Cisco beskriver AI-agenter som «nettsuperbrukere». Til forskjell fra mennesker – som typisk utfører diskrete handlinger som å laste en nettside eller sende en melding – opererer agenter kontinuerlig i programvarehastighet.

I praksis betyr det at en enkelt agentarbeidsflyt kan:

• Sende gjentatte inferanseforespørsler til AI-modeller
• Hente data fra flere API-er og skytjenester
• Utveksle tokens og mellomresultater på tvers av tjenester
• Utløse kjedeaktiverte arbeidsflyter som kaller ytterligere modeller eller verktøy

På grunn av denne konstante aktiviteten anslår Cisco at AI-agenter kan generere omtrent 450% mer nettrafikk enn menneskelige brukere i sammenlignbare arbeidsflyter.

En annen viktig forskjell er trafikkretningen. Tradisjonell internettbruk er for det meste nedlastningstung (for eksempel strømming av video eller lasting av nettsider). AI-arbeidsflyter innebærer derimot kontinuerlig toveisutveksling, med betydelig oppstrømstrafikk når spørsmål, data og mellomresultater sendes til modeller før svar returneres.

Den virkelige driveren: AI-inferanse, ikke trening

Offentlig diskusjon om AI-infrastruktur fokuserer ofte på trening av store modeller. Ciscos studie fremhever en annen realitet for nettverk: inferanse dominerer driftstrafikken.

Inferanse refererer til sanntidsbruken av trente modeller – å svare på spørsmål, generere innhold, analysere data eller utføre agentoppgaver. Ciscos forskning er basert på målt inferansetrafikk på tjenesteleverandørers nettverk, og viser at disse sanntidsarbeidslastene er den primære driveren for WAN-etterspørsel.

Rapporten anslår at inferansetrafikk alene kan drive 63% ekstra nettverksvekst sammenlignet med prognoser som ikke inkluderer agentiske AI-arbeidslaster.

En stor endring i global trafikk innen 2035

Hvis agentisk AI-adopsjon følger Ciscos prognoser, blir nettverksfotavtrykket betydelig i løpet av det neste tiåret.

Viktige prognoser inkluderer:

• AI-inferanse kan nå omtrent 25% av all nettrafikk innen 2035.
• Den største akselerasjonen ventes mellom 2029 og 2032, når bedrifters adopsjon av AI-agenter antas å ta av.

Denne veksten reflekterer et strukturelt skifte: i stedet for sporadiske trafikktopper når en bruker spør en modell, skaper AI-agenter kontinuerlige arbeidslaster som holder nettverkene opptatt døgnet rundt.

Hvorfor bedrifters nettrafikk kan vokse 9 ganger

Cisco modellerte også hvordan AI-adopsjon kan påvirke bedrifters trafikkvolumer.

Uten agentisk AI ville bedrifters nettverksetterspørsel fra 2026 til 2035 sannsynligvis vokse omtrent 2,5 ganger, drevet av skytjenester, SaaS-applikasjoner og digital transformasjon.

Med utbredt agentisk AI kan imidlertid samme periode se trafikk vokse til omtrent ni ganger dagens nivåer, drevet av autonome arbeidsflyter som gjentatte ganger får tilgang til data, modeller og tjenester.

Disse systemene multipliserer effektivt aktiviteten på tvers av nettverket fordi hver menneskelig oppgave kan utløse mange automatiserte interaksjoner mellom tjenester og AI-modeller.

Hvordan AI-trafikk endrer nettverksatferd

Ciscos forskning understreker at AI ikke bare øker trafikkvolumet – den endrer trafikkens egenskaper.

Sammenlignet med konvensjonell web- eller SaaS-trafikk har AI-arbeidslaster en tendens til å være:

• Mer dynamiske: AI-agenter starter plutselige forespørsler og distribuerte arbeidsflyter.
• Mer følsomme for ventetid: inferanseforsinkelser påvirker brukeropplevelsen og agentytelsen direkte.
• Mer toveis: oppstrømstrafikk øker når spørsmål, telemetri og mellomdata sendes til modeller.
• Mer komplekse: arbeidsflyter involverer ofte flere skyer, API-er og inferanseendepunkter.

Disse endringene gjør tradisjonell nettverksplanlegging – basert på forutsigbar brukeraktivitet – mye mindre pålitelig.

