RAG, MCP och AI-agenter

Vad betyder de nya AI-begreppen?

20 okt. 2026

Fredrik Jutebrink

Skrivbordsmiljö med laptop, anteckningsblock och kopp, dekorerad med växter och begrepp som LLM, RAG och

AI utvecklas snabbt och nya begrepp dyker upp hela tiden. I den här artikeln går vi igenom några av de viktigaste koncepten som används för att bygga moderna lösningar och skapa verksamhetsnytta med AI.

För beslutsfattare innebär AI nya möjligheter, men också nya frågor om ansvar, säkerhet, kostnader och styrning. Du behöver inte förstå tekniken på djupet. Däremot är det bra att förstå vad de viktigaste begreppen innebär och hur de hänger ihop. Här reder vi ut några av dem.

Tre nivåer av AI

AI-assistent

Hjälper dig att hitta information, besvara frågor och skapa innehåll.

Assistenten utgår från de instruktioner den får och presenterar förslag, analyser eller sammanfattningar som du sedan kan granska och använda vidare.

En AI-assistent hjälper alltså människor att utföra arbetet, men utför inte själv några aktiviteter i verksamhetens system. Därför är den ofta ett första steg i organisationers AI-användning.

Exempel: Som verksamhetsansvarig ber du AI-assistenten att sammanfatta kundfeedback och lyfta fram de viktigaste förbättringsområdena. Du får ett beslutsunderlag, men det är fortfarande du som avgör vilka åtgärder som ska genomföras.

AI-agent

Utför uppgifter åt dig genom att använda flera system och verktyg.

Om du ber om ett underlag inför ett projektmöte kan agenten, beroende på behörigheter, hämta information från relevanta system, sammanställa status, identifiera viktiga förändringar och ta fram ett första utkast.

AI går därmed från att producera innehåll till att kunna bidra i arbetsprocesser. Det skapar möjligheter till effektivisering, men gör också frågor om behörigheter och ansvar viktigare.

Exempel: Som verksamhetsansvarig vill du ha bättre uppföljning av verksamheten. AI-agenten hämtar då information från flera system, sammanställer nyckeltal och tar fram en rapport med förslag på åtgärder som du kan granska och godkänna.

Agentisk AI

Driver arbetet mot ett mål och kan planera, fatta delbeslut och utföra flera steg för att uppnå ett mål.

En AI-assistent hjälper dig med information och innehåll. En AI-agent kan dessutom använda verktyg och system för att utföra uppgifter. Agentisk AI tar detta ett steg längre genom att själv kunna avgöra vilka aktiviteter som behöver genomföras, anpassa sig efter resultatet och driva arbetet framåt inom givna ramar.

Det skapar nya möjligheter till automatisering och effektivisering, men ställer också högre krav på styrning, behörigheter och kontroll.

Exempel: Som verksamhetsansvarig har du satt målet att minska handläggningstiderna. Agentisk AI följer upp verksamheten, identifierar flaskhalsar, avgör vilka åtgärder som bör prioriteras, genomför godkända aktiviteter och utvärderar löpande effekten för att nå målet.

LLM, RAG & MCP

Vad betyder de nya förkortningarna och vilket syfte har de i AI-världen?

LLM

Motorn bakom generativ AI

LLM står för Large Language Model, eller stor språkmodell.

Det är den typ av AI-modell som ligger bakom många av dagens AI-tjänster för att bland annat skriva, sammanfatta, analysera, resonera och bearbeta information.

En språkmodell har tränats på mycket stora mängder information och har lärt sig mönster och samband i språk.

Men språkmodellen vet inte automatiskt allt om just din organisation. Den känner exempelvis inte nödvändigtvis till företagets senaste projektdokument, produktinformation, instruktioner eller interna beslut.

Och det leder oss till nästa begrepp.

RAG

När AI behöver förstå er egen information

RAG står för Retrieval-Augmented Generation.

Enkelt uttryckt innebär det att AI:n hämtar relevant information innan den formulerar sitt svar.

Om en medarbetare frågar vilka rutiner som gäller för en reklamation kan AI:n, med hjälp av RAG, först söka i interna instruktioner, handböcker eller andra godkända källor och sedan basera sitt svar på den informationen.

Det är kraftfullt, men också en bra påminnelse om en gammal IT-sanning:

Dålig information blir inte automatiskt bra bara för att AI använder den.

MCP

Ett språk mellan AI och andra system

MCP (Model Context Protocol) är en standard som gör det enklare för AI-lösningar att ansluta till verksamhetens system och data.

Man kan likna MCP vid ett gemensamt språk mellan AI och andra system. När fler använder samma språk blir integrationer enklare att bygga, förvalta och vidareutveckla.

För verksamheten innebär det inte bara ökad flexibilitet och mindre leverantörsberoende. Det öppnar även för att olika användare kan välja olika AI-lösningar, samtidigt som de använder samma underliggande data och tjänster.

Så hänger begreppen ihop

Det kan kännas som en djungel av förkortningar, men det finns en logik bakom dem. Ett förenklat sätt att se det är:

LLM

Motorn som kan förstå, bearbeta och generera språk.

↓

RAG

Ger AI tillgång till relevant information från verksamheten.

↓

MCP och andra integrationer

Gör det möjligt att koppla AI-tillämpningar till information, verktyg och system.

↓

AI-agenten

Använder information och verktyg för att utföra uppgifter.

↓

AI-orkestrering

Samordnar flera modeller, agenter, verktyg och aktiviteter.

↓

Guardrails och styrning

Bestämmer vad lösningen får göra och under vilka förutsättningar. När flera av dessa delar kombineras börjar vi lämna den enkla chattboten bakom oss och närma oss AI som en integrerad del av verksamhetens processer.

Från idé till produktionsklar AI-lösning

Det är enkelt att skapa ett AI-koncept på några minuter.Vad krävs för att göra det användbart, driftsäkert och hållbart?

Möt Joakim som ger verksamhetsperspektiv på resan från idéfas till produktionsklara AI-lösningar.