Tekoälyagentit käytännössä: mikä on agentti

Tekoälyagentti on ohjelma, joka ei ainoastaan vastaa kysymyksiin vaan tekee tehtäviä: hakee tietoa, kutsuu työkaluja ja suorittaa useita vaiheita tavoitteen eteen. Tämä opas selittää, mikä agentti on, miten se eroaa chatbotista, miten se toimii ja mitä riskejä siihen liittyy. Erikoistermit selitetään heti ensimmäisellä käyttökerralla.

Mikä on tekoälyagentti?

Yksinkertaisin määritelmä tulee OpenAI:n kehittäjäohjeesta: agentti on tekoälyjärjestelmä, jolla on ohjeet siitä, mitä sen pitää tehdä, turvakaiteet eli rajat sille, mitä se ei saa tehdä, sekä pääsy työkaluihin, joiden avulla se toimii käyttäjän puolesta. Ratkaiseva ero on toiminta: jos järjestelmä vain vastaa kysymyksiin, sitä ei voi kutsua agentiksi, mutta jos se on yhteydessä muihin järjestelmiin ja tekee niissä muutoksia käyttäjän pyynnön perusteella, kyse on agentista.

Agentti ei ole sama kuin chatbot

Tavallinen chatbot eli keskustelusovellus perustuu suureen kielimalliin ja tuottaa tekstiä, joka vastaa käyttäjän viestiin. Se on keskustelukumppani, ei tekijä. Agentti rakennetaan saman kielimallin päälle, mutta sen ympärille lisätään pääsy työkaluihin, kyky suunnitella usean vaiheen työ ja muisti. Ero näkyy tehtävässä: chatbotilta voi kysyä, miten sähköposti kirjoitetaan, mutta agentille voi antaa tehtäväksi etsiä asiakkaan viimeisin tilaus, kirjoittaa vastaus ja tallentaa luonnos sähköpostiohjelmaan.

Miksi agentit yleistyivät juuri nyt

Anthropic huomauttaa, että kielimallien kyky käyttää työkaluja ja päätellä asioita on parantunut merkittävästi. Siksi malli voi nykyään itse päättää seuraavan askeleensa sen sijaan, että ihminen koodaisi jokaisen välivaiheen etukäteen.

Näin agentti toimii: malli, työkalut, muisti ja silmukka

1. Kielimalli on päätöksiä tekevä ydin

Malli lukee tehtävän, käytettävissä olevat työkalut ja tähänastisen tilanteen ja tuottaa joko vastauksen tai päätöksen kutsua työkalua. Mallin käytettävissä oleva tekstin määrä on rajallinen: konteksti-ikkuna merkitsee sitä merkkimäärää, jonka malli voi kerrallaan ottaa huomioon. Osa malleista on päättelymalleja, jotka käyttävät enemmän laskentatehoa vaihtoehtojen punnitsemiseen.

2. Työkalut antavat kädet

Työkalu on ohjelma tai rajapinta, jota malli voi pyytää suorittamaan. Tyypillisiä työkaluja ovat verkkohaku, tietokantakysely, sähköpostin lähetys, tiedoston käsittely sekä rajapintakutsut yrityksen omiin järjestelmiin. Malli ei itse suorita mitään: se tuottaa rakenteellisen pyynnön, jonka ohjelmakehys toteuttaa. Tätä kutsutaan työkalukutsuksi.

3. Muisti pitää työn kasassa

Muisti voi olla lyhytaikaista, jolloin se kattaa nykyisen keskustelun, tai pitkäaikaista, jolloin tiedot tallennetaan esimerkiksi tietokantaan. Yleinen tapa on tallentaa dokumentit numeerisina vektoreina ja hakea niistä olennaiset kohdat. Tämä menetelmä tunnetaan nimellä RAG eli hakuavusteinen tuottaminen.

4. Silmukka toistaa, kunnes työ on valmis

Anthropic kuvaa eron näin: työnkulku on järjestelmä, jossa kielimallin ja työkalujen vaiheet on koodattu etukäteen kiinteään järjestykseen, kun taas agentti on järjestelmä, jossa malli ohjaa itse etenemistään. Agentin silmukka etenee niin, että malli suunnittelee askeleen, kutsuu työkalua, lukee tuloksen ja päättää seuraavan askeleen. Silmukka päättyy, kun tavoite on saavutettu, kun tarvitaan ihmisen päätöstä tai kun kierrosraja täyttyy. Kierrosraja estää päättömän toistamisen.

