AI-agent-ordbogen: 60 AI-udtryk forklaret i almindelige ord (2026)

Enhver AI-produktside læses i dag som en stavekonkurrence: agentic, MCP, RAG, context window, tool calling, guardrails, orchestration. Idéerne bag ordene er som regel enkle, men ingen forklarer dem ét sted, og det hul er grunden til, at så mange "bruger AI" uden nogensinde at give den en rigtig opgave.

Denne AI-ordbog retter op på det. Den dækker 60 udtryk, du vil støde på, når du læser om AI-agenter, store sprogmodeller og automatisering i 2026, grupperet efter tema og forklaret i almindelige ord med et konkret eksempel. Bogmærk den, del den med dit team, og brug den sammen med vores guider til hvad agentisk AI er og hvordan AI-subagenter fungerer. Hvor et udtryk har betydning for at bruge Jobbit, nævner vi det.

Grundbegreber: ordene alle bruger

• Kunstig intelligens (AI): software, der udfører opgaver, som normalt kræver menneskelig intelligens, såsom at forstå sprog, genkende billeder eller træffe beslutninger. I 2026 dækker udtrykket mest over systemer bygget på store sprogmodeller.

• Maskinlæring (ML): teknikken at træne software på eksempler i stedet for at skrive eksplicitte regler. Et spamfilter lærer af millioner af mærkede e-mails; det får ikke hver regel dikteret i hånden.

• Deep learning: maskinlæring med neurale netværk med mange lag. Det er det, der har gjort moderne billedgenkendelse, tale- og sprogmodeller mulige.

• Generativ AI: AI, der skaber nyt indhold, tekst, billeder, kode, lyd eller video, ud fra en prompt. ChatGPT, Claude, Gemini og Midjourney er generative AI-produkter.

• Stor sprogmodel (LLM): et neuralt netværk trænet på enorme mængder tekst, som forudsiger det næste token i en sekvens og på den måde lærer at ræsonnere, skrive og følge instrukser. GPT, Claude, Gemini, Llama, DeepSeek og Mistral er LLM-familier.

• Fundamentmodel: en stor model trænet på bred data, som kan tilpasses mange opgaver. LLM'er er fundamentmodeller for sprog; der findes tilsvarende for billeder og video.

• Multimodal model: en model, der forstår og producerer mere end én type input, typisk tekst, billeder, lyd og nogle gange video. Multimodale modeller gør det muligt for en agent at læse et screenshot eller en scannet faktura.

• Prompt: instruksen du giver en model. At skrive gode prompts er en færdighed; se hvordan man skriver prompts til AI-agenter.

• System-prompt: skjulte instrukser sat af produktudvikleren, som former, hvordan modellen opfører sig i hver samtale: dens rolle, tone, regler og værktøjer.

• Inferens: det at køre en trænet model for at producere et svar. Træning sker én gang; inferens sker hver gang du sender en besked, og det er det, du betaler for.

Sådan tænker modeller: tokens, kontekst og ræsonnement

• Token: den enhed, modeller læser og skriver i, cirka tre fjerdedele af et engelsk ord. Priser, grænser og hastighed måles alt sammen i tokens. "En million tokens" svarer til omkring 750.000 ord.

• Kontekstvindue: mængden af tekst en model kan forholde sig til på én gang, inklusive din samtale, dokumenter og modellens eget svar. Større vinduer lader en agent holde en hel kodebase eller en kontrakt på hundrede sider i erindring.

• Context engineering: kunsten at afgøre, hvad der kommer ind i kontekstvinduet: hvilke dokumenter, eksempler, værktøjsresultater og erindringer, så modellen har det, den skal bruge, og intet, der distraherer den. Det har stort set afløst "prompt engineering" som den vigtige færdighed i agentdesign.

• Ræsonnerende model: en model trænet til at "tænke", før den svarer, og producere mellemliggende skridt, der forbedrer præcisionen inden for matematik, kode og planlægning. Ræsonnering koster flere tokens, men gør agenter langt mere pålidelige.

• Chain of thought: den trin-for-trin-ræsonnering en model skriver ud på vejen til et svar. Ræsonnerende modeller gør det naturligt; ældre modeller kan bedes om at gøre det.