Hvorfor nettverk trenger ny arkitektur for AI

Fordi AI-inferansebaner direkte påvirker applikasjonskvalitet, argumenterer Cisco for at nettverk må behandle dem som kritisk infrastruktur, ikke vanlige trafikkstrømmer.

Dette skiftet innebærer flere arkitektoniske prioriteringer:

1. AI-bevisst trafikkstyring

Inferanseflyter kan kreve prioriterte baner, ventetidsgarantier og dynamiske rutebeslutninger for å opprettholde ytelsen.

2. Distribuert databehandling og kantplassering

Å plassere inferanseinfrastruktur nærmere brukere eller data kan redusere ventetid og forhindre WAN-overbelastning.

3. Sanntidsovervåkning

AI-arbeidslaster produserer raske, komplekse trafikkmønstre, noe som gjør ende-til-ende-synlighet avgjørende for å oppdage overbelastning eller forringet ytelse før arbeidsflyter mislykkes.

4. Sterkere resiliens

Cisco-forskning fremhever at nettverksbrudd allerede koster bedrifter dyrt og ofte utløses av overbelastning, cyberangrep eller konfigurasjonsfeil. AI-arbeidslaster øker presset på nettverk som må være kontinuerlig tilgjengelige.

Oppsummering

Ciscos WAN-forskning peker mot en dypere transformasjon enn enkel båndbreddevekst. Agentisk AI introduserer alltid-aktive, inferansedrevne arbeidslaster som oppfører seg annerledes enn tradisjonell internettrafikk.

Hvis adopsjonstrendene følger dagens prognoser, vil nettverk i løpet av det neste tiåret måtte støtte:

• AI-agenter som fungerer som høyfrekvente nettverksbrukere
• store volumer av sanntids inferansetrafikk
• mer symmetriske og ventetidskritiske flyter

Det betyr at fremtidig nettverksdesign i økende grad vil dreie seg om AI-bevisste arkitekturer – som kombinerer høyere kapasitet, distribuert databehandling, avansert telemetri og spesialisert tjenestekvalitet for inferansetrafikk.

Likevel er disse prognosene fortsatt spådommer basert i stor grad på Ciscos målinger og modellering. Den nøyaktige skalaen av endringen vil avhenge av hvor raskt agentisk AI blir innbakt i hverdagslige bedrifts- og forbrukerarbeidsflyter.

Cisco beskriver AI-agenter som «nettsuperbrukere». Til forskjell fra mennesker – som typisk utfører diskrete handlinger som å laste en nettside eller sende en melding – opererer agenter kontinuerlig i programvarehastighet.

I praksis betyr det at en enkelt agentarbeidsflyt kan:

• Sende gjentatte inferanseforespørsler til AI-modeller
• Hente data fra flere API-er og skytjenester
• Utveksle tokens og mellomresultater på tvers av tjenester
• Utløse kjedeaktiverte arbeidsflyter som kaller ytterligere modeller eller verktøy

På grunn av denne konstante aktiviteten anslår Cisco at AI-agenter kan generere omtrent 450% mer nettrafikk enn menneskelige brukere i sammenlignbare arbeidsflyter.

En annen viktig forskjell er trafikkretningen. Tradisjonell internettbruk er for det meste nedlastningstung (for eksempel strømming av video eller lasting av nettsider). AI-arbeidsflyter innebærer derimot kontinuerlig toveisutveksling, med betydelig oppstrømstrafikk når spørsmål, data og mellomresultater sendes til modeller før svar returneres.

Den virkelige driveren: AI-inferanse, ikke trening

Offentlig diskusjon om AI-infrastruktur fokuserer ofte på trening av store modeller. Ciscos studie fremhever en annen realitet for nettverk: inferanse dominerer driftstrafikken.

Inferanse refererer til sanntidsbruken av trente modeller – å svare på spørsmål, generere innhold, analysere data eller utføre agentoppgaver. Ciscos forskning er basert på målt inferansetrafikk på tjenesteleverandørers nettverk, og viser at disse sanntidsarbeidslastene er den primære driveren for WAN-etterspørsel.

Rapporten anslår at inferansetrafikk alene kan drive 63% ekstra nettverksvekst sammenlignet med prognoser som ikke inkluderer agentiske AI-arbeidslaster.

En stor endring i global trafikk innen 2035

Hvis agentisk AI-adopsjon følger Ciscos prognoser, blir nettverksfotavtrykket betydelig i løpet av det neste tiåret.