Itsenäisyyden tasot: avustajasta itsenäiseksi agentiksi

Agentin itsenäisyys ei ole kyllä tai ei -kysymys, vaan liukuva asteikko. Taulukko kuvaa yleisimmät tasot.

Anthropic suosittelee aloittamaan yksinkertaisimmasta ratkaisusta ja lisäämään monimutkaisuutta vasta kun se on perusteltua. Monimutkaisempi järjestelmä vaihtaa nopeutta ja kustannuksia parempaan suoriutumiseen. Moniin tarpeisiin riittää yksi mallikutsu, johon on liitetty haku ja muutama esimerkki.

Työkalujen kutsuminen ja MCP-standardin merkitys

Työkalukutsun idea on yksinkertainen: malli saa listan käytettävissä olevista työkaluista kuvauksineen ja tuottaa vastauksenaan rakenteellisen pyynnön, jossa on työkalun nimi ja tarvittavat tiedot. Kehys tarkistaa pyynnön, suorittaa sen ja palauttaa tuloksen mallille. Malli ei siis itse kirjoita tietokantaan tai lähetä sähköpostia, vaan pyytää sitä ohjelmalta, joka voi tarkistaa oikeudet.

Käytännön hankaluus on ollut se, että jokainen työkalu piti aiemmin liittää sovelluksiin erikseen räätälöidyllä koodilla. Tähän ongelmaan Anthropic julkaisi marraskuussa 2024 avoimen MCP-standardin, jonka oma dokumentaatio vertaa sitä USB-C-liitäntään: yksi liitäntä yhdistää erilaiset laitteet, ja samalla tavalla MCP tarjoaa yhden tavan yhdistää tekoälysovellus ulkoisiin tietolähteisiin, työkaluihin ja palveluihin.

Standardin merkitys korostuu, kun agentti yhdistetään yrityksen omiin järjestelmiin: ilman yhteistä tapaa jokainen liitäntä on oma projektinsa. MCP ei kuitenkaan ratkaise oikeuskysymyksiä, sillä se kertoo vain, miten liitäntä tehdään. Oikeudet pitää rajata erikseen: yritysympäristössä siitä kertoo Yrityksen tekoälyn käyttöönotto: hallinto, riskit ja dokumentointi -opas.

Konkreettiset käyttötapaukset

Tutkimus ja tiedon kokoaminen

Tutkimusagentti hakee lähteitä verkosta, lukee ne ja kokoaa yhteenvedon lähdeluetteloineen. Se sopii tehtäviin, joissa pitää käydä läpi kymmeniä dokumentteja ennen päätöstä. Hyöty syntyy ajansäästöstä, mutta jokainen lähde pitää silti tarkistaa.

Asiakaspalvelu

Asiakaspalveluagentti vastaa kysymyksiin yrityksen tietopohjasta ja voi tarkistaa esimerkiksi tilauksen tilan. Microsoft kuvaa dokumentaatiossaan agentin tekoälyavustajaksi, joka hoitaa keskusteluja ja suorittaa tehtäviä annettujen ohjeiden, tietolähteiden ja työkalujen avulla. Palveluissa agentti julkaistaan sinne, missä asiakkaat jo ovat.

Koodaus

Koodausagentti lukee lähdekoodia, tekee muutoksen, ajaa testit ja korjaa virheet, kunnes testit menevät läpi. Tämä on yksi yleisimmistä tuotantokäytöistä, koska palaute on yksiselitteistä ja ympäristö voidaan eristää.

Tietojen käsittely ja rutiinityö

Agentti soveltuu toistuvaan työhön, jossa on paljon vaihtelua: lomakkeiden lukemiseen, tietojen siirtoon järjestelmästä toiseen ja raporttien kokoamiseen. Microsoftin dokumentaatiossa esimerkkinä mainitaan tietoanalyytikon avustaja, joka vastaa tietovaraston kysymyksiin lukuoikeudella.

Riskit ja rajat

Kehotteen injektio

Kun agentti lukee ulkoista sisältöä, kuten verkkosivua tai sähköpostia, se ei voi täysin erottaa sisältöä ohjeista. Hyökkääjä voi piilottaa tekstiin ohjeita, jotka saavat agentin toimimaan hyökkääjän haluamalla tavalla. Ilmiötä kutsutaan kehotteen injektioksi. Tutkijat Kai Greshake ja kumppanit kuvasivat vuonna 2023 epäsuoran kehotteen injektion, jossa haettu sisältö toimii ikään kuin ohjelmakoodina ja voi johtaa tietojen vuotamiseen. OWASP on listannut sen generatiivisen tekoälyn vakavimpien riskien joukkoon.