• Temperature: en indstilling, der styrer tilfældighed. Lav temperature giver konsistente, forudsigelige svar; højere temperature giver mere varierede, kreative svar.

• Hallucination: en selvsikker, men forkert påstand fra en model, såsom et opdigtet citat eller en ikke-eksisterende produktfunktion. Agenter reducerer hallucination ved at kontrollere kilder og teste resultater i stedet for at stole på ét enkelt svar.

• Grounding: at forankre en models svar i reelle data, dokumenter, søgeresultater eller værktøjsresultater, så den rapporterer, hvad der rent faktisk er der, i stedet for hvad der lyder plausibelt.

• Fine-tuning: yderligere træning af en model på dine egne eksempler, så den lægger sig efter en stil, et format eller en fagviden. Nyttigt til snævre opgaver; som regel unødvendigt for agenter, der får deres viden fra værktøjer og kontekst.

• Retrieval-augmented generation (RAG): at hente relevante dokumenter frem, når spørgsmålet stilles, og lægge dem ind i kontekstvinduet, så modellen svarer ud fra dine data. Det er sådan, "chat med dine dokumenter"-produkter fungerer.

• Embeddings: numeriske repræsentationer af tekst, der indfanger betydning, så lignende tekststykker ligger tæt på hinanden. Embeddings driver semantisk søgning og RAG.

• Vektordatabase: en database optimeret til at gemme og søge i embeddings. Pinecone, Weaviate, pgvector og Chroma er almindelige valg.

• Knowledge cutoff: datoen hvorefter en model ikke har træningsdata. Agenter omgår det ved at søge på nettet og læse aktuelle kilder.

Agenter: ordforrådet for autonomi

• AI-agent: software, der bruger en model plus værktøjer til selvstændigt at løse opgaver: den planlægger, handler, observerer resultater og justerer. Emnet for det meste af denne ordbog.

• Agentic AI (agentisk AI): den bredere tilgang at bygge måldrevne AI-systemer, der bruger værktøjer, ofte med flere agenter, der arbejder sammen. Forklaret i sin fulde bredde i hvad er agentisk AI?.

• AI-assistent / copilot: agentlignende hjælp, der forbliver under din direkte kontrol, og som foreslår i stedet for at handle. GitHub Copilot i editoren er det klassiske eksempel; "agent mode" er, hvor en copilot bliver til en agent.

• Autonomi: hvor meget en agent gør uden at spørge. Nyttige systemer skalerer autonomien efter, hvor reversibel handlingen er: skriv udkast frit, brug kun penge med godkendelse.

• Tool use / function calling: mekanismen hvormed en model kalder software: søge på nettet, køre kode, forespørge en database, sende en e-mail. Værktøjer gør en chatbot til en agent.

• Model Context Protocol (MCP): en åben standard, introduceret af Anthropic, til at forbinde modeller med værktøjer og datakilder på en konsistent måde. Tænk på det som et universalstik til agenter; understøttelsen bredte sig til de store AI-platforme gennem 2025 og 2026.

• Agent-to-agent protocol (A2A): en standard, foreslået af Google, der lader agenter fra forskellige leverandører finde og tale med hinanden. Sammen med MCP peger det mod agenter, der samarbejder på tværs af virksomheder.

• Orchestration: at koordinere flere skridt, værktøjer eller agenter i ét workflow: at beslutte hvad der kører, i hvilken rækkefølge, og hvad der sker ved fejl.

• Multi-agent-system: flere agenter med forskellige roller, der arbejder mod ét mål, typisk en ledende agent, der planlægger og uddelegerer, plus specialistagenter, der researcher, bygger eller kontrollerer.

• Subagent: en agent, der oprettes af en anden agent til at klare én del af en opgave parallelt. Jobbit bruger subagenter til at undersøge mange kilder eller bygge og teste flere funktioner på samme tid; se AI-subagenter forklaret.

• Planner: den del af en agent, der opdeler et mål i skridt og justerer planen, efterhånden som resultater kommer ind.

• Memory (hukommelse): det en agent husker ud over én besked. Korttidshukommelsen er den aktuelle kontekst; langtidshukommelsen gemmer præferencer, tidligere beslutninger og fakta om dig, så agenten bliver bedre over tid.

