AI-ordliste på norsk: 30 begreper SMB-eiere bør kjenne

En AI-agent er et program som tar en oppgave, planlegger stegene den trenger, kaller verktøy (e-post, regneark, API-er) for å utføre dem, og leverer et resultat — uten at en person må styre hver handling.

I praksis består en AI-agent av tre ting: en stor språkmodell som tar avgjørelser, et sett verktøy den kan kalle, og en løkke som lar den jobbe i flere steg. Den skiller seg fra en chatbot ved at den faktisk gjør noe — ikke bare svarer.

Et agentbasert system er en samling spesialiserte AI-agenter som samarbeider om en jobb. Én agent kan hente data, en annen analyserer, en tredje skriver svaret — i stedet for at én generell agent gjør alt.

En AI-arbeidsflyt er en kjede av steg der AI håndterer hvert steg automatisk — for eksempel: motta e-post → klassifisér → trekk ut data → opprett oppgave i CRM → send bekreftelse. Mennesket godkjenner kun unntak.

Agentisk AI betyr AI som handler på egne vegne i stedet for bare å svare på spørsmål. Forskjellen er aktiv vs. passiv: en chatbot venter på at du spør; en agentisk AI utfører oppgaver i bakgrunnen.

Flere AI-agenter med ulike spesialiteter som koordinerer for å løse en oppgave sammen. Brukes når én oppgave er for stor eller for variert til at en enkelt agent kan håndtere alt godt.

En agent som tar avgjørelser uten menneskelig godkjenning på hvert steg. Autonomien er som regel begrenset av regler (kan kun bruke disse verktøyene) og godkjenningsporter (krever bekreftelse før den sender penger eller e-post utenfor selskapet).

Verktøybruk er evnen en agent har til å kalle eksterne funksjoner — søke på nettet, lese fra en database, sende e-post, opprette en faktura. Det er forskjellen mellom en agent som kan tenke og en som kan handle.

En måte å la språkmodellen velge og kalle en spesifikk funksjon med riktige argumenter. Det er mekanismen som gjør verktøybruk mulig i praksis. OpenAI, Anthropic og andre tilbyr dette som et innebygd API.

Logikken som styrer hvilken agent gjør hva, i hvilken rekkefølge, og hvordan resultater flyter mellom dem. Tenk dirigent — orkestreringen er ikke en agent selv, men reglene som koordinerer dem.

En 'large language model' er en maskinlæringsmodell trent på store mengder tekst. Den kan skrive, sammenfatte, klassifisere og resonnere på naturlig språk. Eksempler: GPT-5, Claude 4.7, Gemini 2.5.

RAG er et mønster der AI-en henter relevant informasjon fra dine egne dokumenter eller database før den svarer. Brukes når du vil at agenten skal kunne ditt selskap, ikke bare det den ble trent på.

Instruksjonen du gir til en AI-modell. I praksis består en god prompt av en rolle (hvem AI-en skal være), kontekst (hva den jobber med), og en konkret oppgave.

Disiplinen å skrive prompts som gir konsistent gode resultater. Mindre 'tryll' enn mange tror — handler mest om å være presis, gi eksempler, og strukturere oppgaven.

Den maksimale mengden tekst (målt i tokens) en modell kan lese på én gang. Påvirker hvor mye dokumentasjon eller historikk en agent kan ta hensyn til i ett kall. Moderne modeller har 200k–1M tokens.

Den minste tekstenheten en språkmodell behandler — typisk en stavelse eller et kort ord. På norsk er ett ord ofte 1–2 tokens. Pris og kontekstgrenser regnes i tokens, ikke ord.

Når en AI-modell finner på noe som ser troverdig ut men er feil. Et reelt problem som håndteres med konkret kontekst (RAG), godkjenningsporter, og at agenten siterer kilder.

Å trene en eksisterende modell videre på dine egne eksempler så den blir bedre på en spesifikk oppgave. Mindre vanlig nå som kontekstvinduer er store nok til at man heller injiserer eksempler i prompten.

En tallrepresentasjon av tekst som fanger meningsinnholdet. Brukes til søk og likhetssammenligning — to dokumenter med liknende mening får liknende embeddings.

En database som lagrer embeddings og kan søke etter de mest like. Ryggraden i RAG-løsninger. Eksempler: Pinecone, Weaviate, pgvector (PostgreSQL-utvidelse).

Selve handlingen at modellen genererer et svar — i motsetning til trening. Når du betaler for AI-bruk, betaler du som regel for inferens, målt i tokens inn og tokens ut.

En åpen protokoll fra Anthropic for hvordan AI-agenter kobles til verktøy og datakilder. Lar deg gjenbruke samme integrasjon på tvers av ulike AI-klienter — Claude Desktop, Cursor, egne agenter.

Et designmønster der AI gjør forarbeid, men en person godkjenner før noe utføres. Brukes på alt utgående (e-post til kunder, fakturaer, betalinger) i alle Crunchtimes leveranser.

Når agenten gir oppgaven til et menneske fordi den er usikker, oppgaven faller utenfor reglene, eller noe står på spill (penger, juss, kundeforhold). Bra eskalering = færre feil i produksjon.

Komplett, tidsstemplet logg over hva agenten har gjort: hvilke verktøy den kalte, med hvilke argumenter, hva den fikk tilbake, hva den valgte. Kritisk for feilsøking, samsvar og tillit.

En tidsavgrenset, scope-avgrenset implementasjon av én konkret AI-arbeidsflyt for å bevise verdi før man skalerer. I Crunchtimes tilfelle: 3–5 uker, fast pris, levert med runbook.

Crunchtimes 1–2 ukers innledende oppdrag: vi går gjennom prosessene, identifiserer 3–5 kandidater for automatisering, scorer dem på timer spart, og leverer en prioritert plan. 15 000 NOK; krediteres mot pilot.

Mekanismen for å samle inn signaler om hvor godt agenten gjør jobben (godkjent vs. avvist, omarbeidet, klaget på) og bruke det til å forbedre den over tid. Uten tilbakekobling driver kvaliteten.

De skriftlige reglene for hva en AI-agent får og ikke får gjøre i bedriften — hvilke data den kan se, hvilke handlinger som krever godkjenning, hvem som er ansvarlig. Første leveranse i alle modne implementasjoner.

Systematiske skjevheter i hva modellen produserer — fordi treningsdataene var skjeve, fordi prompten styrer mot en bestemt vinkel, eller fordi feedback-signaler er skjeve. Måles og motvirkes, ikke ignoreres.

Et sett testtilfeller med kjent fasit som kjøres mot agenten regelmessig for å sjekke kvalitet. Som enhetstester, men for AI. Gjør det mulig å oppgradere modeller eller endre prompts uten å miste det som fungerte.