När AI får händer: AI-agenter och förtroende i vardagen

Jag har arbetat som utvecklare i många år, men inget år har förändrat min vardag så mycket som det senaste. För ett år sedan skrev jag fortfarande koden själv. Idag beskriver jag vad som ska göras och det mesta av utförandet ligger hos ett antal AI-agenter.

Det är ingen unik resa, många utvecklare har gjort den. Och vi tror att den som arbetar med produktdata, e-handel och liknande processer står på tröskeln till samma resa.

Tänk dig en vanlig situation; en kund mejlar och skriver att vikten på en produkt i webbshoppen är fel. Mejlet hamnar i en gemensam inkorg där någon till slut förstår att det gäller produktdata och skapar ett ärende. Ärendet ska vidare till rätt person som ska hitta artikeln i PIM-systemet, kontrollera värdet mot leverantörens underlag och rätta det. Själva rättelsen tar en halv minut. Vägen dit kan ta en vecka.

Vi återkommer till det mejlet. Men först: vad har hänt hos utvecklarna?

Utvecklarna gick först: från förslag till team

Utvecklarnas verktyg är ett bra fönster mot framtiden, eftersom de ofta får ny teknik först. Resan har gått i fyra steg:

1. Autokomplettering. AI:n föreslog nästa rad kod, ungefär som när telefonen föreslår nästa ord. Kontrollen var total och nyttan märkbar, men begränsad.
2. Agenten. I stället för en rad kunde AI:n ta sig an en hel uppgift: läsa koden, ändra i flera filer, testa och rätta sina egna fel. Utvecklaren gick från att skriva till att beskriva och granska.
3. Flera agenter parallellt. En rättar ett fel, en annan bygger en funktion och en tredje skriver dokumentation. Utvecklaren blev mer arbetsledare än hantverkare.
4. Ett team av personliga assistenter. Idag har jag agenter som delar ett gemensamt minne, känner till mina projekt och hur jag vill ha saker gjorda och arbetar direkt i de system jag har gett dem tillgång till.

Jag är längre från koden än någonsin, och agenterna är mer självständiga än någonsin. Systemen finns kvar, men jag behöver inte navigera i dem lika ofta.

‍

Var står vi idag?

Bland utvecklare har det gått fort. I JetBrains Developer Ecosystem Survey 2026, med över 15 000 svarande, använde 90 % av utvecklarna AI-kodagenter i arbetet minst varje vecka under maj till juli 2026, och 68 % varje dag. Förtroendet har däremot inte följt med lika långt. I Stack Overflows Developer Survey 2026, med över 30 000 svar, litar nästan hälften (48 %) på AI när de enkelt kan kontrollera resultatet. Bara 6,6 % litar på den även för viktiga beslut.

Agenterna har alltså redan flyttat in i utvecklarnas vardag, men förtroendet förtjänas fortfarande uppgift för uppgift. Det som avgör hur långt man går är sällan vad tekniken klarar av. Det är i förtroendet det ligger.

Vi ser samma mönster i organisationer som arbetar med produktdata. De flesta använder AI för att skriva texter, sammanfatta och svara på frågor. Få har låtit den göra något i systemen. Det är ett rimligt utgångsläge, men det är inte där resan slutar. Hur man tar nästa steg skrev vi om i Så blir AI en användbar resurs i er produktresa.

‍

Förtroende och förmåga växer tillsammans

Utvecklarnas resa drevs inte bara av att verktygen blev bättre. Den drevs av att de förtjänade förtroende, ett steg i taget. Varje gång en AI visar vad den klarar av får den lite mer förtroende. Med mer förtroende får den mer tillgång och med mer tillgång kan den göra mer.

Många gör det svårare än det behöver vara. Antingen väntar man på att AI ska bli felfri innan man släpper in den eller så ger man den tillgång till allt på en gång. Inget av det fungerar. Förtroende för en AI byggs som för en ny kollega: i små steg, genom att se vad den gör och hur den gör det. Vi pratar mer om det i poddavsnittet Rekrytera en AI till teamet.

‍

Vad betyder det att ge AI händer?

En AI utan händer kan bara arbeta med det man klistrar in i chatten. Den kan formulera ett svar till kunden, men inte öppna ärendet eller rätta värdet i PIM-systemet. Att ge AI händer betyder att koppla den till de system där arbetet faktiskt sker: inkorgen, ärendehanteringen, PIM, ERP och e-handeln.

Det som har gjort det möjligt i bred skala är MCP (Model Context Protocol), en öppen standard för att koppla AI till systemens verktyg och data. MCP lanserades av Anthropic i november 2024 och förvaltas sedan december 2025 av Agentic AI Foundation inom Linux Foundation, som Anthropic, OpenAI och Block grundade tillsammans. Ingen enskild leverantör äger alltså standarden.

Enkelt uttryckt fungerar MCP som en gemensam meny. Varje system beskriver för AI:n vad som finns och vad som går att göra, till exempel "sök produkt", "läs värde" eller "föreslå ändring". Systemet bestämmer själv vad som står på menyn, och AI:n behöver inte lära sig varje system från grunden. Vi skrev mer om MCP och de andra byggstenarna i kunskapsinlägget Har vi använt AI på fel sätt?

