De flesta AI-assistenter väntar tills du frågar något. Du skriver en fråga, de svarar och väntar sedan. I handelsefterlevnad har modellen ett grundproblem: risker väntar inte på att någon ska fråga.
Atlas Verified byggde ett system med autonoma molnagenter som kontinuerligt bevakar leveranskedjor, söker i myndighetsdatabaser och visar efterlevnadsrisker enligt schema — utan skrivna instruktioner. De körs i bakgrunden för alla organisationer på plattformen och levererar strukturerad information direkt till en instrumentpanel.
Artikeln beskriver tekniken bakom ständigt aktiva AI-agenter: hur de skiljer sig från konversations-AI, varför strukturerade utdata spelar roll och samordningsutmaningar i stor skala.
Från reaktivt till proaktivt
Konversations-AI är reaktivt. Användaren frågar, modellen resonerar, anropar verktyg och svarar. Det fungerar bra för tillfällig research och dokumentanalys. Men efterlevnadsbevakning kräver proaktiv information.
Tänk på detta: USDA stänger av en leverantörs ekologiska certifiering under natten. En försändelse från leverantören är redan på väg. En ny OFAC-beteckning för en speditör lägger den på sanktionslistan. FDA utfärdar en importvarning för en råvara du aktivt importerar.
Ingen händelse väntar på att en efterlevnadsansvarig ska logga in och fråga rätt. När någon kommer på att kontrollera kan fönstret för proaktiv handling vara stängt. Varorna finns i hamnen. Dokumenten är inlämnade. Risken är verklig.
Molnagenter löser detta genom att vända relationen. I stället för att användaren driver AI kör AI sig själv enligt schema, kontrollerar allt viktigt och skickar resultaten till användaren.
Arkitektur med en agent per kvadrant
I den första prototypen försökte vi ha en agent för allt: regeländringar, leverantörsstatus, transportspårning och dokumentbehandling. Resultatet blev ofokuserat och omständligt. Agenten följde en intressant tråd och försummade hela informationskategorier.
Lösningen var att dela problemområdet i fokuserade domäner, kallade kvadranter:
Information. Regelvarningar, marknadstrender och övergripande risker. Agenten bevakar myndighetsdatabaser efter förändringar som berör organisationen — nya FDA-importvarningar, OFAC-listuppdateringar, tulländringar och ändrad ekologisk certifieringsstatus.
Leverantörer. Leverantörsnätverkets hälsa. Agenten granskar verifieringsstatus, efterlevnadsluckor, utgående certifieringar och koncentrationsrisk. Om 80% av den ekologiska tillförseln kommer från ett enda certifieringsorgan flaggar den det.
Försändelser. Bevakning av aktiva transporter. Agenten följer fartygspositioner, ruttavvikelser och förseningar samt validerar fullständig transportdokumentation. Den visar problem som containrar kvar i hamn längre än väntat eller fartyg utanför angivna rutter.
Arbetsyta. Verksamhetshälsa. Agenten granskar dokumentbehandlingsstatus, väntande verifieringar, teamaktivitet och användningsmönster. Den visar exempelvis dokument som inte kunde behandlas och behöver åtgärd, eller verifieringar som väntat för länge.
Varje agent körs med fokuserad systeminstruktion och begränsade domänverktyg. Det ger mycket bättre resultat än en allvetande agent, av samma skäl som specialister slår en generalist: djup genom fokus.
Dela verktygslager med chattagenten
Ett viktigt arkitekturbeslut var att låta molnagenter använda exakt samma verktygslager som chattagenten. Samma OFAC-screening, USDA-sökningar, fartygsspårning, handelsdatafrågor och dokumentanalys driver båda systemen.
Det ger stora tekniska fördelar:
Ingen verktygsduplicering. När en datakälla tillkommer eller en adapter förbättras gynnas båda agenttyper direkt. Det finns en implementation, en testuppsättning och en underhållsyta.
Konsekventa resultat. En sanktionskontroll av en molnagent och en användare i chatt anropar samma funktion med samma logik. Resultaten kan direkt jämföras och korsrefereras.
Utmaningen är att interaktiva verktyg inte alltid fungerar likadant i gruppkörning. Chattagenten kan fråga användaren när en fråga är oklar. Molnagenten kan inte det. Vi ger därför molnagenter mer specifika instruktioner och högre rekursionsgränser — de har mer tid att rätta sig själva eftersom ingen väntar på ett realtidssvar.
Strukturerade utdata: från fri text till instrumentpanelskort
Här skiljer sig molnagenter mest från chattagenter. Chattagenten skriver berättande text, ibland med strukturerade kort. Molnagenten måste bara ge strukturerade utdata som visas direkt på instrumentpanelen.
Varje körning ger en uppsättning informationskort. Varje kort har definierad typ och schema:
Räknare visar viktiga mått med trendindikatorer — totalt antal aktiva försändelser, leverantörer med utgående certifieringar och väntande verifieringar.
Riskflaggor lyfter fram särskilda efterlevnadsproblem som kräver uppmärksamhet — leverantör med avstängd certifiering, sanktionsträff eller FDA-importvarning.
Varningar förmedlar tidskänslig information — regeländringar, nya OFAC-beteckningar och tulluppdateringar som berör aktiva försändelser.
Diagram och tabeller visar analysdata — transportvolymtrender, handelsledsfördelning och verifieringsslutförandegrad.
Kartor visar geografisk information — fartygspositioner, hamnaktivitet och leverantörsfördelning.
Utmaningen är att få en LLM att konsekvent ge giltiga strukturerade utdata. Språkmodeller vill berätta, förklara och nyansera. En ren JSON-array av kort med rätt typer, fält och data kräver noggranna instruktioner och utdatavalidering.
