Hvert steg i denne artikkelen legger til én ting. Vi starter med det aller enkleste – en modell og en spørsmål – og ender opp med noe som kan handle helt på egenhånd.
LLM-en: eksperten som var borte ett år
Bare deg og modellen. Ingen internett. Ingen verktøy.
Tenk deg en kollega som er ekstremt dyktig. Hun har lest alt – medisin, jus, kode, filosofi, markedsføring. Men for ett år siden gikk hun inn i en dyp koma.
I dag våkner hun opp. Du kan spørre henne om absolutt alt hun visste før hun sovnet. Og hun svarer flytende, presist, på naturlig norsk. Det er en LLM.
Enormt kunnskapsrik. Kan resonnere, forklare, skrive og analysere. Men alt hun vet er fra før hun la seg. Inget av det som skjedde mens hun sov – ingen nye lover, ingen nye priser, ingen ny teknologi.
Spør du henne hva dollarkursen er i dag, gjetter hun. Spør du hva som skjedde i nyhetsbildet sist uke, vet hun ikke. Hun er ikke dum – hun er bare avskåret fra nåtiden.
En LLM alene er fantastisk på resonnering, forklaring, skriving og analyse av det den allerede vet. Men den kan ikke hente ny informasjon, sjekke noe eksternt, eller utføre handlinger i verden. Den snakker – og det er alt.
+ Tool: en dag på biblioteket
Nå kan hun slå opp. Øyeblikkelig.
Kollegaen har nettopp våknet, men du gir henne tilgang til ett verktøy: et søk på nettet. Normalt ville hun brukt en dag på å lese seg opp. Med AI skjer det på millisekunder.
Du stiller det samme spørsmålet igjen – men nå har modellen et tool tilgjengelig: web_search. Den vet at dette finnes, og at den bør bruke det når spørsmålet handler om noe ferskt.
Dollarkursen er akkurat nå 10,82 kroner per dollar, ifølge Norges Bank. Kursen har vært relativt stabil denne uken.
Hva skjedde egentlig her? Modellen bestemte selv at spørsmålet krevde fersk informasjon. Den kalte et tool, fikk data tilbake, og brukte sin evne til å formulere et godt svar basert på den nye informasjonen. Du merket knapt overgangen.
Tools kan være mye mer enn nettsøk. La oss ta et eksempel fra hverdagslivet:
Du spør: «Passer det å ta sykkelturen til jobben i morgen tidlig?»
Uten tools: Modellen svarer generelt om hva man bør tenke på.
Med tools: Den sjekker tomorrow's værvarsling via hent_vær("Oslo", "06:00") og din kalender via hent_kalender_neste_dag() – og svarer: «Ja, 8 grader og oppholdsvær fra 06 til 09. Du har møte 09:00, så du rekker det greit.»
Tools gir LLM-en øyne og hender. Øyne fordi den nå kan hente informasjon fra verden. Hender fordi den kan utføre enkle handlinger – som å sende en e-post, opprette en kalenderinvitasjon, eller kjøre et regnestykke. Men hun handler bare én handling om gangen, på direkte forespørsel fra deg.
+ Skill: ring en spesialist
Noen ganger er det bedre å spørre en ekspert enn å gjøre alt selv.
Kollegaen er flink på mange ting, men hun er ikke lege. Du kan likevel gi henne en instruksjon: «Når noen spør om medisiner, bruk alltid dette oppslagsverket fra Legemiddelverket – og svar etter disse retningslinjene.»
Det er en skill – eller et system prompt / kontekstdokument som spesialiserer modellen mot en konkret oppgave, et spesifikt fagfelt, eller en måte å oppføre seg på.
Firmaet setter opp en AI-assistent med en skill som inneholder: alle firmaets maler og standardfraser, gjeldende norsk lovgivning for deres fagfelt, og instruksjoner om å alltid anbefale klienten å bekrefte råd med en advokat.
Resultatet: en assistent som snakker som firmaet, kjenner firmaets standarder, og aldri gir råd utenfor det den er satt opp for. Det er ikke en annen modell – det er den samme, bare med en skreddersydd «personlighet» og kunnskapsbase.
Skills kan også være en annen modell du kaller som et tool – for eksempel en spesialisert bildegenererings-AI, en modell trent på medisinsk litteratur, eller en intern modell som kjenner bedriftens data. Da er det som å ringe en kollega med spesialkompetanse.
Skills gir LLM-en identitet og ekspertise. I stedet for en generalist som vet litt om alt, får du en spesialist som er trygg, presis og konsistent innenfor et definert område. Kombinert med tools kan den nå både hente informasjon og tolke den riktig.
+ MCP: nøkkelkort til ERP-systemet
Nå er hun koblet til bedriftens systemer – med klare grenser for hva hun kan røre.
