De fleste AI-assistenter er inaktive til du spør dem om noe. Du skriver et spørsmål, de svarer og så venter de. I handelsetterlevelse har den modellen et grunnleggende problem: risikoer venter ikke på at noen skal spørre om dem.
Hos Atlas Verified bygget vi et system av autonome skyagenter som kontinuerlig overvåker forsyningskjeder, søker gjennom myndighetsdatabaser og løfter frem etterlevelsesrisikoer etter en tidsplan — uten at noen skriver en instruks. De kjører i bakgrunnen på tvers av alle organisasjoner på plattformen vår og leverer strukturert innsikt direkte til et dashbord.
Dette innlegget dekker teknikken bak AI-agenter som alltid er aktive: hvordan de skiller seg fra samtalebasert AI, hvorfor strukturerte utdata betyr noe og utfordringene ved å koordinere autonome agenter i stor skala.
Fra reaktiv til proaktiv
Samtalebasert AI er i sin natur reaktiv. En bruker stiller et spørsmål, modellen resonnerer om det, kaller noen verktøy og returnerer et svar. Dette fungerer godt for undersøkelser etter behov og dokumentanalyse. Men etterlevelsesovervåking krever proaktiv innsikt.
Tenk på et scenario: USDA suspenderer en leverandørs økologiske sertifisering over natten. En forsendelse fra denne leverandøren er allerede underveis. En ny OFAC-oppføring legger en speditør til sanksjonslisten. FDA utsteder et importvarsel for en råvare du aktivt importerer.
Ingen av disse hendelsene venter på at en etterlevelsesansvarlig logger inn og stiller riktig spørsmål. Når noen kommer på å kontrollere, kan tidsvinduet for proaktiv handling allerede være lukket. Varene er i havnen. Papirene er levert. Eksponeringen er reell.
Skyagenter løser dette ved å snu forholdet. I stedet for at brukeren styrer AI-en, styrer AI-en seg selv etter en tidsplan, kontrollerer alt som betyr noe og sender funn til brukeren.
Arkitektur med én agent per kvadrant
Da vi først laget prototyper av skyagenter, prøvde vi én agent som dekket alt: regelverksendringer, leverandørstatus, forsendelsessporing og dokumentbehandling. Den produserte ufokuserte, omstendelige utdata. Agenten fulgte ett interessant spor og forsømte hele kategorier av innsikt.
Løsningen var å dele problemområdet inn i fokuserte fagområder, som vi kaller kvadranter:
Innsikt. Regelverksvarsler, markedstrender og risikoer på tvers av områder. Denne agenten overvåker myndighetsdatabaser for endringer som påvirker organisasjonen — nye FDA-importvarsler, oppdateringer av OFAC-listen, tollendringer og endringer i økologisk sertifiseringsstatus.
Leverandører. Tilstanden i leverandørnettverket. Denne agenten gjennomgår leverandørenes verifiseringsstatus, etterlevelsesgap, utløpende sertifiseringer og risiko ved konsentrasjon i nettverket. Hvis 80% av din økologiske forsyning kommer fra ett sertifiseringsorgan, flagger denne agenten det.
Forsendelser. Overvåking av aktive forsendelser. Denne agenten følger fartøyposisjoner, overvåker ruteavvik, kontrollerer forsinkelser og validerer at forsendelsesdokumentasjonen er fullstendig. Den løfter frem problemer som containere som står i havnen lenger enn forventet, eller fartøy som avviker fra oppgitte ruter.
Arbeidsområde. Driftstilstand. Denne agenten gjennomgår status for dokumentbehandling, ventende verifiseringer, teamaktivitet og bruksmønstre på plattformen. Den løfter frem forhold som dokumenter der behandlingen mislyktes og som trenger oppmerksomhet, eller verifiseringer som har ventet for lenge.
Hver agent kjører med en fokusert systeminstruks og et begrenset verktøysett relevant for sitt fagområde. Dette gir dramatisk bedre utdata enn én allvitende agent, av samme grunn som et team av spesialister gjør det bedre enn én generalist: dybde i fokuset.
Del et verktøylag med chatagenten
En av de viktigste arkitekturbeslutningene var å la skyagenter bruke nøyaktig samme verktøylag som den samtalebaserte chatagenten vår. De samme verktøyene for OFAC-screening, USDA-oppslag, fartøysporing, handelsdataforespørsler og dokumentanalyse driver begge systemene.
Dette har betydelige utviklingsfordeler:
Ingen duplisering av verktøy. Når vi legger til en ny datakilde eller forbedrer en eksisterende adapter, får både chatagenten og skyagentene nytte av det umiddelbart. Det finnes én implementering, ett sett tester og ett område å vedlikeholde.
