Från von Neumann till agentisk AI: vägen mot agentiska operativsystem

Datorns roll håller på att förändras i grunden. Den här artikeln tecknar bakgrunden: hur datorn rör sig från von Neumanns lagrade program till agentisk AI och vad som ofta kallas agentiska operativsystem. Den är skriven som ett underlag för beslutsfattare och utgör grunden för mer konkreta resonemang i kommande artiklar.

Agentisk AI är AI-system som inte bara svarar på frågor, utan självständigt tolkar ett mål, delar upp det i steg, använder verktyg och anpassar sitt beteende inom givna ramar. Skillnaden mot traditionell programvara är att människan formulerar målet snarare än varje enskild instruktion. Ansvaret för resultatet ligger kvar hos människan.

Historien bakom nästa steg i datorernas utveckling

Sedan de första moderna datorerna tog form under 1900-talets mitt har föreställningen om vad en dator är varit anmärkningsvärt stabil. Datorn har betraktats som ett verktyg: människan formulerar instruktionerna, maskinen utför dem. Den modell som förknippas med John von Neumann — von Neumann-arkitekturen (där data och instruktioner lagras i samma minne och behandlas av en processor) — blev en av de mest inflytelserika utgångspunkterna för den moderna datorns design. Hans rapport om EDVAC från 1945 räknas fortfarande som en central referenspunkt för den lagrade programprincipen.

Under de följande decennierna blev datorer snabbare, billigare, mindre och mer distribuerade. Processorerna fick fler kärnor, minneshierarkierna förfinades, grafikkorten blev generella beräkningsmotorer och molninfrastruktur gjorde datorkraft till en globalt tillgänglig resurs. Ändå förblev arbetsfördelningen densamma: människan anger reglerna, systemet följer dem.

Det är denna arbetsfördelning som nu börjar förändras. Förändringen handlar inte om att datorer plötsligt blivit självmedvetna. Den är mer praktisk än så. Programvara förskjuts från fasta instruktioner till system som kan tolka mål, hämta information, använda verktyg, planera delsteg och anpassa sitt beteende inom definierade ramar.

Ett konkret exempel finns redan i dagens utvecklingsmiljöer. En utvecklare som tidigare skrev varje kodrad själv kan i dag arbeta tillsammans med ett AI-stöd som föreslår implementationer, förklarar felmeddelanden och hjälper till att skriva tester. Studier tyder på att sådana verktyg påverkar både upplevd produktivitet och hur utvecklare fördelar sin kognitiva ansträngning — men resultaten måste tolkas med hänsyn till uppgiftstyp, organisation och mätmetod.

Den traditionella datorn försvinner alltså inte. Däremot etableras ett nytt lager ovanpå den klassiska infrastrukturen. Det består av modeller, arbetsflöden, verktygsintegrationer och styrmekanismer som tillsammans gör att system inte bara svarar, utan också kan delta i operativt arbete.

Från regelstyrning till adaptiva system

I den klassiska programvarumodellen bestämmer utvecklaren i förväg hur systemet ska agera. Ett program kan vara mycket avancerat, men dess beteende är i grunden en produkt av explicita regler, villkor och instruktioner. Det fungerar väl för stabila problem där villkoren är kända:

• bokföring och transaktionshantering
• industriell styrning
• databassökning
• schemaläggning

Maskininlärning (system som lär av data i stället för av handkodade regler) förändrade detta. I stället för att varje beslut programmeras manuellt tränas modellen på exempel. Därmed uppstår ett annat slags programvara — ett system vars beteende inte enbart kan förstås genom att läsa källkod, utan också genom att analysera träningsdata, modellarkitektur, utvärderingar och användningskontext.

Övergången är principiellt viktig. Människan skriver inte längre alltid den exakta beslutsregeln. Hon definierar i stället mål, datagrund, utvärderingsmetoder och acceptabla gränser. Det betyder inte att ansvaret minskar. Det flyttas — från detaljinstruktion till styrning, granskning och riskhantering.

Här finns en tydlig parallell till äldre idéer om självförvaltande system som hanterar komplexitet genom övergripande mål snarare än ständig mänsklig detaljkontroll. Skillnaden i dag är att språkmodeller (AI tränad att tolka och generera text) och generativ AI gör idén mer generell och mer tillgänglig i praktiska arbetsflöden.

Från AI-modell till agent

En språkmodell är dock inte i sig ett operativt system. Den kan formulera text, analysera information och generera kod, men saknar normalt egen uthållighet, stabilt minne, självständig verktygsanvändning och organisatorisk kontext. Den är i första hand en beräkningsmodell som svarar på indata.

Ett agentiskt system uppstår först när modellen kombineras med andra komponenter. Det behöver kunna:

• ta emot ett mål och dela upp det i steg
• använda externa verktyg
• komma ihåg relevant kontext
• utvärdera sina egna resultat
• lämna över kritiska beslut till en människa när situationen kräver det

Utvecklingen rör sig mot just denna kombination av planering, resonemang, minne och verktygsanvändning. I praktiken kan det se ut som en kundtjänstagent som inte bara föreslår ett svar, utan också kontrollerar orderstatus, identifierar gällande villkor och förbereder ett ärende för mänskligt godkännande. I ett utvecklingsteam kan det vara en agent som analyserar en felrapport, söker i loggar, hittar den senaste kodändringen, föreslår en korrigering och skapar ett utkast till pull request (ett förslag till kodändring som granskas innan den införs). I en ekonomifunktion kan det vara ett system som upptäcker avvikande fakturor, jämför dem mot avtal och flaggar de fall där mänsklig bedömning behövs.

