Innholdsfortegnelse
Du har sannsynligvis hørt en leverandør si at de leverer «AI-agenter» til salg. Det ordet har ingen rettslig betydning i EU. Det betyr ikke at agenten er uregulert, det betyr at du må finne ut selv hvilken kategori den faller i. Denne gjennomgangen bygger på en fersk regulatorisk kartlegging publisert på arXiv, som systematisk kobler AI-agenter til AI-forordningen og tilgrensende EU-regelverk.
| Seksjon | Det du sitter igjen med |
|---|---|
| Hva en AI-agent faktisk er | De funksjonelle kjennetegnene som skiller en agent fra et vanlig AI-verktøy |
| Derfor finnes ikke ordet «agent» | Hvorfor begrepet er markedsføring, ikke jus |
| Regelverket treffer systemet | Hvorfor arkitekturvalg ikke fjerner plikter |
| Autonom prospektering i praksis | Hvor i salgsprosessen autonomien faktisk oppstår |
| Tolv steg for samsvar | Compliance-arkitekturen oversatt til salgshverdag |
| Ukontrollert atferdsdrift | Konklusjonen som kan stoppe høyrisiko-agenter |
| Tersklene for leverandørrolle | Når du selv blir ansvarlig leverandør |
| Markedskartleggingen | Hva bredden av AI-verktøy sier om modenhet |
| Krav til leverandøren | Konkrete spørsmål du stiller før pilot |
| Vanlige feil | Fellene salgsteam går i først |
| FAQ og anbefaling | Korte svar og vår konklusjon |
Hva en AI-agent faktisk er ifølge forskningen
Start med definisjonen, for den avgjør resten. Kartleggingen på arXiv beskriver en AI-agent som et AI-system som oppfyller den vanlige systemdefinisjonen, og som i tillegg viser bestemte funksjonelle egenskaper: planlegging, verktøykall, autonom utførelse, samhandling med omgivelsene og tilbakemeldingsdrevet tilpasning. Det er ikke en ny rettslig kategori. Det er en beskrivelse av oppførsel.
Legg merke til hva som ikke står der. Ingenting om modellstørrelse, ingenting om leverandør, ingenting om hvorvidt løsningen kalles «copilot», «assistent» eller «agent» i markedsføringen. Analysen på arXiv knytter kategorien til hva systemet gjør, ikke til hva det heter.
Kjennetegnene som skiller agent fra verktøy
Et vanlig AI-verktøy i salgsstacken svarer når du spør. Du limer inn en LinkedIn-profil, får forslag til en åpningslinje, og bestemmer selv om den skal sendes. Agenten gjør noe annet: den setter opp en plan, kaller verktøy på egen hånd, utfører handlinger uten at du trykker på noe, leser resultatet og justerer neste trekk. Arbeidet på arXiv peker nettopp på denne kombinasjonen av planlegging og tilbakemeldingsdrevet tilpasning som det som gjør agenten regulatorisk interessant.
| Funksjonelt kjennetegn | Vanlig AI-verktøy i salg | Agent i salg |
|---|---|---|
| Planlegging | Du bestemmer rekkefølgen | Systemet bestemmer rekkefølgen |
| Verktøykall | Du kobler manuelt mot CRM | Systemet kaller CRM, e-post og kalender selv |
| Autonom utførelse | Handling krever klikk | Handling skjer uten godkjenning |
| Samhandling med omgivelsene | Isolert i et grensesnitt | Leser og skriver til flere systemer |
| Tilpasning | Statisk oppførsel | Endrer oppførsel basert på respons |
Poenget for deg er praktisk. Hvis leverandøren beskriver alle disse egenskapene i salgsmøtet, har de også beskrevet et system som krever mer dokumentasjon enn en skrivehjelp gjør. Det er lettere å ta den samtalen før kontrakten enn etter.
Forskjellen på en chatbot og en agent i salgsstacken
Mange salgsavdelinger tror de har agenter fordi de har koblet en språkmodell til CRM-et. Ofte har de bare automatisert et felt. En chatbot som oppsummerer et møtereferat er ikke en agent, selv om den bruker den samme modellen. Det er den autonome utførelsen som flytter systemet over grensen, ifølge definisjonen som brukes på arXiv.