Från inkorg till rättad produkt

Tillbaka till mejlet om den felaktiga vikten. Med agenter som har rätt händer kan flödet se helt annorlunda ut:

1. En agent läser den gemensamma inkorgen, förstår att mejlet gäller en felaktig produktuppgift och skapar ett ärende kopplat till rätt artikel.
2. En människa godkänner att det ska åtgärdas.
3. En annan agent hittar artikeln, jämför värdet med leverantörens underlag och föreslår en rättelse.
4. Människan bekräftar och ändringen hamnar där den hör hemma.

Ingen av agenterna gör något magiskt. Varje steg är något en människa gör idag. Skillnaden är att ingen behöver leta, vänta eller skicka vidare, samt att människan finns kvar där ett omdöme behövs.

‍

Trappan: så ger man AI-agenter mer ansvar

Hur ger man AI mer ansvar utan att tappa kontrollen? Vi tror på en trappa i tre steg, där varje steg ger nytta i sig:

1. Låt AI läsa: Den kan hitta, sammanställa och förklara, men inte ändra något. Redan här försvinner mycket av letandet.
2. Låt AI föreslå: AI:n föreslår en åtgärd och en människa bekräftar. Här byggs förtroendet, eftersom man ser hur ofta den har rätt.
3. Låt AI agera: När förslagen håller får AI:n hantera utvalda uppgifter på egen hand, inom tydliga ramar och med full spårbarhet.

Det är samma trappa som utvecklarna vandrat i: från förslag på nästa rad, till granskade ändringar, till agenter som arbetar självständigt med det de har visat att de klarar.

‍

AI-agenter i ett PIM-system: så ser trappan ut i praktiken

På Fiwe har vi bland annat byggt verktyg som låter AI-agenter arbeta i Informatica PIM via MCP. De ger den AI-assistent man redan använder möjlighet att söka, läsa och kontrollera produktdata, och med godkännande även ändra den.

Verktygen är inte lanserade än, men i labbet blir trappan väldigt konkret. Låt oss titta på exemplet utifrån de tre trappstegen:

Läsa: Den som får kundens mejl kan fråga sin AI-assistent: "Stämmer vikten på den här produkten?" Agenten hittar artikeln, visar värdet, jämför det med leverantörens underlag och förklarar skillnaden. Letandet försvinner, men rättelsen gör man fortfarande själv.

Föreslå: När agenten också får föreslå ändringar händer något. Den tar fram rättelsen av vikten, men också saknade värden på många artiklar på en gång eller rätt kategori för nya produkter. Agenten visar exakt vilket fält som ändras, från vilket värde och till vilket, och inget skrivs förrän en människa har bekräftat. Kundens mejl går från att vara början på en vecka av ärenden till en färdig rättelse som bara väntar på ett ja. Och varje bekräftad rättelse som visar sig vara rätt bygger förtroende.

I våra verktyg sker det steget alltid med godkännande. Agenten visar exakt vilket fält som ändras, från vilket värde och till vilket, och inget skrivs förrän en människa har bekräftat. Varje bekräftad rättelse som visar sig vara rätt bygger förtroende.

Agera: När förslagen har hållit över tid kan agenten få hantera utvalda uppgifter på egen hand. Ett naturligt första exempel är att fylla i värden som saknas i PIM men redan finns i leverantörens underlag: agenten gör ändringen direkt, loggar den och flaggar bara avvikelser för en människa. Allt annat, som att skriva över ett befintligt värde, går fortfarande via ett godkännande. Människan går från att bekräfta varje ändring till att granska undantagen.

Det vi lär oss i labbet är att det svåra sällan är tekniken. Det svåra är att bestämma vad agenten ska få göra och när.

‍

Förutsättningen: data som agenter kan lita på

En människa som ser ett konstigt värde kan eventuellt läsa mellan raderna och förstå att något är fel. En agent tar däremot ofta datan mer bokstavligt. Säger leverantörens underlag, PIM och ERP olika saker om samma artikel blir det antingen ett stopp i processen eller ett felaktigt val, snabbt och i stor skala. Därför ställer AI-agenter högre krav på datan än människor gör:

Organisationer som redan har ordning på sin masterdata och sin governance kan ta sig an trappan mycket snabbare eftersom förtroendet för agenten börjar i förtroendet för datan.

‍

Det finns risker, men vad kostar det att stå still?

Det vore fel att låtsas att det här är riskfritt. En AI som kan ändra i ett system kan också ändra fel. Den som ger AI händer behöver tydliga ramar för vad den får göra, loggning av allt den gör och en människa i loopen, åtminstone i början.

Men det finns en risk som sällan räknas: risken att inte göra resan alls. När nio av tio utvecklare använder kodagenter varje vecka är det inte längre ett experiment, utan ett nytt sätt att arbeta. Frågan är inte om samma skifte når produktdata och processer, utan vem som tar stegen först.

‍

Kom igång med AI-agenter: börja där det inte kan gå fel

Vi tror att allt fler kommer att arbeta med sina system som många utvecklare redan arbetar med kod: man beskriver, granskar och beslutar – och agenterna utför. Mejlet om den felaktiga vikten blir då inte ett ärende som vandrar runt i en vecka, utan en rättelse som väntar på ett godkännande.

Vill ni utforska vad AI-agenter kan göra i era system? Hör av er, så tar vi gärna ett samtal.