Oikeudet ja hyväksyntärajat

Agentille annetut oikeudet ovat suurin yksittäinen riskitekijä. Jos agentilla on pääsy sähköpostiin, tiedostoihin ja maksujärjestelmiin, virhe voi aiheuttaa nopeasti vahinkoa. Käytännön sääntöjä ovat pienimmän oikeuden periaate eli agentti saa vain tehtävän vaatimat oikeudet, ihmisen hyväksyntä peruuttamattomille toimenpiteille ja eristetty ympäristö eli hiekkalaatikko, jossa kokeilut eivät vaikuta tuotantoon. Myös NISTin generatiivisen tekoälyn riskiprofiili korostaa, että riskienhallinta on sovitettava käyttötarkoitukseen.

Hallusinointi ja kustannukset

Kielimallit voivat tuottaa vakuuttavan kuuloisen mutta virheellisen väitteen. Tästä käytetään nimitystä hallusinointi. Agentissa virhe kertaantuu: jos ensimmäinen välivaihe perustuu virheelliseen oletukseen, kaikki sen jälkeen rakentuu väärälle pohjalle. NIST listaa generatiivisen tekoälyn erityispiirteeksi muun muassa sepitelmät eli confabulaation. Silmukka voi myös jatkua pitkään ja kutsua työkaluja satoja kertoja, mikä näkyy laskussa ja viiveessä. Järjestelmään kannattaa siksi asettaa kierrosraja, aikaraja ja euromääräinen katto sekä kerätä loki, josta näkyy jokainen työkalukutsu.

Näin yritys tai yksityishenkilö aloittaa

Aloita yksinkertaisesta ja rajaa tehtävä tarkasti

Ensimmäinen agentti kannattaa rakentaa yhteen selkeään tehtävään, jossa on mitattava lopputulos, esimerkiksi raportin kokoaminen valmiista lähteistä lukuoikeudella. Vältä alussa järjestelmää, joka saa muuttaa tärkeitä tietoja ilman ihmisen hyväksyntää.

Kirjoita ohjeet ja rajat näkyviin

Agentti tarvitsee kirjalliset ohjeet: mitä sen pitää tehdä, mitä se ei saa tehdä ja milloin sen pitää kysyä ihmiseltä. Kehote eli mallille annettava ohje on agentissa pysyvä osa järjestelmää, ei yksittäinen kysymys.

Testaa ennen käyttöönottoa

Kokeile agenttia rajatussa ympäristössä ja yritä saada se epäonnistumaan: syötä sille harhaanjohtavaa sisältöä ja katso, pysyykö se rajoissaan. Käyttöönoton jälkeen järjestelmälle kannattaa nimetä omistaja, joka seuraa lokeja ja päivittää ohjeita. Säännellyillä aloilla on syytä tarkistaa, mitä EU:n tekoälyasetus edellyttää tästä käyttötarkoituksesta.

Yksityishenkilölle riittää usein kevyt aloitus

Yksityishenkilön ei tarvitse rakentaa järjestelmiä itse. Kaupalliset avustajat sisältävät jo työkaluja, kuten verkkohaun ja tiedostojen käsittelyn, ja käyttöönotto tapahtuu asetuksista. Aloita yhdestä tehtävästä, anna agentin ehdottaa ja hyväksy vaiheet itse. Perustyökaluihin tutustut ChatGPT-oppaasta: 12 vinkkiä tehokkaaseen käyttöön.

Aiheeseen liittyvät oppaat

• ChatGPT-opas: 12 vinkkiä tehokkaaseen käyttöön
• Claude-opas: näin käytät Claudea tehokkaasti
• Yrityksen tekoälyn käyttöönotto: hallinto, riskit ja dokumentointi
• Paikalliset tekoälymallit: mitä koneeltasi vaaditaan
• Tekoälyn perussanasto: 109 termiä kysymys ja vastaus

Lähteet

• OpenAI: Building agents — developers.openai.com
• OpenAI: A practical guide to building agents — openai.com
• Anthropic: Building effective agents — anthropic.com
• Anthropic: Introducing the Model Context Protocol — anthropic.com
• Model Context Protocol: What is the Model Context Protocol (MCP)? — modelcontextprotocol.io
• Microsoft Learn: Overview – Microsoft Copilot Studio — learn.microsoft.com
• NIST: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1) — nist.gov
• OWASP: Top 10 for Large Language Model Applications — owasp.org
• Greshake, Abdelnabi ym.: Not what you’ve signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection — arxiv.org