Viktige prognoser inkluderer:

• AI-inferanse kan nå omtrent 25% av all nettrafikk innen 2035.
• Den største akselerasjonen ventes mellom 2029 og 2032, når bedrifters adopsjon av AI-agenter antas å ta av.

Denne veksten reflekterer et strukturelt skifte: i stedet for sporadiske trafikktopper når en bruker spør en modell, skaper AI-agenter kontinuerlige arbeidslaster som holder nettverkene opptatt døgnet rundt.

Hvorfor bedrifters nettrafikk kan vokse 9 ganger

Cisco modellerte også hvordan AI-adopsjon kan påvirke bedrifters trafikkvolumer.

Uten agentisk AI ville bedrifters nettverksetterspørsel fra 2026 til 2035 sannsynligvis vokse omtrent 2,5 ganger, drevet av skytjenester, SaaS-applikasjoner og digital transformasjon.

Med utbredt agentisk AI kan imidlertid samme periode se trafikk vokse til omtrent ni ganger dagens nivåer, drevet av autonome arbeidsflyter som gjentatte ganger får tilgang til data, modeller og tjenester.

Disse systemene multipliserer effektivt aktiviteten på tvers av nettverket fordi hver menneskelig oppgave kan utløse mange automatiserte interaksjoner mellom tjenester og AI-modeller.

Hvordan AI-trafikk endrer nettverksatferd

Ciscos forskning understreker at AI ikke bare øker trafikkvolumet – den endrer trafikkens egenskaper.

Sammenlignet med konvensjonell web- eller SaaS-trafikk har AI-arbeidslaster en tendens til å være:

• Mer dynamiske: AI-agenter starter plutselige forespørsler og distribuerte arbeidsflyter.
• Mer følsomme for ventetid: inferanseforsinkelser påvirker brukeropplevelsen og agentytelsen direkte.
• Mer toveis: oppstrømstrafikk øker når spørsmål, telemetri og mellomdata sendes til modeller.
• Mer komplekse: arbeidsflyter involverer ofte flere skyer, API-er og inferanseendepunkter.

Disse endringene gjør tradisjonell nettverksplanlegging – basert på forutsigbar brukeraktivitet – mye mindre pålitelig.

Hvorfor nettverk trenger ny arkitektur for AI

Fordi AI-inferansebaner direkte påvirker applikasjonskvalitet, argumenterer Cisco for at nettverk må behandle dem som kritisk infrastruktur, ikke vanlige trafikkstrømmer.

Dette skiftet innebærer flere arkitektoniske prioriteringer:

1. AI-bevisst trafikkstyring

Inferanseflyter kan kreve prioriterte baner, ventetidsgarantier og dynamiske rutebeslutninger for å opprettholde ytelsen.

2. Distribuert databehandling og kantplassering

Å plassere inferanseinfrastruktur nærmere brukere eller data kan redusere ventetid og forhindre WAN-overbelastning.

3. Sanntidsovervåkning

AI-arbeidslaster produserer raske, komplekse trafikkmønstre, noe som gjør ende-til-ende-synlighet avgjørende for å oppdage overbelastning eller forringet ytelse før arbeidsflyter mislykkes.

4. Sterkere resiliens

Cisco-forskning fremhever at nettverksbrudd allerede koster bedrifter dyrt og ofte utløses av overbelastning, cyberangrep eller konfigurasjonsfeil. AI-arbeidslaster øker presset på nettverk som må være kontinuerlig tilgjengelige.

Oppsummering

Ciscos WAN-forskning peker mot en dypere transformasjon enn enkel båndbreddevekst. Agentisk AI introduserer alltid-aktive, inferansedrevne arbeidslaster som oppfører seg annerledes enn tradisjonell internettrafikk.

Hvis adopsjonstrendene følger dagens prognoser, vil nettverk i løpet av det neste tiåret måtte støtte:

• AI-agenter som fungerer som høyfrekvente nettverksbrukere
• store volumer av sanntids inferansetrafikk
• mer symmetriske og ventetidskritiske flyter

Det betyr at fremtidig nettverksdesign i økende grad vil dreie seg om AI-bevisste arkitekturer – som kombinerer høyere kapasitet, distribuert databehandling, avansert telemetri og spesialisert tjenestekvalitet for inferansetrafikk.

Likevel er disse prognosene fortsatt spådommer basert i stor grad på Ciscos målinger og modellering. Den nøyaktige skalaen av endringen vil avhenge av hvor raskt agentisk AI blir innbakt i hverdagslige bedrifts- og forbrukerarbeidsflyter.