• Agent loop: den gentagne cyklus af at planlægge, handle, observere, justere, som kører, indtil målet er nået, eller agenten har brug for en beslutning.

• Human in the loop: et design, hvor en person gennemgår eller godkender bestemte skridt, såsom at sende en kunde-e-mail eller foretage en betaling.

• Computer use / browseragent: en agent, der betjener software ved at kigge på skærmen og klikke og skrive som et menneske, hvilket gør, at den kan arbejde med værktøjer uden API. Forklaret i computer-use AI-agenter.

• Deep research: et agentisk workflow, hvor agenten læser snesevis af kilder, krydstjekker påstande og udarbejder en rapport med kilder. Se hvordan man kører dybdegående research med AI.

• Workflow automation: foruddefinerede, regelbaserede sekvenser af handlinger på tværs af apps, hjemmebanen for Zapier, Make og n8n. Agenter tilføjer vurderingsevne til workflows; vi sammenligner de to i Zapier vs Make vs n8n vs AI-agenter.

• Alsidig AI-agent (multipurpose AI agent): én agent, der klarer mange slags arbejde, research, skrivning, softwarebygning, design, automatisering, fra én enkelt chat, i stedet for et separat værktøj til hver ting. Jobbit er bygget på den måde.

At bygge software med AI

• Vibe coding (at kode på fornemmelsen): at bygge software ved at beskrive, hvad du vil have, i naturligt sprog og lade en AI-agent skrive, køre og rette koden, hvor du bedømmer resultatet ud fra, hvordan det opfører sig, frem for ved at læse hver linje. Fuld guide: hvad er vibe coding?.

• AI app builder: et produkt, der omdanner en beskrivelse til en fungerende applikation, ofte med hosting inkluderet. Lovable, Bolt, v0, Replit og Jobbit er eksempler; sammenlignet i de bedste vibe coding-værktøjer.

• Coding agent (kodeagent): en agent, der arbejder inde i en kodebase: læser filer, skriver kode, kører tests og retter fejl. Claude Code, OpenAI Codex, Cursors agenttilstand og Devin er kodeagenter.

• No-code / low-code: visuelle værktøjer til at bygge software uden (eller med minimal) programmering, såsom Bubble, Webflow, Airtable og Retool. Hvordan de klarer sig i forhold til vibe coding, gennemgås i vibe coding vs no-code vs low-code.

• Sandbox: et isoleret miljø, hvor en agent kan køre kode sikkert uden at røre dine rigtige systemer. Afgørende for enhver agent, der udfører kode.

• Deployment (udrulning): at gøre software live på en server, så folk kan bruge den. Agenter, der udruller for dig, med hosting inkluderet, fjerner det skridt, der stopper de fleste ikke-udviklere.

• API (application programming interface): den strukturerede måde, ét stykke software taler med et andet på. Agenter bruger API'er til at læse og ændre data i andre systemer.

• Webhook: en besked, ét system sender til et andet, når noget sker ("ny ordre afgivet"), typisk brugt til at udløse automatiseringer.

• MVP (minimum viable product): den mindste udgave af et produkt, der lader rigtige brugere prøve det. Agenter har presset MVP-tidslinjer sammen fra måneder til dage; se hvordan man bygger en SaaS med AI.

• Technical debt (teknisk gæld): genveje i koden, der gør fremtidige ændringer langsommere og mere risikable. AI-genereret kode ophober det hurtigt, hvis ingen gennemgår strukturen, én af de risici, der dækkes i vibe coding-fejl og sikkerhed.

Sikkerhed, kvalitet og tillid

• Guardrails (sikkerhedsrammer): regler og kontroller, der begrænser, hvad en agent må gøre eller sige: blokerede handlinger, forbrugslofter, indholdsfiltre, påkrævede godkendelser.

• Prompt injection: et angreb, hvor tekst agenten læser (en hjemmeside, en e-mail, et dokument) indeholder instrukser designet til at kapre den. Robuste agenter behandler alt, de læser, som data, aldrig som kommandoer.