Motsatt: en tilsynelatende enkel sekvensmotor kan være en agent hvis den selv velger hvem som skal kontaktes, når, og med hvilket budskap, og deretter endrer strategi basert på svarene. Etiketten i produktarket avgjør ingenting. Vi ser dette igjen i praksis når team skal rulle ut AI-drevet prospektering i full skala og oppdager at ansvarslinjene ikke er avklart.
Hvorfor definisjonen betyr noe for deg som salgsleder
Definisjonen er ikke akademisk pynt. Den avgjør hvilke spørsmål innkjøp, jurist og personvernansvarlig kommer til å stille deg, og hvor lang tid det tar fra du signerer til agenten er i drift. Team som kan svare på hva systemet planlegger, hvilke verktøy det kaller og hvordan det tilpasser seg, kommer raskere gjennom en intern vurdering.
Det er også et forhandlingskort. Når du kan beskrive løsningen med de samme kategoriene som den regulatoriske kartleggingen på arXiv bruker, blir det tydelig hvilke svar leverandøren mangler.
Derfor finnes ikke ordet agent i EU AI Act
Dette er den mest siterbare setningen fra hele arbeidet: begrepet «agent» har ingen rettslig definisjon i EU AI Act. Det slår arXiv-gjennomgangen fast direkte. Forordningen regulerer AI-systemer, og den gjør det uavhengig av hvilket ord bransjen bruker om dem det året.
Konsekvensen er tosidig. Du kan ikke slå opp «agent» og finne pliktene dine. Og leverandøren kan ikke bruke ordet som et skjold, fordi fraværet av en definisjon ikke betyr fravær av regulering.
Et markedsføringsord, ikke et rettslig begrep
«Agentisk» har blitt en salgsvinkel. Det signaliserer at produktet gjør mer enn å foreslå tekst, og det rettferdiggjør høyere pris. Men siden arXiv-forfatterne viser at ordet ikke har rettslig innhold, sier det ingenting om hvilke krav som følger med. To produkter som begge kaller seg agenter kan havne i vidt forskjellige kategorier.
Praktisk grep: be leverandøren beskrive systemet uten å bruke ordet agent. Hvis beskrivelsen kollapser til «vi genererer tekstforslag», har du kjøpt et skriveverktøy. Hvis den fortsatt inneholder selvstendig planlegging og handling, har du kjøpt noe som må dokumenteres deretter.
Ordbruk i kontrakt versus ordbruk i pitch
Pitchen sier autonomi fordi det selger. Kontrakten sier ofte «beslutningsstøtte» fordi det ansvarliggjør mindre. Den avstanden er verdt å lese høyt i et møte. Be om at kontrakten beskriver de samme funksjonene som demoen viste, med de samme ordene.
Dette er samme mekanisme som når team møter motstand internt. Kulturelle og organisatoriske hindre er ofte det som faktisk stopper utrullingen, noe vi har skrevet om i gjennomgangen av hvorfor kulturen bremser AI-agenter i norsk B2B-salg. Uklar ordbruk mellom pitch og kontrakt gir næring til nettopp den motstanden.
Regelverket treffer AI-systemet, ikke arkitekturen
Neste kjernepåstand fra arXiv-analysen: AI-forordningen regulerer AI-systemer, ikke arkitekturmønstre. Det høres teknisk ut, men det avgjør en veldig praktisk diskusjon.
Diskusjonen går som regel slik: leverandøren forklarer at løsningen er satt sammen av flere små komponenter, at ingen av dem alene gjør noe farlig, og at ansvaret derfor er fordelt. Kartleggingen på arXiv gir ikke støtte til den logikken. Det er systemet slik det møter virkeligheten som vurderes.
Arkitektur er ikke et fribillett
Å splitte en agent i en planleggerkomponent, en verktøykomponent og en utførelseskomponent gjør ikke oppgaven mindre regulert. Det gjør den bare vanskeligere å dokumentere. Når arXiv-arbeidet understreker at det er AI-systemet som treffes, betyr det at oppdelingen først og fremst er et internt problem for deg som skal føre bevis.
For salgsavdelingen er dette en fordel å kjenne til. Du trenger ikke sette deg inn i leverandørens arkitektur for å vurdere risiko. Du trenger å vite hva systemet samlet sett kan gjøre mot en kunde uten at et menneske griper inn.