Konsekvente resultater. En sanksjonskontroll utført av en skyagent og en sanksjonskontroll utført av en bruker i chat kaller samme funksjon med samme logikk. Resultatene kan sammenlignes og krysskontrolleres direkte.
Utfordringen er at verktøy utformet for interaktiv bruk ikke alltid fungerer på samme måte ved satsvis behandling. En chatagent kan be brukeren om avklaring når en forespørsel er tvetydig. En skyagent kan ikke det. Vi håndterer dette ved å gi skyagenter mer spesifikke instrukser og høyere rekursjonsgrenser — de har mer tid til å korrigere seg selv fordi ingen venter i sanntid på et svar.
Strukturerte utdata: Fra fritekst til dashbordkort
Det er her skyagenter skiller seg tydeligst fra chatagenter. En chatagent produserer fortellende tekst, noen ganger med innebygde strukturerte kort. En skyagent må produsere utelukkende strukturerte utdata som vises direkte på et dashbord.
Hver agentkjøring produserer en matrise med innsiktskort. Hvert kort har en definert type og et definert skjema:
Tellere viser nøkkelmåltall med trendindikatorer — totalt antall aktive forsendelser, leverandører med utløpende sertifiseringer og ventende verifiseringer.
Risikoflagg fremhever bestemte etterlevelsesbekymringer som trenger oppmerksomhet — en leverandør med suspendert sertifisering, et sanksjonstreff eller et FDA-importvarsel.
Varsler formidler tidskritisk informasjon — regelverksendringer, nye OFAC-oppføringer og tolloppdateringer som påvirker aktive forsendelser.
Diagrammer og tabeller presenterer analysedata — trender i forsendelsesvolum, fordeling på handelsruter og fullføringsgrad for verifisering.
Kart viser geografisk innsikt — fartøyposisjoner, havneaktivitet og leverandørfordeling.
Den tekniske utfordringen er å begrense en LLM slik at den konsekvent produserer gyldige strukturerte utdata. Språkmodeller vil fortelle. De vil forklare og ta forbehold. Å få dem til å produsere en ren JSON-matrise med kort med riktige typer, riktige felter og riktige data krever nøye instruksutforming og validering av utdata.
Når agentens utdata ikke samsvarer med det forventede kortskjemaet, tolker vi det vi kan og forkaster feilformede kort i stedet for å la hele kjøringen mislykkes. Delvis innsikt er bedre enn ingen innsikt.
Tilpassede agenter: Brukerdefinerte autonome overvåkere
Utover de fire systemagentene kan brukere opprette sine egne skyagenter. En tilpasset agent har et navn, en systeminstruks (skrevet av brukeren) og en tidsplan. Den bruker det samme verktøylaget og produserer de samme korttypene, men fokuset er helt brukerdefinert.
En bruker kan opprette en agent som overvåker en bestemt handelsrute for forstyrrelser. Eller en som daglig kontrollerer et bestemt sett leverandører mot sanksjonslister. Eller en som følger prisbevegelser for en bestemt råvare ved hjelp av handelsdatakilder. Mulighetene begrenses bare av det verktøylaget kan få tilgang til.
Å gjøre dette trygt og nyttig krevde flere utviklingsbeslutninger:
Organisatorisk avgrensning. Hver tilpasset agent tilhører en organisasjon og kan bare få tilgang til den organisasjonens data. En agent kan ikke krysse organisasjonsgrenser, selv om brukerens instruks forsøker å få den til det.
Filtrering av verktøyfunksjoner. Tilpassede agenter har tilgang til de samme verifiserings- og undersøkelsesverktøyene som systemagentene, men arver organisasjonens tilgangsgrenser. En tilpasset agent kan ikke få tilgang til verktøy eller data som brukeren selv ikke kunne nå gjennom chatgrensesnittet.
Tidsplanadministrasjon. Tilpassede agenter kjører etter brukerdefinerte tidsplaner, men innenfor plattformens begrensninger. Dette forhindrer at én organisasjon bruker uforholdsmessig store beregningsressurser ved å planlegge at dusinvis av agenter skal kjøre hver time.
Koordinering i stor skala
Å kjøre autonome agenter på tvers av mange organisasjoner etter en daglig tidsplan introduserer koordineringsutfordringer som ikke finnes i et chatbasert system.
Fjerning av duplikater. Hvis planleggeren utløses og en agent for organisasjon A allerede har kjørt innenfor dedupliseringsvinduet, hoppes den over. Dette forhindrer doble kjøringer ved nye forsøk, overlappende tidsplaner eller feil i planleggeren. Hvert agent–organisasjon-par behandles som en unik planleggingsenhet.
