Du mäter fel saker – och det är därför din AI-satsning misslyckas

Agenten är inte problemet – systemet är det

Det finns en utbredd missuppfattning i många svenska styrelserum just nu: att framgång med agentbaserad AI handlar om att välja rätt språkmodell. Köp den bästa, sätt den i drift, skörda frukterna. Men verkligheten är betydligt mer komplex – och mer intressant.

Enligt MIT Technology Review, som refererar till Intels genomgång av tusentals belastningstester, är agentbaserad AI i grunden ett systemproblem, inte ett modelleringsproblem. En AI-agent arbetar inte som ett enkelt fråga-svar-verktyg. Den planerar flerstegiga uppgifter, anropar externa verktyg, läser av resultat och försöker på nytt när något inte fungerar. Det innebär att prestandan beror på hela kedjan – uppgiftsstyrning, dataåtkomst, svarstider, säkerhetspolicyer och skalbar infrastruktur.

Det är ett paradigmskifte som kräver att vi slutar tänka på AI som en programvara vi installerar, och börjar tänka på det som en levande driftsprocess vi kontinuerligt underhåller och optimerar.

Mät rätt saker – annars mäter du ingenting

En av Intels tydligaste lärdomar handlar om mätning. De flesta företag fokuserar på hur bra den underliggande språkmodellen presterar i isolerade tester. Men det säger nästan ingenting om hur systemet fungerar i verklig drift.

Intel rekommenderar i stället att följa sex nyckeltal: andel framgångsrika uppgifter, kostnad per uppgift, tid per uppgift, genomflöde, agentäthet samt svarstid. Tillsammans ger dessa en rättvisande bild av systemets faktiska hälsa och skalbarhet.

Detta är en insikt som är direkt överförbar till svenska verksamheter. Alltför ofta ser jag organisationer som investerar i AI-lösningar och sedan utvärderar dem med fel måttstock – ofta mäts användarnöjdhet eller antal genomförda konversationer, snarare än operationellt värde och systemeffektivitet.

Tänk täthet, inte antal

Ett av de mest praktiska råden från Intel handlar om hur man dimensionerar sin miljö. Arkitekter och teknikansvariga har en tendens att räkna antalet agenter – men det är fel enhet. Det som verkligen spelar roll är agentäthet: antal agenter i förhållande till tillgänglig beräkningskapacitet.

Tio agenter på ett åttakärnigt system beter sig i princip identiskt med tjugo agenter på ett sexton-kärnigt system – om tätheten är densamma. Det ger ett mycket kraftfullare planeringsverktyg för den som vill skala upp sin agentmiljö utan att hamna i kapacitetsfällor.

Stordriftens logik – från Google till din serversal

Att infrastruktur är kritiskt är inte bara en lärdom för enskilda företag. Det syns tydligt på marknadsnivå. Google meddelade nyligen att företaget planerar att öka sina kapitalinvesteringar till hela 205 miljarder dollar, med hänvisning till explosionsartad efterfrågan på beräkningskapacitet. Enligt Construction Dive bekräftade Googles finansdirektör Anat Ashkenazi att utbyggnaden av datacenter och tillhörande hårdvara är en direkt respons på de kapacitetsbegränsningar som uppstått till följd av AI-tillväxten.

Det är ett häpnadsväckande tal – men det illustrerar en viktig poäng: även de allra största aktörerna kämpar med infrastrukturkapacitet. Om Google med sina resurser tvingas fyrdubbla sina investeringar för att hänga med, bör svenska företag ta det som en tydlig signal om vad som krävs för att agentbaserade system ska fungera i skala.

Vad betyder detta för svenska företag?

Det praktiska rådet är inte att alla måste bygga ut egna datacenter i Googles skala. Men det innebär att svenska verksamheter som planerar att driftsätta agentbaserade AI-system behöver:

• Investera i infrastrukturkompetens – inte bara i AI-kompetens
• Etablera rätt mätramverk från dag ett, innan systemen är i full drift
• Planera för skalning baserat på täthet, inte på råa agentantal
• Tänka i system, inte i modeller

De företag som lyckas med AI-omställningen de kommande åren kommer inte vara de som valt den bästa modellen. De kommer vara de som byggt den bästa miljön för agenter att verka i.