Multi-agent-oppsett endrer ikke pliktene
Flere leverandører selger nå oppsett der en «forsker-agent» finner selskaper, en «skribent-agent» lager budskapet og en «utsender-agent» håndterer sekvensen. Det er en fin illustrasjon, men det er fortsatt ett system som sender e-post til en navngitt person i et norsk selskap.
Vurder oppsettet fra mottakerens side. Mottakeren ser en e-post. Mottakeren kan klage. Da hjelper det ikke at ansvaret internt er fordelt på tre komponenter. Den systematiske kartleggingen på arXiv plasserer vurderingen på systemnivå, og det er også der klagen lander.
Har du i tillegg behandling av personopplysninger i prospekteringen, gjelder personvernsporet i parallell. Vi har gått gjennom rammene for det i artikkelen om hva GDPR tillater i B2B-prospektering, og de vurderingene forsvinner ikke fordi arbeidet er automatisert.
Autonom prospektering og møtebooking i praksis
La oss gjøre dette konkret for en norsk B2B-avdeling. Du har en agent som skanner en bransjeliste, beriker kontaktdata, skriver en åpner, sender den, leser svaret, foreslår tidspunkt og booker møtet i kalenderen. Hvert av disse stegene finnes allerede som produkt. Satt sammen har du et system som viser alle kjennetegnene arXiv-arbeidet bruker for å identifisere en agent.
Spørsmålet er ikke om dette er lov. Spørsmålet er hva du kan dokumentere når noen spør hvorfor en bestemt e-post gikk til en bestemt person.
Fra listebygging til sendt e-post uten menneske
Autonomien snik-innføres som regel. Først godkjenner selgeren hver e-post. Så godkjenner selgeren batcher. Så godkjenner selgeren bare avvik. Til slutt godkjenner ingen noe, fordi volumet gjør det upraktisk. Ingen tok en beslutning om å gå fra assistanse til autonomi, men systemet er et annet enn det som ble kjøpt inn.
Dette er verdt å skrive inn i rutinen: hvert trinn der et menneske fjernes fra loopen er en endring i systemets risikoprofil. Grunnleggende oppsett og arbeidsflyt for dette har vi beskrevet i guiden til AI-støttet B2B-prospektering.
Møtebooking og kalenderhandlinger
Møtebooking er stedet der agenten går fra å produsere tekst til å utføre handlinger i verden. Den skriver i en kalender, sender en invitasjon, oppdaterer et CRM-felt og utløser kanskje en påminnelse. Det er verktøykall og autonom utførelse i den formen arXiv-kartleggingen beskriver.
Praktisk konsekvens: logg må dekke handlingene, ikke bare tekstgenereringen. Mange leverandører logger prompts og svar, men ikke hvilke eksterne kall som faktisk ble utført. Det er et hull du oppdager først når du trenger loggen.
Autonomi er et driftsvalg, ikke bare et verktøyvalg
Vår erfaring er at autonomi behandles som en produktegenskap, mens det i praksis er et driftsvalg. Jo mer agenten planlegger og handler på egen hånd, jo mer må du kunne dokumentere i ettertid. Det er en avveining mellom kapasitet og bevisbyrde, og den bør tas bevisst av salgsledelsen, ikke implisitt av den som konfigurerer verktøyet.
| Autonominivå | Hva agenten gjør selv | Hva du må kunne dokumentere |
|---|---|---|
| Assistert | Foreslår tekst og segmenter | Hvilke data som ble brukt i forslaget |
| Halvautonom | Bygger sekvens, mennesket godkjenner batch | Hvem som godkjente hva, og når |
| Autonom | Velger mottaker, budskap og tidspunkt selv | Full rekonstruksjon av hver enkelt handling |
| Autonom med tilpasning | Endrer strategi basert på respons | Endringshistorikk for atferd over tid |
Merk siste rad. Det er der de fleste piloter faktisk havner, og det er også der dokumentasjonsbehovet vokser raskest.
Tolv steg for samsvar oversatt til salgshverdagen
Arbeidet på arXiv foreslår en praktisk compliance-arkitektur bestående av tolv sekvensielle steg for leverandører av AI-agenter. Du er sannsynligvis ikke leverandør, men stegene er nyttige som ryggrad i en innkjøpssamtale: de forteller deg hvilke svar leverandøren burde ha klare.
Under har vi gruppert dem i faser og oversatt dem til det språket en salgsavdeling faktisk bruker. Rekkefølgen i tabellen er vår forenkling, ikke en gjengivelse av nummereringen i kildedokumentet.