• Alignment: den brede indsats for at få modeller til at opføre sig i tråd med menneskelige hensigter og værdier, fra at afvise skadelige anmodninger til at følge instrukser tro mod hensigten.

• Evaluation (evals): systematiske tests af en models eller agents kvalitet på et fast sæt opgaver. Seriøse teams kører evals, før de betror en agent et workflow.

• Benchmark: en offentlig evaluering brugt til at sammenligne modeller, såsom SWE-bench til softwareudviklingsopgaver. Nyttige signaler, men reelle præstationer på din egen opgave betyder mere.

• Observability: at logge hvad en agent gjorde, hvilke værktøjer den kaldte og hvorfor, så du kan revidere resultater og fejlsøge nedbrud.

• Red teaming: bevidst at angribe en model eller agent for at finde svagheder, før andre gør det.

• Data residency og privatliv: hvor dine data opbevares, og hvem der kan se dem. Tjek, om en AI-udbyder træner på dine input, og hvor dens servere står, før du uploader noget følsomt.

Forretnings- og prisudtryk

• Credits: den forbrugsvaluta mange agentplatforme sælger i stedet for rå tokens, så én credit måske dækker en besked, et byggetrin eller en researchkørsel. Læs omregningen grundigt; vi gennemgår den i hvor meget koster AI-agenter?.

• Rate limit: loftet for, hvor mange forespørgsler eller tokens du kan bruge i en periode. At ramme det midt i en opgave er den mest almindelige grund til, at en agentkørsel går i stå.

• Latency (svartid): hvor lang tid et svar tager. Agenter bytter svartid for grundighed: en to minutter lang researchkørsel slår et gæt på to sekunder.

• Seat-based vs. usage-based pricing: at betale pr. bruger pr. måned over for at betale for det, du forbruger. Agentprodukter blander i stigende grad de to.

• Automation ROI: afkastet af en automatisering, som regel målt i sparede timer, hurtigere svartider eller påvirket omsætning, holdt op mod prisen på værktøjet og tiden det tager at sætte op.

• Digital worker / AI employee: marketingsprog for en niveau 4-agent, der ejer en rolle frem for en opgave. Behandl udtrykket med samme skepsis, som du ville anvende på et CV.

Ofte stillede spørgsmål

Hvad er forskellen på en AI-agent og en LLM?

En LLM er modellen, der læser og skriver tekst. En AI-agent er et system bygget omkring en model, der tilføjer planlægning, værktøjer, hukommelse og en feedback-løkke, så den kan løse opgaver i stedet for kun at besvare spørgsmål. LLM'en er motoren; agenten er bilen.

Hvad betyder MCP inden for AI?

MCP står for Model Context Protocol, en åben standard til at forbinde AI-modeller med værktøjer og datakilder på en konsistent måde. I stedet for at hvert produkt bygger sine egne skræddersyede integrationer, eksponerer værktøjer en MCP-server, som enhver kompatibel agent kan bruge.

Hvad er et kontekstvindue, og hvorfor betyder det noget?

Kontekstvinduet er, hvor meget tekst en model kan forholde sig til på én gang, målt i tokens. Det betyder noget, fordi alt, agenten ved om den aktuelle opgave, dine instrukser, dokumenterne, værktøjsresultaterne, skal kunne være der. Større vinduer lader agenter håndtere større kodebaser og længere dokumenter.

Hvad er forskellen på RAG og fine-tuning?

RAG henter relevante dokumenter frem, når spørgsmålet stilles, og giver dem til modellen, så den svarer ud fra aktuelle data uden gentræning. Fine-tuning ændrer selve modellen ved at træne den på eksempler, hvilket passer til faste stilarter eller formater. For de fleste virksomheder er RAG plus gode værktøjer nok, og agenter gør begge dele mindre nødvendige ved simpelthen at læse kilden.

Hvad er vibe coding i én sætning?

Vibe coding er at bygge software ved at beskrive, hvad du vil have, og lade en AI-agent skrive, køre og rette koden, så du bedømmer resultatet ud fra, hvordan appen opfører sig, frem for ved at læse hver linje.

Nu hvor ordforrådet giver mening, så sæt det i sving: start gratis på Jobbit, og giv en agent en opgave, der er værd at løse.