Feilisolering. Hvis én organisasjons agent mislykkes — fordi et verktøy returnerer en feil, LLM-en produserer utdata som ikke kan tolkes eller en avhengig tjeneste er nede — må det ikke påvirke agentkjøringene for andre organisasjoner. Hver kjøring er en uavhengig jobb. Feil loggføres, kjøringen merkes som mislykket og planleggeren går videre.
Kortenes livsløp. Innsiktskort har en levetid. Gamle kort utløper og erstattes når agenten kjører igjen. Dette sikrer at dashbordet alltid viser oppdatert innsikt i stedet for å samle utdaterte funn. Når en agent produserer nye kort, erstattes de tidligere kortene for den kvadranten atomisk.
Ressursbudsjettering. Agentkjøringer bruker LLM-tokener, eksterne API-kall og databaseforbindelser. Vi følger tokenbruken per kjøring og per organisasjon for å styre kostnader og identifisere agenter som bruker uforholdsmessig store ressurser. En agent som løper løpsk og gjør 50 verktøykall når 10 ville vært nok, blir flagget.
Koble Cloud Agents og chat
Skyagenter og chatagenten er ikke isolerte systemer. De danner en tilbakemeldingssløyfe.
Chatagenten kan hente utdata fra skyagentene. Når en bruker spør «hva fant agentene mine?» eller «finnes det etterlevelsesrisikoer jeg bør kjenne til?», henter chatagenten de nyeste innsiktskortene og presenterer dem i samtaleform. Den kan forklare et risikoflagg, gi mer kontekst eller hjelpe brukeren med å handle på et funn.
Dette skaper en naturlig arbeidsflyt: skyagenter løfter frem problemer over natten, brukeren gjennomgår dashbordet om morgenen, og når vedkommende vil undersøke et funn nærmere, åpnes en chatsamtale. Chatagenten vet allerede hva skyagentene fant og kan fortsette der de slapp.
Den motsatte retningen fungerer også: mønstre som oppstår i brukernes chatinteraksjoner, informerer hvordan vi justerer skyagentenes instrukser. Hvis brukere ofte spør om en bestemt type risiko som skyagentene ikke løfter frem, er det et signal om å justere agentens fokus.
Hva vi har lært
Å bygge autonome AI-agenter har lært oss ting som ikke er åpenbare når man bygger samtalebaserte agenter:
Strukturerte utdata er vanskeligere enn fritekst. Å få en LLM til konsekvent å produsere gyldig JSON som følger et skjema, er en vesentlig annerledes utfordring enn å få den til å skrive et godt avsnitt. Modellene vil forklare, og du må kanalisere den analytiske energien inn i strukturerte felter.
Avgrensning er alt. En fokusert agent med et klart fagområde produserer bedre innsikt enn en bred agent med tilgang til alt. Arkitekturen med én agent per kvadrant var den største enkeltforbedringen i kvalitet vi gjorde.
Delvise resultater er bedre enn mislykkede kjøringer. I et system for satsvis behandling kan du ikke spørre brukeren hva du skal gjøre når noe går galt. Kontrollert degradering — å produsere kortene du kan og opplyse om hullene — er avgjørende.
Brukerne vil ha kontroll. Tilpassede agenter viste seg å være en av de mest etterspurte funksjonene. Etterlevelsesfagfolk kjenner sine spesifikke risikoer bedre enn ethvert generelt system. Å gi dem mulighet til å programmere autonome overvåkere med naturlig språk åpnet for betydelig verdi.
Tilbakemeldingssløyfen betyr noe. Skyagenter og chatagenter er mer verdifulle sammen enn hver for seg. Proaktiv innsikt setter dagsordenen; samtalebasert AI gir dybden. Å utforme for denne toveisflyten fra starten forbedret begge systemene.
Blikk fremover
Skyagenter representerer et grunnleggende skifte i hvordan vi tenker om AI i regelverksetterlevelse. Spørsmålet er ikke «hva kan AI-en svare på når den blir spurt?», men «hva bør AI-en kontrollere uten å bli spurt?»
Etter hvert som vi utvider verktøylaget med flere datakilder og regelverkslandskapet blir mer komplekst, øker verdien av autonom overvåking. Etterlevelsesfagpersonens dag bør ikke begynne med manuell kontroll av seks myndighetsdatabaser og tre sporingstjenester. Den bør begynne med et dashbord som forteller nøyaktig hva som endret seg over natten og hva som trenger oppmerksomhet.
Det er dette skyagenter leverer. Og den tekniske utfordringen med å gjøre det pålitelig, skalerbart og nyttig er et av de mest givende problemene vi får arbeide med.
Atlas Verifieds skyagenter overvåker forsyningskjeder autonomt, søker gjennom myndighetsdatabaser og løfter frem etterlevelsesrisikoer — slik at etterlevelsesfagfolk kan fokusere på beslutninger, ikke datainnsamling.