De fleste AI-assistenter er inaktive, indtil du spørger dem om noget. Du skriver et spørgsmål, de besvarer det, og derefter venter de. Ved overholdelse af handelsregler har denne model et grundlæggende problem: Risici venter ikke på, at nogen spørger til dem.
Hos Atlas Verified byggede vi et system af autonome cloudagenter, som løbende overvåger forsyningskæder, scanner myndighedsdatabaser og fremhæver risici for regeloverholdelse efter en tidsplan — uden at nogen skriver en prompt. De kører i baggrunden på tværs af hver organisation på vores platform og leverer struktureret indsigt direkte til et dashboard.
Dette indlæg gennemgår teknikken bag AI-agenter, der altid er aktive: Hvordan de adskiller sig fra samtalebaseret AI, hvorfor struktureret output betyder noget, og udfordringerne ved at koordinere autonome agenter i stor skala.
Fra reaktiv til proaktiv
Samtalebaseret AI er i sin natur reaktiv. En bruger stiller et spørgsmål, modellen ræsonnerer over det, kalder nogle værktøjer og returnerer et svar. Dette fungerer godt til ad hoc-research og dokumentanalyse. Men overvågning af regeloverholdelse kræver proaktiv indsigt.
Overvej et scenarie: En leverandørs økologiske certificering suspenderes af USDA fra den ene dag til den anden. En forsendelse fra denne leverandør er allerede under transport. En ny OFAC-udpegning føjer en speditør til sanktionslisten. En FDA-importadvarsel udstedes for en råvare, du aktivt importerer.
Ingen af disse hændelser venter på, at en medarbejder med ansvar for regeloverholdelse logger ind og stiller det rigtige spørgsmål. Når nogen kommer i tanke om at kontrollere, kan muligheden for proaktiv handling være forpasset. Varerne er i havnen. Papirerne er indsendt. Eksponeringen er reel.
Cloudagenter løser dette ved at vende forholdet om. I stedet for at brugeren driver AI'en, driver AI'en sig selv efter en tidsplan, kontrollerer alt, der betyder noget, og sender fund til brugeren.
Arkitektur med en agent pr. kvadrant
Da vi først udviklede prototyper på cloudagenter, prøvede vi en enkelt agent, som dækkede alt: regelændringer, leverandørstatus, forsendelsessporing og dokumentbehandling. Den producerede ufokuseret, omstændeligt output. Agenten fulgte ét interessant spor og forsømte hele kategorier af indsigt.
Løsningen var at opdele problemområdet i fokuserede domæner, som vi kalder kvadranter:
Indsigt. Myndighedsadvarsler, markedstendenser og tværgående risici. Denne agent overvåger myndighedsdatabaser for ændringer, som påvirker organisationen — nye FDA-importadvarsler, opdateringer af OFAC-lister, toldændringer og ændringer i økologisk certificeringsstatus.
Leverandører. Leverandørnetværkets tilstand. Denne agent gennemgår leverandørers verifikationsstatus, huller i regeloverholdelsen, udløb af certificeringer og koncentrationsrisici i netværket. Hvis 80% af din økologiske forsyning kommer fra ét enkelt certificeringsorgan, markerer denne agent det.
Forsendelser. Overvågning af aktive forsendelser. Denne agent følger skibspositioner, overvåger ruteafvigelser, kontrollerer forsinkelser og validerer, at forsendelsesdokumentationen er komplet. Den fremhæver problemer såsom containere, der står i havnen længere end forventet, eller skibe, som afviger fra de angivne ruter.
Arbejdsområde. Driftens tilstand. Denne agent gennemgår dokumentbehandlingsstatus, afventende verifikationer, teamaktivitet og brugsmønstre på platformen. Den fremhæver forhold såsom dokumenter, hvis behandling mislykkedes, og som kræver opmærksomhed, eller verifikationer, der har afventet for længe.
Hver agent kører med en fokuseret systemprompt og et begrænset sæt værktøjer, der er relevante for dens domæne. Dette giver dramatisk bedre output end én alvidende agent, af samme grund som et team af specialister klarer sig bedre end en enkelt generalist: dybden i fokus.
Deling af værktøjslag med chatagenten
En af de vigtigste arkitekturbeslutninger var at lade cloudagenter bruge præcis det samme værktøjslag som vores samtalebaserede chatagent. De samme værktøjer til OFAC-screening, USDA-opslag, skibssporing, handelsdataforespørgsler og dokumentanalyse driver begge systemer.
Dette har betydelige tekniske fordele:
Ingen duplikering af værktøjer. Når vi tilføjer en ny datakilde eller forbedrer en eksisterende adapter, får både chatagenten og cloudagenterne straks gavn af det. Der er én implementering, ét sæt test og ét område at vedligeholde.