Fra papir til pipeline
| Fase | Hva det betyr i salgsavdelingen | Spørsmål til leverandøren |
|---|---|---|
| Avklare hva systemet er | Er dette et AI-system, og hvilken rolle har vi | Er dere leverandør, og er vi bare bruker? |
| Klassifisere risiko | Hvor i risikobildet havner bruken vår | Hvilken klassifisering har dere lagt til grunn? |
| Styre data | Hvilke kontaktdata mates inn og hvorfra | Hvilke kilder beriker dere fra? |
| Dokumentere teknisk | Finnes det underlag vi kan vise internt | Kan vi få teknisk dokumentasjon utlevert? |
| Sikre menneskelig kontroll | Hvor kan vi stoppe agenten | Finnes nødbrems per sekvens, ikke bare globalt? |
| Logge og spore | Kan vi rekonstruere en enkelthandling | Hvor lenge lagres logg, og hvem får se den? |
| Overvåke etter lansering | Hvem oppdager at oppførselen endrer seg | Hvordan varsles vi om atferdsendring? |
| Håndtere avvik | Hva skjer når noe går galt | Hva er varslingsfristen deres mot oss? |
Ingen salgsleder skal måtte lære seg hele apparatet. Men det å komme til et innkjøpsmøte med disse spørsmålene endrer dynamikken. Du får raskt vite om leverandøren har tenkt på dette, eller om de improviserer.
Stegene som treffer salgsavdelingen hardest
To av fasene merkes direkte i hverdagen. Menneskelig kontroll betyr at noen må kunne stanse en pågående sekvens uten å ta ned hele systemet. Logging betyr at du må kunne peke på hvorfor akkurat denne mottakeren fikk akkurat denne e-posten på akkurat dette tidspunktet.
Resten er som regel leverandørens ansvar. Men arXiv-arbeidet understreker at samsvar er en kjede, og kjeden brytes der noen antar at noen andre har tatt seg av det.
Hvem eier stegene internt
I norske SMB-er finnes sjelden en egen AI-ansvarlig. Da må eierskapet fordeles eksplisitt: salgsledelsen eier bruksbeslutningen og autonominivået, den som administrerer CRM eier integrasjonene og loggtilgangen, og ledelsen eier leverandøravtalen. Skriv det ned på en side.
Uten en slik fordeling ender diskusjonen i at ingen tør å starte, eller at alle starter uten å spørre. Begge deler er dyrere enn en times avklaring.
Ukontrollert atferdsdrift kan stoppe agenten din
Den skarpeste konklusjonen i arXiv-analysen er denne: agentiske høyrisikosystemer med usporbar atferdsdrift kan per i dag ikke oppfylle de vesentlige kravene i AI-forordningen. Det er en hard setning, og den er verdt å ta med i leverandørsamtalen ordrett.
For salg betyr det at usporbarhet ikke er en akseptabel egenskap ved en autonom løsning. Det er en blokkering.
Hva atferdsdrift betyr i en outbound-sekvens
Atferdsdrift er når systemet gradvis begynner å gjøre noe annet enn det gjorde i uke en. Agenten oppdager at en bestemt formulering gir flere svar, og skalerer den. Den lærer at et bestemt segment svarer raskere, og vrir volumet dit. Ingen har bedt om endringen, og ingen ser den før tallene ser rare ut.
Dette er nettopp tilbakemeldingsdrevet tilpasning, den egenskapen kartleggingen på arXiv trekker fram som definerende for agenter. Egenskapen som gir verdi er den samme som skaper dokumentasjonsbehovet.
Konklusjonen om høyrisikosystemer
Ikke all salgsbruk er høyrisiko. Kald prospektering mot bedriftskontakter havner normalt ikke der. Men konklusjonen fra arXiv-arbeidet er likevel et nyttig prinsipp: hvis du ikke kan rekonstruere hvorfor systemet gjorde noe, mangler du grunnlaget for å forsvare det.
Bruk det som en intern målestokk uavhengig av klassifisering. Sporbarhet er billig å kreve før kjøp og dyrt å bygge inn etterpå.