Det avgörande är inte att systemet är helt autonomt. Det avgörande är att det får en operativ roll. Det går från att vara ett svarande verktyg till att bli en deltagare i ett arbetsflöde.

Det agentiska operativsystemet som idé

Begreppet agentiskt operativsystem bör förstås som en framväxande arkitektur, inte ett färdigt produktsegment. Det handlar inte om att ersätta Windows, Linux eller macOS. Det handlar om ett orkestreringslager (ett samordnande lager som binder samman delarna) som kopplar ihop modeller, data, applikationer, API:er, behörigheter, loggar och mänskliga beslutspunkter.

I ett sådant system blir AI:n inte en isolerad funktion i ett enskilt program. Den får rollen som samordnare. Den kan analysera driftstatus, prioritera uppgifter, initiera arbetsflöden, kalla på specialiserade modeller, använda externa verktyg och föreslå åtgärder.

Här blir Model Context Protocol, MCP (en öppen standard för hur AI-applikationer kopplas till externa datakällor, verktyg och arbetsflöden) tekniskt betydelsefullt. Agentiska system kan inte vara användbara i större skala om varje integration måste byggas som en unik speciallösning. En gemensam standard sänker den tröskeln.

Ett verklighetsnära exempel är ett företag med många interna system: ärendehantering, dokumentarkiv, ekonomisystem, CRM, kodplattform och driftsövervakning. I dag växlar en medarbetare ofta mellan dessa miljöer, tolkar informationen och för ärendet vidare för hand. Ett agentiskt lager skulle kunna samla in relevanta uppgifter, formulera ett beslutsunderlag och föreslå nästa steg. Den mänskliga rollen försvinner inte — den förändras, från informationsjakt till bedömning.

Självförbättring är inte detsamma som fri autonomi

Det är lockande att beskriva nästa steg som självutvecklande system. Begreppet behöver dock användas med försiktighet. I professionella sammanhang bör självförbättring inte betyda att systemet fritt skriver om sig självt utan insyn. Det bör avse kontrollerade återkopplingsloopar där systemet analyserar resultat, identifierar återkommande fel, föreslår förbättringar och dokumenterar vilka förändringar som bör prövas.

Här blir agentiska system särskilt intressanta. Föreställ dig en jourhavande tekniker som väcks av ett larm mitt i natten. I en traditionell miljö måste teknikern själv öppna övervakningsverktyg, granska loggar, kontrollera senaste driftsättningar och försöka avgöra om problemet beror på kod, infrastruktur eller extern belastning. I en mer agentisk miljö kan ett system redan ha sammanställt det mest relevanta:

• vilken tjänst som avviker
• vilken kodändring som skedde senast
• vilka användare som påverkas
• vilka åtgärder som tidigare fungerat i liknande situationer

Det betyder inte att agenten bör göra allt själv. I många fall bör den i stället fungera som kvalificerad förberedelse inför ett mänskligt beslut. Ju större konsekvens en åtgärd kan få, desto tydligare måste kraven vara på behörighet, spårbarhet och mänskligt godkännande.

Infrastrukturens betydelse ökar

När AI-system får en mer operativ roll blir infrastrukturen viktigare, inte mindre viktig. Ett agentiskt system är bara så robust som de data, behörigheter och kontroller det bygger på. Saknar de underliggande systemen versionshantering, loggning, datakvalitet eller tydlig åtkomststyrning blir agentens effektivitet i sig en risk.

Det är särskilt tydligt i moderna moln- och containerplattformar. Agentiska system kan betraktas som ett nästa lager ovanpå sådana miljöer, där inte bara tekniska resurser utan även arbetsflöden, incidenter och beslutspunkter samordnas.

Samtidigt ökar kraven på styrning. Regelverk betonar behovet av systematisk riskhantering för AI. Inom EU förstärks detta av AI Act, som etablerar ett rättsligt ramverk för AI med fokus på riskklassificering, transparens och krav på högriskapplikationer.

Framtidens agentiska operativsystem är därför inte bara en teknisk fråga. Det är också en fråga om juridik, organisationsstyrning, säkerhetsarkitektur och ansvarsfördelning.

Människans roll blir mer strategisk

Det mest intressanta med agentiska system är kanske inte att de automatiserar enskilda uppgifter. Det är att de förändrar relationen mellan människa och digital infrastruktur.

I den traditionella modellen skriver människan instruktioner och datorn exekverar dem. I den agentiska modellen formulerar människan mål, ramar och kontrollpunkter, medan systemet hjälper till att omsätta målen i handling. Den mänskliga rollen blir därmed mer strategisk. Människan avgör vad som är önskvärt, tillåtet, rimligt och ansvarsfullt.

Detta kräver högre kompetens, inte lägre. Organisationer som inför agentisk AI behöver förstå sina egna processer bättre än tidigare. De måste veta:

• vilka beslut som kan automatiseras
• vilka som kräver mänsklig granskning
• vilka som aldrig bör delegeras till en maskin

De måste också kunna förklara, granska och vid behov ifrågasätta systemens rekommendationer. I praktiken innebär det att framtidens IT-avdelning inte bara förvaltar servrar, applikationer och nätverk. Den förvaltar också agentbeteenden, behörighetsmodeller, återkopplingsloopar och organisatoriskt minne.