Konsistente resultater. En sanktionskontrol udført af en cloudagent og en sanktionskontrol udført af en bruger i chatten kalder den samme funktion med den samme logik. Resultaterne kan sammenlignes og krydskontrolleres direkte.
Udfordringen er, at værktøjer designet til interaktiv brug ikke altid fungerer på samme måde i en batchkontekst. En chatagent kan bede brugeren om afklaring, når en forespørgsel er tvetydig. Det kan en cloudagent ikke. Vi håndterer dette ved at give cloudagenter mere specifikke prompts og højere rekursionsgrænser — de har mere tid til at rette sig selv, fordi ingen venter på et svar i realtid.
Struktureret output: Fra fritekst til dashboardkort
Det er her, cloudagenter adskiller sig skarpest fra chatagenter. En chatagent producerer sammenhængende tekst, nogle gange med indlejrede strukturerede kort. En cloudagent skal udelukkende producere struktureret output, der gengives direkte på et dashboard.
Hver agentkørsel producerer et array af indsigtskort. Hvert kort har en defineret type og et defineret skema:
Tællere viser centrale målinger med trendindikatorer — samlet antal aktive forsendelser, leverandører med certificeringer, der udløber, og afventende verifikationer.
Risikomarkeringer fremhæver specifikke bekymringer om regeloverholdelse, der kræver opmærksomhed — en leverandør med suspenderet certificering, et sanktionsmatch eller en FDA-importadvarsel.
Advarsler formidler tidsfølsomme oplysninger — regelændringer, nye OFAC-udpegninger og toldopdateringer, som påvirker aktive forsendelser.
Diagrammer og tabeller præsenterer analytiske data — tendenser i forsendelsesmængder, fordeling af handelsruter og andel af afsluttede verifikationer.
Kort viser geografisk indsigt — skibspositioner, havneaktivitet og leverandørfordeling.
Den tekniske udfordring er at begrænse en LLM til konsekvent at producere gyldigt struktureret output. Sprogmodeller vil fortælle. De vil forklare og tage forbehold. At få dem til at producere et rent JSON-array af kort med de rigtige typer, de rigtige felter og de rigtige data kræver omhyggelig promptudformning og validering af output.
Når agentens output ikke matcher det forventede kortskema, parser vi det, vi kan, og kasserer fejlformede kort frem for at lade hele kørslen fejle. Delvis indsigt er bedre end ingen indsigt.
Tilpassede agenter: Brugerdefinerede autonome overvågere
Ud over de fire systemagenter kan brugere oprette deres egne cloudagenter. En tilpasset agent har et navn, en systemprompt (skrevet af brugeren) og en tidsplan. Den bruger det samme værktøjslag og producerer de samme korttyper, men dens fokus er helt brugerdefineret.
En bruger kan oprette en agent, der overvåger en specifik handelsrute for forstyrrelser. Eller en, der dagligt kontrollerer et bestemt sæt leverandører mod sanktionslister. Eller en, der følger prisbevægelser for en bestemt råvare ved hjælp af handelsdatakilder. Mulighederne begrænses kun af, hvad værktøjslaget kan tilgå.
At gøre dette sikkert og nyttigt krævede flere tekniske beslutninger:
Afgrænsning til organisationen. Hver tilpasset agent tilhører en organisation og kan kun tilgå denne organisations data. En agent kan ikke krydse organisationsgrænser, selv hvis brugerens prompt forsøger at få den til det.
Filtrering af værktøjsfunktioner. Tilpassede agenter har adgang til de samme verifikations- og researchværktøjer som systemagenter, men de arver organisationens tilladelsesgrænser. En tilpasset agent kan ikke tilgå værktøjer eller data, som brugeren ikke selv kunne tilgå via chatgrænsefladen.
Styring af tidsplaner. Tilpassede agenter kører efter brugerdefinerede tidsplaner, men inden for platformens begrænsninger. Dette forhindrer en enkelt organisation i at forbruge uforholdsmæssigt mange beregningsressourcer ved at planlægge snesevis af agenter til at køre hver time.
Koordinering i stor skala
At køre autonome agenter på tværs af mange organisationer efter en daglig tidsplan giver koordineringsudfordringer, som ikke findes i et chatbaseret system.
Fjernelse af dubletter. Hvis planlæggeren aktiveres, og en agent for organisation A allerede har kørt inden for tidsvinduet for dubletkontrol, springes den over. Dette forhindrer dobbeltkørsler på grund af genforsøg, overlappende tidsplaner eller fejl i planlæggeren. Hvert agent-organisationspar behandles som en unik planlægningsenhed.
Isolering af fejl. Hvis en organisations agent fejler — fordi et værktøj returnerer en fejl, eller LLM'en producerer output, der ikke kan parses, eller en afhængig tjeneste er nede — må det ikke påvirke andre organisationers agentkørsler. Hver kørsel er et uafhængigt job. Fejl logges, kørslen markeres som mislykket, og planlæggeren fortsætter.