Logg som forutsetning for pilot
Vårt råd er enkelt: krev logg og sporbarhet fra leverandøren før pilot, ikke etter. Kan du ikke rekonstruere hvorfor agenten sendte en gitt e-post, er den ikke klar for kundekontakt. Dette er ikke en juridisk vurdering fra oss, det er en driftsregel som gjør at du beholder kontrollen.
Formuler det som et akseptansekriterium i pilotavtalen. «Vi skal kunne hente ut full handlingslogg for en valgfri mottaker innen en virkedag» er et krav en seriøs leverandør kan svare ja eller nei på.
Tersklene som avgjør om du selv blir leverandør
Her ligger en felle som rammer ambisiøse salgsavdelinger. Hvis dere finjusterer en modell på egne salgsdata, kan dere skli over fra bruker til leverandør. Kartleggingen på arXiv peker på at finjustering med mer enn en tredjedel av den opprinnelige treningsberegningen kan gjøre deg til leverandør av en generell AI-modell.
De færreste norske SMB-er kommer i nærheten av den terskelen. Men det er verdt å vite at terskelen finnes, og at den handler om beregningskraft, ikke om intensjon.
Beregningsterskelen for systemisk risiko
For modeller med systemisk risiko opererer regelverket med en beregningsterskel på 10^25 FLOP, ifølge arXiv-gjennomgangen. Det er et tall som beskriver treningen av grunnmodeller, ikke ditt oppsett i CRM. Ta det med for kontekst, ikke for bekymring.
Grunnen til at det likevel er relevant: når leverandøren din bygger på en slik modell, arver kjeden pliktene deres. Spør hvilken grunnmodell agenten kjører på, og om leverandøren har avklart sin egen rolle oppover i kjeden.
Når salgsavdelingen bytter rolle
Du kan bli leverandør på lettere vis enn gjennom finjustering. Setter du ditt eget navn på en løsning og tilbyr den videre til andre, eller endrer formålet vesentlig, endres rollen din. Det er en samtale å ta før noen bygger en intern agent og deler den med et søsterselskap.
Praktisk regel: så lenge dere bruker et innkjøpt system innenfor leverandørens tiltenkte formål, er dere bruker. Så snart dere pakker om, videreselger eller vesentlig endrer bruken, bør noen med juridisk kompetanse se på det. Den regulatoriske kartleggingen på arXiv er bygd rundt nettopp dette rolleskillet.
Hva kartleggingen av AI-verktøy forteller om markedet
For å vise hvordan AI-verktøy sprer seg i praksis, viser arXiv-arbeidet til en kartlegging av 61 AI-verktøy i strafferettspleien i England og Wales. Det er ikke salg, og det skal ikke leses som salg. Men mønsteret er gjenkjennelig.
Av disse verktøyene bruker 34 prosent språkmodeller, ifølge samme kilde på arXiv. Med andre ord: flertallet av AI-verktøyene i den sektoren er ikke språkmodellbaserte i det hele tatt.
Bredden er større enn hypen antyder
Tallet er nyttig som korrektiv. Når hele markedet snakker om språkmodeller, er det lett å tro at alt som heter AI er en språkmodell. Kartleggingen som arXiv-arbeidet viser til, tyder på det motsatte: en betydelig del av porteføljen er klassiske modeller for scoring, klassifisering og mønstergjenkjenning.
I salgsstacken din ser du sannsynligvis det samme. Lead scoring, deduplisering, prioritering av samtaler og kanalvalg er ofte ikke generativt. De reguleres likevel som AI-systemer når de påvirker beslutninger.
Overføringsverdien til salg har grenser
Vær ærlig om hva dette tallet ikke sier. Det sier ingenting om andelen språkmodeller i salgsverktøy, ingenting om norske forhold, og ingenting om modenhet i B2B. Det er en kartlegging av en helt annen sektor, brukt som illustrasjon i et regulatorisk arbeid.
Det du kan ta med deg er metoden: å telle verktøyene som faktisk er i bruk, kategorisere dem, og se hvor mange av dem som er agentiske. De fleste salgsavdelinger vet ikke hvor mange AI-komponenter som allerede er aktive i stacken. Den øvelsen tar en ettermiddag og gir bedre grunnlag enn enhver leverandørpresentasjon.
Standardarbeidet og over 1000 eksperter
Harmoniserte standarder er der de vage kravene blir konkrete. arXiv-kartleggingen beskriver at over 1000 eksperter bidrar i arbeidet med harmoniserte standarder under mandatet M/613. Det er stort nok til at arbeidet tar tid, og til at leverandører kan skylde på at standardene ikke er ferdige.
