Tools – hva skjer
når AI gjør noe?

Husker du da AI bare svarte på spørsmål? De dagene er forbi. Moderne AI-modeller kan nå handle på dine vegne – og nøkkelkonseptet bak det heter tools.

Denne artikkelen forklarer hva tools er, hvordan de fungerer under panseret, og – viktig – hvordan de skiller seg fra MCP som vi dekket i forrige sak.

Tenk på det som å ansette en assistent

I praksis: tools er funksjoner som AI-modellen kan velge å kalle på under en samtale. Modellen bestemmer selv om og når et tool er relevant – og kaller det med de parameterne den tror er riktige.

Hva er egentlig et tool?

Et tool er teknisk sett bare en funksjon med tre ting:

Når du sender en melding til en AI-modell som har tools tilgjengelig, går modellen gjennom en intern vurdering: «Kan jeg svare på dette direkte, eller trenger jeg å bruke et verktøy?» Hvis den bestemmer seg for å bruke et tool, returnerer den ikke tekst – den returnerer et «kall» med argumenter. Det er opp til applikasjonen å faktisk kjøre funksjonen og gi svaret tilbake til modellen.

Slik ser flyten ut

Legg merke til at AI-modellen selv ikke henter værmeldingen. Den sier bare «jeg vil bruke dette verktøyet med disse argumentene» – og overlater den faktiske kjøringen til koden rundt seg.

Tools du møter i praksis

Tools og MCP – hva er forskjellen?

Her er en av tingene som oftest forvirrer: tools og MCP høres ut som det samme, men de opererer på forskjellige lag. La oss rydde opp.

Konkret eksempel på samspillet

Forestill deg at du ber Claude: «Finn e-posten fra Kari og lag en oppgave i Notion basert på den.» Her skjer følgende:

Slik definerer du et tool i kode

La oss se på hvordan du faktisk sender tools til Claude via API. Her er et komplett eksempel som gir Claude tilgang til å sjekke løpsøkter:

import anthropic
import json

client = anthropic.Anthropic()

# Definér tools som en liste av dicts
tools = [
    {
        "name": "hent_treningsokt",
        "description": """Henter treningsøkter fra loggen.
        Bruk dette når brukeren spør om trening, løpeøkter,
        kondisjon eller treningshistorikk.""",
        "input_schema": {
            "type": "object",
            "properties": {
                "antall": {
                    "type": "integer",
                    "description": "Antall øktene å hente, standard 5"
                },
                "type": {
                    "type": "string",
                    "enum": ["løp", "sykling", "alle"],
                    "description": "Type økt å filtrere på"
                }
            },
            "required": []
        }
    }
]

# Simulert database-funksjon
def hent_treningsokt(antall=5, type="alle"):
    data = [
        {"dato": "2025-03-10", "type": "løp", "km": 12.4},
        {"dato": "2025-03-08", "type": "sykling", "km": 32.0},
    ]
    if type != "alle":
        data = [o for o in data if o["type"] == type]
    return json.dumps(data[:antall], ensure_ascii=False)

# Første kall til Claude
response = client.messages.create(
    model="claude-opus-4-5",
    max_tokens=1024,
    tools=tools,
    messages=[{
        "role": "user",
        "content": "Hva var de tre siste løpeturene mine?"
    }]
)

# Claude returnerer et tool-kall, ikke tekst
if response.stop_reason == "tool_use":
    tool_call = response.content[1]  # tool_use-blokken
    args = tool_call.input
    
    # Vi kjører funksjonen selv
    resultat = hent_treningsokt(**args)
    
    # Send resultatet tilbake til Claude
    final = client.messages.create(
        model="claude-opus-4-5",
        max_tokens=1024,
        tools=tools,
        messages=[
            {"role": "user", "content": "Hva var de tre siste løpeturene mine?"},
            {"role": "assistant", "content": response.content},
            {
                "role": "user",
                "content": [{
                    "type": "tool_result",
                    "tool_use_id": tool_call.id,
                    "content": resultat
                }]
            }
        ]
    )
    print(final.content[0].text)

Det viktige å se her: Claude returnerer ikke svaret direkte. Den sier «bruk dette tool med disse argumentene», vi kjører funksjonen, og sender resultatet tilbake. Først da formulerer Claude et svar til brukeren.

Slik skriver du gode tools

• ✍️
  Beskrivelsen er det viktigste. AI-en leser beskrivelsen for å avgjøre om den skal bruke toolet. Vag beskrivelse = feil bruk. Vær konkret om når det er relevant å kalle toolet, ikke bare hva det gjør.
• 🎯
  Navn som sier hva det gjør. hent_kundedata er bra. funksjon_1 er ubrukelig. AI-en bruker navnet som hint når den vurderer tools.
• 📐
  Bruk enum for begrensede valg. Hvis en parameter bare kan være tre ting, definer dem som en enum. Da kan ikke AI-en «finne på» ugyldige verdier.
• ↩️
  Returner strukturert data, ikke prosa. Tools bør returnere JSON eller tall – ikke «Her er svaret ditt: 12.4 km». La Claude formulere det endelige svaret basert på rådata.
• 🔢
  Hold toolsettet lite. Med for mange tools kan AI-en bli usikker og velge feil. Gi den 3–8 velfokuserte tools fremfor 30 overlappende.
• ⏱️
  Ha timeout og feilhåndtering. Tools kaller ofte eksterne tjenester. Sett alltid en timeout, og returner meningsfull feilmelding hvis noe går galt – ikke bare None.

Tools + MCP = AI som faktisk jobber

For å oppsummere det hele i én setning: tools er motoren, MCP er veien ut til verden.

Tools gir AI-en evnen til å handle. MCP gir den en standardisert måte å koble seg til alle systemene vi allerede bruker. Brukt sammen er dette det som gjør AI til en faktisk kollega – ikke bare en veldig rask søkemotor.

Neste gang du ser at Claude søker på nettet, kjører et regnestykke, eller oppretter en kalenderinvitasjon – nå vet du hva som skjer bak kulissene.

Magnus Valmot er dataingeniør og AI-rådgiver i Dataviter. Han hjelper virksomheter med å gå fra data til verdi – ett integrasjonspunkt om gangen.