases

Lär dig detta: MCP går från teknikdetalj till styrningsfråga

Jama Software annonserade den 4 maj en MCP-server för Jama Connect, riktad mot reglerad produktutveckling och kravhantering. Samtidigt öppnar Google Workspace sin Workspace MCP-server för utvecklare, vilket gör att agenter kan arbeta närmare dokument, mejl, kalender och interna arbetsytor.

• Varför det spelar roll: MCP blir ett standardlager för att ge agenter kontrollerad åtkomst till verksamhetsdata.
• Produktivitetseffekten: Mindre kopiera-klistra mellan system, mer arbete direkt i källsystemen.
• Riskbilden: Varje ny server kräver tydliga behörigheter, loggning och rutiner för vem som får ansluta vad.

Källa: Jama Software pressmeddelande och Google Workspace Updates

Titta/läs den här veckan: byggbara agenter över flera leverantörer

Microsofts Agent Framework har en Claude Agent SDK-integration för Python. Poängen är inte bara att köra ännu en modell, utan att kunna blanda Claude-agenter med andra agenter, sessionshantering, strömmande svar, funktionsverktyg och MCP-servrar i samma orkestrering.

• För utvecklare: testa en liten agent som läser filer, kör kod och anropar ett internt verktyg via en tydlig behörighetsmodell.
• För ledare: be teamet beskriva vilka agentflöden som kräver mänskligt godkännande och vilka som kan vara helt automatiserade.
• För produktivitet: standardiserade agentabstraktioner gör det lättare att byta modell utan att bygga om hela flödet.

Källa: Microsoft Agent Framework Dev Blog

Ett verkligt användningsfall: produktteamets krav- och leveransloop

Den mest konkreta produktivitetsvinsten just nu är inte en ensam superagent, utan en loop där en agent kan läsa krav, sammanfatta avvikelser, skapa utvecklaruppgifter och föreslå testfall. Med MCP-kopplingar till kravsystem, kodrepo och arbetsyta kan teamet korta vägen från idé till verifierad ändring.

• Starta enkelt: välj ett återkommande arbetsflöde med tydliga indata, till exempel kravgranskning eller releaseförberedelse.
• Sätt guardrails: begränsa agenten till läsning först, logga alla verktygsanrop och kräv godkännande innan skrivning.
• Mät rätt: följ ledtid, antal manuella överlämningar och kvaliteten på föreslagna uppgifter, inte bara antal genererade texter.

Tankar om hur detta påverkar framtiden

AI-produktivitet flyttar från enkla promptknep till systemdesign. De organisationer som vinner är de som bygger säkra kopplingar, små mätbara agentflöden och tydliga mänskliga kontrollpunkter innan de jagar total autonomi.