Ta det svaret med ro, men ikke som en unnskyldning. At en standard ikke er publisert, fjerner ikke behovet for logg, kontroll og dokumentasjon i din egen pilot. Det gjør bare at leverandøren må forklare hvordan de har løst det i mellomtiden.
Krav du bør stille leverandøren av salgsagenter
Nå til det praktiske. Under er kravene vi mener bør stå i enhver pilotavtale for en autonom salgsagent. De er utledet av strukturen i compliance-arkitekturen på arXiv, oversatt til noe en salgsleder kan bruke uten jurist i rommet.
| Krav | Hva du ber om konkret | Rødt flagg |
|---|---|---|
| Handlingslogg | Full rekonstruksjon per mottaker | «Vi logger prompts og svar» |
| Nødbrems | Stopp per sekvens og per konto | Bare av og på for hele systemet |
| Rolleavklaring | Skriftlig hvem som er leverandør | Uklart hvem som eier modellen |
| Datakilder | Liste over berikelseskilder | «Vi henter fra offentlige kilder» |
| Endringsvarsling | Varsel ved endret modell eller atferd | Stille oppdateringer i produksjon |
| Eksport | Logg og data ut i lesbart format | Logg kun synlig i deres grensesnitt |
Sporbarhet og logg
Test kravet i praksis før pilot avsluttes. Velg en tilfeldig mottaker fra forrige uke og be leverandøren vise hele kjeden: hvorfor akkurat denne, hvilke data lå til grunn, hvilken variant av budskapet ble valgt, og hvilke handlinger ble utført. Får du et fullstendig svar, har du en leverandør som har bygget for den typen sporbarhet arXiv-arbeidet forutsetter.
Får du en skjermdump av en samtaletråd, har du fått noe annet enn en logg.
Kontroll over handlingsrommet
Definer hva agenten ikke har lov til. Ingen kontakt med eksisterende kunder i forhandling, ingen utsendelse utenfor arbeidstid, ingen påstander om priser eller leveringstid, ingen bruk av data fra kilder dere ikke har godkjent. Disse grensene bør være konfigurerbare i systemet, ikke bare beskrevet i et dokument.
Menneskelig kontroll er en av fasene i arXiv-arkitekturen, og i salg oversettes den til hvem som kan trykke stopp og hvor raskt det virker. Spør om latens: tar det sekunder eller timer før en stoppet sekvens faktisk slutter å sende?
Dokumentasjon og rolleavklaring
Be om at avtalen sier eksplisitt hvem som er leverandør av AI-systemet og hvem som er bruker. Det virker formelt, men det avgjør hvem som må produsere dokumentasjon hvis noen spør. Den regulatoriske kartleggingen på arXiv er organisert nettopp rundt leverandørens plikter, og et uklart rolleskille flytter risiko til deg.
Erfaringen fra team som har rullet ut AI-agenter i kald oppsøking er at rolleavklaringen tar en halvtime i avtalefasen og flere uker hvis den utsettes til noe har gått galt.
Vanlige feil når salgsteam ruller ut AI-agenter
Feilene er forutsigbare, og de handler sjelden om teknologi. De handler om at ingen definerte hva systemet skulle få lov til før det var i drift.
Pilot uten loggkrav
Den vanligste feilen. Piloten settes opp raskt for å teste effekt, logging utsettes til produksjon, og så viser det seg at loggen ikke kan bygges inn uten en større endring hos leverandøren. Da er piloten allerede blitt til drift.
Sett loggkravet inn i pilotens akseptansekriterier fra dag en. Det koster ingenting hvis leverandøren har det, og det avslører raskt hvis de ikke har det.
Å tro at agent er en juridisk kategori
Team som antar at «agent» utløser et bestemt regelsett, ender med å lete etter regler som ikke finnes, eller å konkludere med at ingen regler gjelder. Begge er feil. arXiv-arbeidet er tydelig: ordet mangler rettslig definisjon, mens systemet er regulert.
Riktig spørsmål er hva systemet gjør og hvem det påvirker, ikke hva det heter.
