Hopp til hovedinnhold

Utvikling av AI-agenter

Schjønhaug AS i Oslo utvikler AI-agenter for bedrifter: språkmodeller som bruker verktøy for å fullføre oppgaver i flere steg, med avgrensede tilganger, målbar kvalitet og drift som tåler hverdagen.

Håndtegnet illustrasjon for AI-agenter og LLM

Verktøy og rammeverk vi bruker

  • Claude Agent SDK
  • Anthropic API
  • OpenAI Responses API
  • Azure AI Foundry
  • Model Context Protocol (MCP)
  • Strukturerte svar og JSON-skjema
  • Playwright MCP
  • Stagehand
  • TypeScript og Zod
  • Evaluering og guardrails

Hvem bygger AI-agentene?

Schjønhaug AS er et utviklingsstudio i Oslo, startet i 2014, med erfarne utviklere som har levert til NRK, Posten, Trumf, Kahoot og politiet. Vi bygger AI-agenter og integrasjoner med språkmodeller selv, fra første pilot til drift, og jobber tett med dem som skal bruke agenten.

Hva en AI-agent er — og hva den ikke er

En AI-agent er en språkmodell som kan bruke verktøy for å fullføre en oppgave: lese et dokument, slå opp i et system, styre en nettleser eller lage et utkast som et menneske godkjenner. Det som skiller en agent som virker fra en som imponerer i en demo, er sjelden modellen. Det er verktøyene den får, grensene rundt dem og hvordan kvaliteten måles.

Vi har bygget en AI-assistent for et utviklingsteam som gjennomgår pull requests og skriver utkast til endringslogger, en personlig assistent-agent som jobber over iMessage og e-post med tilgang til verktøy, og en agentisk assistent for regnskapsarbeid med revisjonsspor og integrasjoner som bare har lesetilgang.

Arkitekturen bak en agent som tåler drift

  • Smale, typede verktøy. Hvert verktøy gjør én ting, har et tydelig skjema og validerer input med Zod eller tilsvarende. Vi eksponerer dem gjerne som MCP-servere, slik at de kan gjenbrukes av flere agenter og klienter.
  • Strukturerte svar. Agenten svarer i et definert JSON-format i stedet for fritekst der resultatet skal brukes videre, for eksempel som kommentarer i en pull request.
  • Modellen bak et grensesnitt. Kall til Claude, OpenAI og Azure AI Foundry går gjennom ett lag, slik at modell kan byttes og sammenlignes uten å endre agentlogikken.
  • Evaluering som kode. Et sett med reelle eksempler kjøres ved hver endring i instruksjoner eller modell, slik at vi ser om kvaliteten går opp eller ned.
  • Logging, kostnad og godkjenning. Hvert verktøykall logges med input og resultat, tokenbruk følges per oppgave, og handlinger som endrer noe venter på et menneske.

Slik bygger vi en AI-agent

  1. Én oppgave. Vi velger sammen én konkret arbeidsoppgave der agenten kan spare tid, og blir enige om hvordan vi måler om den lykkes.
  2. Avgrensede tilganger. Agenten får bare verktøyene og dataene oppgaven krever, og starter med lesetilgang.
  3. Bygge og evaluere. Vi bygger agenten og tester den på reelle eksempler fra dere før den tas i bruk.
  4. I drift. Agenten tas i bruk med logging, kostnadsoppfølging og godkjenning før den endrer noe, og vi forbedrer den ut fra hvordan den brukes.

Hva koster det?

Arbeidet faktureres per time. Hva agenten koster totalt, avhenger av oppgaven, hvor mange systemer den skal kobles mot og hvor mye som må evalueres før den tas i bruk. Vi starter med en kort samtale om oppgaven dere vil løse.

Claude, OpenAI og Azure AI Foundry

Vi jobber med Claude via Anthropic API og Claude Agent SDK, med OpenAI Responses API og med både OpenAI- og Anthropic-modeller deployet i Azure AI Foundry. Foundry er et godt valg når dataene må behandles innenfor virksomhetens egen skyavtale og tilgangsstyring. For agenter som må bruke nettsider, har vi erfaring med nettleserautomatisering via Playwright MCP og Stagehand.

Er dere fortsatt i fasen der dere vurderer hvor AI kan gi verdi, er tjenesten AI og automatisering et bedre sted å starte.

Typiske oppdrag

Agenter i utviklingsflyten

Gjennomgang av pull requests og utkast til endringslogg, kjørt i teamets CI og vurdert av utviklerne før noe publiseres.

Assistenter med verktøy

Agenter som leser e-post, slår opp i systemer og foreslår handlinger, med lesetilgang som standard og godkjenning før noe endres.

MCP-servere for egne systemer

Kontrollerte verktøy som lar Claude, ChatGPT og interne agenter bruke virksomhetens API-er og data, med tilgangsstyring og logging.

Fra prototype til drift

Vi tar en agent som virker i en demo, og gir den evaluering, feilhåndtering, kostnadskontroll og observasjon slik at den kan brukes hver dag.

Vanlige spørsmål

Hva er forskjellen på en AI-agent og en chatbot?

En chatbot svarer på spørsmål. En agent kan i tillegg bruke verktøy — slå opp data, kalle API-er eller styre en nettleser — for å fullføre en oppgave i flere steg.

Hvilke språkmodeller bruker dere?

Vi bruker blant annet Claude fra Anthropic og modeller fra OpenAI, direkte eller via Azure AI Foundry. Vi bygger agentene slik at modellen kan byttes uten å skrive om resten av løsningen.

Hvordan hindrer dere at agenten gjør noe galt?

Agenten får så få og så smale verktøy som mulig, starter med lesetilgang, og alle handlinger logges. Endringer krever menneskelig godkjenning, og vi evaluerer agenten på reelle eksempler før den tas i bruk.

Hvor behandles dataene?

Der dere bestemmer. Vi kan bruke modeller fra OpenAI og Anthropic gjennom Azure AI Foundry, slik at dataene behandles innenfor virksomhetens egen skyavtale og tilgangsstyring, eller kalle modellene direkte når det passer.

Hva koster en AI-agent?

Arbeidet faktureres per time. Hva agenten koster totalt, avhenger av oppgaven, hvor mange systemer den skal kobles mot og hvor mye som må evalueres før den tas i bruk.

Del av tjenesten: AI og automatisering

Trenger dere hjelp med AI-agenter og LLM?

Fortell kort om produktet, teamet eller systemet. Vi svarer med et konkret forslag til neste steg — enten det er en hel leveranse, senior kapasitet i teamet eller tekniske råd.

E-postadressen og meldingen brukes bare til å svare på henvendelsen din.

Telefon
920 50 946
Sted
Oslo, Norge