Kortenes livscyklus. Indsigtskort har en levetid. Gamle kort udløber og erstattes, når agenten kører igen. Dette sikrer, at dashboardet altid viser aktuel indsigt frem for at ophobe forældede fund. Når en agent producerer nye kort, erstattes de tidligere kort for den pågældende kvadrant atomisk.
Budgettering af ressourcer. Agentkørsler bruger LLM-tokens, eksterne API-kald og databaseforbindelser. Vi følger tokenforbruget pr. kørsel og pr. organisation for at styre omkostninger og identificere agenter, der bruger uforholdsmæssigt mange ressourcer. En løbsk agent, som foretager 50 værktøjskald, når 10 ville være tilstrækkelige, markeres.
Forbind Cloud Agents og chat
Cloudagenter og chatagenten er ikke isolerede systemer. De danner en feedbacksløjfe.
Chatagenten kan forespørge på cloudagenternes output. Når en bruger spørger "hvad fandt mine agenter?" eller "er der nogen risici for regeloverholdelse, jeg bør kende til?", henter chatagenten de seneste indsigtskort og præsenterer dem i samtaleform. Den kan forklare en risikomarkering, give yderligere kontekst eller hjælpe brugeren med at handle på et fund.
Dette skaber en naturlig arbejdsgang: Cloudagenter fremhæver problemer i løbet af natten, brugeren gennemgår dashboardet om morgenen, og når de vil undersøge et fund nærmere, åbner de en chatsamtale. Chatagenten ved allerede, hvad cloudagenterne fandt, og kan fortsætte, hvor de slap.
Den modsatte vej fungerer også: Mønstre, der opstår i brugernes chatinteraktioner, hjælper os med at tilpasse cloudagenternes prompts. Hvis brugere ofte spørger om en specifik risikotype, som cloudagenterne ikke fremhæver, er det et signal om at justere agentens fokus.
Hvad vi har lært
Opbygningen af autonome AI-agenter har lært os ting, som ikke er indlysende, når man bygger samtalebaserede agenter:
Struktureret output er sværere end fritekst. At få en LLM til konsekvent at producere gyldig JSON, der overholder skemaet, er en væsentligt anderledes udfordring end at få den til at skrive et godt afsnit. Modellerne vil forklare, og du skal kanalisere denne analytiske energi ind i strukturerede felter.
Afgrænsning er altafgørende. En fokuseret agent med et klart domæne producerer bedre indsigt end en bred agent med adgang til alt. Arkitekturen med en agent pr. kvadrant var den største enkeltstående kvalitetsforbedring, vi foretog.
Delvise resultater slår mislykkede kørsler. I et batchsystem kan du ikke spørge brugeren, hvad du skal gøre, når noget går galt. Kontrolleret reduktion af funktionalitet — at producere de kort, du kan, og notere hullerne — er afgørende.
Brugerne vil have kontrol. Tilpassede agenter viste sig at være en af de mest efterspurgte funktioner. Specialister i regeloverholdelse kender deres specifikke risici bedre end noget generelt system. At give dem mulighed for at programmere autonome overvågere i naturligt sprog skabte betydelig værdi.
Feedbacksløjfen betyder noget. Cloudagenter og chatagenter er mere værdifulde sammen end hver for sig. Proaktiv indsigt sætter dagsordenen; samtalebaseret AI giver dybden. At designe til denne tovejsstrøm fra begyndelsen formede begge systemer til det bedre.
Fremadrettet
Cloudagenter repræsenterer et grundlæggende skift i, hvordan vi tænker på AI til regeloverholdelse. Spørgsmålet er ikke "hvad kan AI'en svare på, når den bliver spurgt?", men "hvad bør AI'en kontrollere uden at blive spurgt?"
Efterhånden som vi udvider værktøjslaget med flere datakilder, og reglerne bliver mere komplekse, stiger værdien af autonom overvågning. En specialist i regeloverholdelse bør ikke begynde dagen med manuelt at kontrollere seks myndighedsdatabaser og tre sporingstjenester. Dagen bør begynde med et dashboard, der fortæller præcis, hvad der ændrede sig i løbet af natten, og hvad der kræver opmærksomhed.
Det er det, cloudagenter leverer. Og den tekniske udfordring med at gøre dette pålideligt, skalerbart og nyttigt er et af de mest givende problemer, vi arbejder med.
Atlas Verifieds cloudagenter overvåger autonomt forsyningskæder, scanner myndighedsdatabaser og fremhæver risici for regeloverholdelse — så specialister i regeloverholdelse kan fokusere på beslutninger frem for dataindsamling.