Å bruke et preprint som fasit
Vi vil være tydelige på hva kildegrunnlaget her er. Dette er et arXiv-preprint uten fagfellevurdering. Bruk det som retning for egne kontrollspørsmål, ikke som juridisk fasit. Det er et gjennomarbeidet forsøk på systematisk regulatorisk kartlegging for leverandører av AI-agenter, og som sådan nyttig, men det er ikke en rettskilde.
Skal dere ta en beslutning med reell økonomisk eller juridisk konsekvens, hent inn kompetanse som kan lese forordningen og tilhørende veiledning direkte. Det denne artikkelen gir deg er bedre spørsmål, ikke ferdige svar.
Ofte stilte spørsmål om AI-agenter og EU-regelverket
Korte svar på det salgsledere spør om oftest når temaet kommer opp i ledergruppen.
Er AI-agenter i salg ulovlige i EU?
Nei. Det finnes ingen forbud mot å bruke AI-agenter i salgsarbeid som sådan. Poenget i arXiv-kartleggingen er at agenten reguleres som et AI-system, med de pliktene som følger av hvilken risikokategori bruken havner i.
Hvorfor står ikke ordet agent i AI-forordningen?
Fordi forordningen er skrevet rundt AI-systemer og deres bruk, ikke rundt tekniske mønstre som endrer navn hvert år. arXiv-arbeidet slår fast at begrepet mangler rettslig definisjon, samtidig som det viser at systemer med agentiske egenskaper likevel treffes fullt ut.
Hva er det aller viktigste kravet å stille leverandøren?
Sporbarhet. Hvis du ikke kan rekonstruere hvorfor en bestemt e-post gikk til en bestemt person, mangler du grunnlaget for å forsvare bruken. arXiv-arbeidet konkluderer med at agentiske høyrisikosystemer med usporbar atferdsdrift ikke kan oppfylle de vesentlige kravene.
Blir vi selv leverandør hvis vi finjusterer en modell?
Det avhenger av omfanget. Kartleggingen på arXiv peker på en tredjedel av den opprinnelige treningsberegningen som terskel for at finjustering gjør deg til leverandør av en generell AI-modell. Vanlig tilpasning med egne salgsdata i et innkjøpt produkt ligger normalt langt under.
Gjelder dette også for norske selskaper?
AI-forordningen er EU-regelverk med EØS-relevans, og norske selskaper som selger inn i EU berøres uansett. I tillegg gjelder personvernreglene parallelt for all behandling av kontaktdata i prospektering, uavhengig av hvordan AI-spørsmålet lander.
Oppsummering og vår anbefaling
Kjernen er kort: ordet «agent» finnes ikke i EU AI Act, men den autonome salgsagenten din er et AI-system og reguleres som det. arXiv-arbeidet gir deg en definisjon basert på funksjon, et rolleskille mellom leverandør og bruker, og en advarsel om at usporbar atferdsdrift er uforenlig med kravene for høyrisikobruk.
Det du tar med deg
Vurder systemet, ikke etiketten. Behandle hvert trinn der et menneske forsvinner ut av loopen som en endring i risikoprofil. Krev handlingslogg som kan rekonstruere en enkeltutsendelse. Avklar skriftlig hvem som er leverandør. Og vær klar over at kartleggingen av 61 AI-verktøy i en helt annen sektor bare er en illustrasjon, ikke et bevis på hvordan salgsmarkedet ser ut.
Vår anbefaling
Behandle autonomi som et driftsvalg salgsledelsen tar bevisst, og sett loggkravet før pilot, ikke etter. Kan ikke leverandøren vise deg hvorfor agenten sendte en gitt e-post, er den ikke klar for kundekontakt. Bruk arXiv-preprintet som en liste med kontrollspørsmål inn i innkjøpsmøtet, og hent juridisk kompetanse når beslutningen har reell konsekvens.
Er dere allerede i gang, start med kartleggingen av hva som faktisk kjører i stacken. De fleste finner flere AI-komponenter enn de trodde, og noen av dem handler mer selvstendig enn noen har tatt stilling til.
Vil du se hva AI faktisk gjør for salgstallene dine? Vi hjelper norske salgsteam med å ta i bruk AI der det gir målbar effekt: flere kvalifiserte møter, kortere salgssyklus og bedre kontaktdata. Ingen hype, bare det som virker for din situasjon.
Book en uforpliktende samtale: vi går gjennom salgsprosessen din og peker på de tre stedene AI gir raskest gevinst.