När resultatet inte matchar kortschemat tolkar vi det som går och kasserar felaktiga kort i stället för att misslyckas med hela körningen. Viss information är bättre än ingen.
Anpassade agenter: användardefinierade autonoma bevakare
Utöver fyra systemagenter kan användare skapa egna molnagenter. En anpassad agent har namn, användarskriven systeminstruktion och schema. Den använder samma verktygslager och korttyper men helt användardefinierat fokus.
En användare kan bevaka störningar på en viss handelsled, dagligen kontrollera en leverantörsgrupp mot sanktionslistor eller följa prisförändringar för en råvara med handelsdatakällor. Möjligheterna begränsas bara av verktygslagrets åtkomst.
För säker och användbar funktion krävdes flera tekniska beslut:
Organisationsavgränsning. Varje anpassad agent tillhör en organisation och kan bara nå dess data. Den kan inte korsa organisationsgränser även om instruktionen försöker få den att göra det.
Filtrering av verktygsförmågor. Anpassade agenter har samma verifierings- och undersökningsverktyg som systemagenter men ärver organisationens behörighetsgränser. De kan inte nå verktyg eller data som användaren inte själv kan nå via chatt.
Schemahantering. Agenter körs enligt användarscheman men inom plattformens gränser. Det förhindrar att en organisation förbrukar oproportionerlig beräkningskapacitet genom att köra dussintals agenter varje timme.
Samordning i stor skala
Daglig autonom agentkörning över många organisationer ger samordningsutmaningar som saknas i chattsystem.
Dubblettskydd. Om schemaläggaren startar och en agent för organisation A redan körts inom dubblettfönstret hoppas den över. Det förhindrar dubbelkörningar från återförsök, överlappande scheman eller schemaläggningsfel. Varje agent–organisationspar är en unik schemaläggningsenhet.
Felisolering. Om en organisations agent misslyckas — genom verktygsfel, otolkbara LLM-utdata eller en nedlagd beroendetjänst — får det inte påverka andra organisationers körningar. Varje körning är ett separat jobb. Felet loggas, körningen markeras misslyckad och schemaläggaren fortsätter.
Kortens livscykel. Informationskort har en livslängd. Gamla kort löper ut och ersätts när agenten körs igen. Instrumentpanelen visar därmed aktuell information i stället för gamla slutsatser. När agenten skapar nya kort ersätts föregående kort i kvadranten atomiskt.
Resursbudget. Agentkörningar förbrukar LLM-token, externa API-anrop och databasanslutningar. Vi följer tokenanvändning per körning och organisation för att hantera kostnader och identifiera oproportionerlig resursförbrukning. En skenande agent som gör 50 anrop när 10 räcker flaggas.
Koppla Cloud Agents till chatt
Molnagenter och chattagenten är inte isolerade. De bildar en återkopplingsloop.
Chattagenten kan söka i molnagenternas resultat. När användaren frågar ”vad hittade mina agenter?” eller ”finns efterlevnadsrisker jag bör känna till?” hämtar den senaste korten och visar dem i samtalsform. Den kan förklara en riskflagga, ge mer kontext eller hjälpa till med åtgärder.
Det ger ett naturligt flöde: molnagenter hittar problem under natten, användaren granskar instrumentpanelen på morgonen och öppnar en chatt för att gå djupare. Chattagenten känner redan till molnagenternas resultat och fortsätter där de slutade.
Även motsatt väg fungerar: mönster i användarchattar hjälper oss att finjustera molnagentinstruktioner. Om användare ofta frågar om en risktyp som inte visas är det en signal att ändra fokus.
Vad vi lärt oss
Autonoma AI-agenter har lärt oss sådant som inte är uppenbart när man bygger konversationsagenter:
Strukturerade utdata är svårare än fri text. Att få en LLM att konsekvent skriva giltig, schemaenlig JSON är en annan utmaning än ett bra stycke. Modellerna vill förklara, och analysenergin måste ledas till strukturerade fält.
Avgränsning är allt. En fokuserad agent med tydlig domän ger bättre information än en bred agent med åtkomst till allt. En agent per kvadrant var vår största enskilda kvalitetsförbättring.
Delresultat slår misslyckade körningar. I gruppsystem kan du inte fråga användaren vad som ska göras vid fel. Kontrollerad degradering — skapa de kort som går och ange luckorna — är avgörande.
Användare vill ha kontroll. Anpassade agenter blev en av de mest efterfrågade funktionerna. Efterlevnadsexperter känner sina risker bättre än generella system. Att låta dem programmera autonoma bevakare med naturligt språk frigjorde stort värde.
Återkopplingsloopen spelar roll. Molnagenter och chattagenter är mer värdefulla tillsammans än var för sig. Proaktiv information sätter agendan; konversations-AI ger djupet. Att från början utforma båda för dubbelriktat flöde förbättrade systemen.
Framåt
Molnagenter innebär ett grundskifte i hur vi ser på efterlevnads-AI. Frågan är inte ”vad kan AI svara på begäran?” utan ”vad bör AI kontrollera utan att bli tillfrågat?”
När verktygslagret får fler datakällor och regelmiljön blir komplexare ökar autonom bevaknings värde. Efterlevnadsexpertens dag ska inte börja med manuell kontroll av sex myndighetsdatabaser och tre spårningstjänster. Den ska börja med en instrumentpanel som visar exakt vad som ändrats under natten och behöver uppmärksamhet.
Det levererar molnagenter. Att göra det tillförlitligt, skalbart och användbart är ett av våra mest givande tekniska problem.
Atlas Verifieds molnagenter bevakar autonomt leveranskedjor, söker i myndighetsdatabaser och visar efterlevnadsrisker — så att experter kan fokusera på beslut, inte datainsamling.