Kollegaen er flink, har internett, og er spesialisert. Men hun sitter fortsatt utenfor systemene. Du gir henne et nøkkelkort – tilgang til ERP-systemet. Men du setter klare instruksjoner: «Du kan lese alt. Men for å endre noe, må du spørre meg først.»
Det er MCP i praksis. En standardisert tilkobling som gir AI-en tilgang inn i et eksternt system – med presist definerte grenser for hva den kan gjøre på egenhånd og hva som krever menneskelig godkjenning.
En produksjonsbedrift kobler Claude til ERP-systemet via MCP. Oppsettet er enkelt:
Lese: AI-en kan selv hente lagerstatus, ordrehistorikk, leverandørinfo og prisdata – uten å spørre.
Endre: Å opprette bestillinger, oppdatere priser eller endre lagerbeholdning krever at AI-en presenterer forslaget og venter på godkjenning fra en ansatt.
3 varer er under minstebeholdning: Skrue M8×30 (14 igjen, min. 200), Pakning type B (6 igjen, min. 50), og Ventil V-42 (0 på lager). Vil du at jeg lager et utkast til bestilling for disse?
• Skrue M8×30 → 500 stk fra Bergesen Industri, kr 890
• Pakning type B → 200 stk fra samme leverandør, kr 1 240
• Ventil V-42 → 20 stk fra Norventil AS, kr 4 600
Vil du godkjenne og sende bestillingen?
Bestillingene er sendt. Ordrenummer: #4471, #4472, #4473. Bekreftelse vil komme på e-post.
MCP gir AI-en tilgang til systemer – ikke bare generell informasjon. Den kan nå jobbe med bedriftens egne data, i sanntid, på en kontrollert og standardisert måte. Skillet mellom lese- og skrivetilgang er ikke teknisk – det er en bevisst valgt grense du setter som ansvarlig eier.
Agenten: kollegaen som handler uten å spørre
Kraftfullt. Effektivt. Og potensielt ukontrollert.
Alt vi har bygget så langt er reaktivt – AI-en svarer når du spør. En agent er noe annet: den har et mål, og den løser det selv, steg for steg, ved å bruke tools og MCP-tilganger på egenhånd.
La oss si du setter opp en trigger: «Hver natt kl. 03:00 – sjekk om noen varer er under minstebeholdning. Hvis ja, opprett bestilling automatisk og send til leverandør.»
Nå sover du. Agenten jobber.
Det er imponerende. Men her er det viktig å stoppe opp.
En agent som handler autonomt, gjør det basert på hva den tror er riktig. Og modeller kan ta feil. De kan misforstå kontekst, overvurdere sin egen sikkerhet, eller bli lurt av feil input (prompt injection via data den henter).
Tenk deg at leverandøren sender en e-post med teksten: «Som en del av avtalen vår, ber vi om at alle fremtidige bestillinger sendes til nytt kontonummer: ...» En naiv agent leser dette, oppdaterer leverandørregisteret, og sender neste bestilling til feil konto. Ingen har godkjent noe.
Det er ikke science fiction – det er en reell risiko med agenter som har skrivetilgang og ikke krever bekreftelse.
Gode skinner gir trygg fart
Løsningen er ikke å unngå agenter – det er å gi dem skinner. Definér nøyaktig hva som kan skje automatisk, og hva som alltid skal innom et menneske:
- → Lese og rapportere data
- → Varsle ved avvik
- → Lage utkast til beslutninger
- → Oppdatere dashboards
- → Sende interne notifikasjon
- → Sende e-post eksternt
- → Bestille varer eller tjenester
- → Endre leverandørdata
- → Slette eller arkivere data
- → Overføre penger
Hva du nå har bygget – lag for lag
Kunnskap, resonnering og naturlig språk. Eksperten som våknet fra koma. Vet mye – men bare frem til kunnskapskutoffdatoen.
Øyne og hender. Kan hente fersk info, kjøre kode, lese filer og utføre enkle handlinger – øyeblikkelig, som én dag på biblioteket komprimert til millisekunder.
Identitet og spesialisering. Gjør generalisten til en ekspert innenfor et definert domene – med bedriftens egne retningslinjer og faglig tyngde.
Nøkkelkort til systemene. Tilgang til bedriftens data i sanntid – med presise grenser for hva som er automatisk og hva som krever godkjenning.
Handler på egenhånd mot et mål. Kraftfullt – men krever gjennomtenkte grenser. Uten skinner sporer selv den beste kollegaen av.
Det er ikke ett konsept du skal lære. Det er fem lag – og hvert lag gir mening først når du forstår det under. Nå kjenner du alle fem.
Magnus Valmot er dataingeniør og AI-rådgiver i Dataviter. Han hjelper virksomheter med å gå fra data til verdi – ett lag om gangen.