Så vill Dell ta agentisk AI från pilot till produktion

Dell Technologies huvudbudskap vid The Six Five Summit: AI Unleashed 2026 var att agentisk AI bör ses som en modell för hur produktionen bedrivs – inte bara som ett nytt namn på chatbotar. I Dells definition handlar skillnaden om huruvida ett system kan arbeta mot ett tydligt mål, använda verktyg och slutföra uppgifter med begränsad mänsklig inblandning. Företaget presenterade sina egna införanden som bevis på utvecklingen, men uppgifterna om produktivitet, kostnader och affärseffekter är fortfarande Dells egna, självrapporterade påståenden. 15

Från svarande chatbotar till självständigt arbete

Den första vågen av generativ AI i företag handlade till stor del om att hjälpa människor att söka, sammanfatta och ställa frågor om intern information. Dell menar att nästa fas i stället ska digitalisera själva arbetet: avgränsade uppgifter flyttas från människan till programvara som kan resonera sig igenom ett arbetsflöde och faktiskt vidta åtgärder. 14

Det är också Dells svar på ”agent washing” – när vanliga botar, assistenter eller skriptbaserad automatisering marknadsförs som autonoma AI-agenter. En chatbot kan formulera ett svar. En agent ska enligt Dell arbeta mot ett mål, kommunicera med verktyg och system och genomföra steg i en affärsprocess. 25

Dell uppgav att företaget började bygga agenter omkring två år före toppmötet och satte sina första agenter i produktion under det föregående året. Företaget använde sig självt som ”Customer Zero”, alltså som den första praktiska test- och användarmiljön. 2

Därför bantade Dell 900 AI-idéer till 13

Dell säger att arbetet började med omkring 900 möjliga AI-projekt, men att listan till slut krymptes till ungefär 13 riktade initiativ. Urvalet byggde på affärsprioriteringar och analys av arbetsprocesser, snarare än på att låta ett stort antal isolerade experiment fortsätta utan tydligt mål. 12

De rapporterade användningsfallen i produktion omfattade bland annat:

• Rensning av CRM-data, där en agent hanterar återkommande datakvalitetsarbete.
• Mjukvaruutveckling, inklusive stöd för kodrelaterade uppgifter.
• Prisarbete, där agentiska arbetsflöden används i prisrelaterade processer.
• Resebokningar och dokumentsammanfattningar, som Dell lyfte fram som exempel på enklare autonoma uppgifter. 25

Lärdomen Dell drar är inte att varje arbetsprocess behöver en agent. Poängen är i stället att hitta ett specifikt arbete med ett mätbart resultat och bygga det minsta användbara systemet kring just det resultatet. Det gör det också lättare att skilja en verklig produktionslösning från ett brett AI-pilotprojekt.

Dells påstådda produktivitets- och affärseffekter

Dell uppger att tidiga, uppgiftsbaserade införanden kan ge produktivitetsökningar på omkring 20–40 procent. Företaget menar också att system som kan ta över hela kategorier av arbete skulle kunna ge betydligt större, potentiellt ”storleksordningars”, förbättringar. 25

Siffrorna bör läsas som Dells rapporterade förväntningar och resultat – inte som ett oberoende verifierat jämförelsetal för företag i allmänhet. Dell har dessutom sagt att det interna AI-arbetet hjälpte till att frikoppla intäktstillväxten från kostnadsstrukturen. Det tillgängliga underlaget visar däremot inte hur stor del av effekten som kom från enskilda agenter eller bevisar ett orsakssamband. 2

För den som ska köpa eller bygga en sådan lösning är skillnaden viktig. Ett trovärdigt business case behöver ange vilken uppgift som automatiseras, hur mycket mänsklig tid som försvinner eller styrs om, vad modellkörning och samordning kostar samt vilka kontroller som krävs när agenten kan agera utan ständig övervakning.

Agentiska arbetslaster förändrar infrastrukturens spelplan

Dells infrastrukturargument är att agentisk AI i produktion inte bara är en större version av chatbot-inferens. Flaskhalsen kan i stället flyttas från rå beräkningskraft till minneskapacitet och minnesbandbredd, särskilt i långvariga arbetsflöden där tillstånd sparas i så kallade key-value-cacher. I vissa fall kan minnet ta slut innan den tillgängliga GPU-kapaciteten är fullt utnyttjad. 24

Agentiska system skapar dessutom andra mönster för dataåtkomst än modellträning. I stället för att bearbeta stora och relativt statiska datamängder kan produktionsagenter göra många återkommande, ryckvisa och mycket riktade anrop till företagets olika system. När användningen skalas upp blir därför dataleverans och så kallad tail latency – fördröjningen i de långsammaste anropen – lika viktiga som modellens genomströmning. 24

CPU:er får också en större roll. De hanterar samordning, förgreningar, hämtning av information, verktygsanrop och kommunikationen mellan olika komponenter, medan GPU:er utför de modellkörningar som lämpar sig för dem. Dell uppgav att traditionella AI-installationer med ungefär 8:1 till 16:1 i förhållandet CPU:GPU kan röra sig mot nivåer närmare 1:1 eller 2:1 i agentiska system. 2

För företag förespråkar Dell därför återanvändbar plattformsinfrastruktur i stället för en samling specialbyggda, isolerade stackar. Företaget förespråkar också hybridarkitekturer där arbetslaster placeras i lokala system, privata moln, publika API:er eller enhetsbaserade modeller beroende på krav på regelefterlevnad, prestanda, datakontroll och kostnad. 45

En AI-agent har inget universellt pris

Autonoma arbetsflöden innebär att modellkostnaden måste stå i proportion till värdet av uppgiften. Dell använde två mycket olika exempel: en agent för beslutsstöd åt företagsledningen skulle kunna motivera en kostnad på omkring 100 000 dollar i månaden, medan en agent som rensar CRM-data kan behöva kosta mindre än 0,50 dollar per post. 2

Poängen är inte att dessa belopp är allmänna prisriktmärken. De visar snarare att företag inte bör använda den mest kraftfulla och dyraste modellen för varje uppgift. En portfölj kan behöva små modeller för stora volymer av rutinarbete, större modeller för komplexa resonemang och olika driftmiljöer för arbetslaster med skilda krav på fördröjning, datajurisdiktion eller regelefterlevnad. 25

Säkerheten börjar med en identitet för varje agent

Dell uppger att varje autonom agent som får tillgång till Dell-data tilldelas en egen digital Dell-identitet. Den ska möjliggöra detaljerad behörighetsstyrning och återkallelse av åtkomst. Att stänga av identiteten kan fungera som en nödbrytare för agentens tillgång till systemen. 25

Detta blir särskilt viktigt för headless-agenter – system som arbetar utan användargränssnitt och utan att en människa övervakar varje steg i realtid. När en agent agerar direkt genom företagets verktyg måste organisationen kunna se vilken agent som utförde åtgärden, vad den hade rätt att komma åt och hur åtkomsten stoppas utan att förlita sig på en mänsklig användares inloggningsuppgifter.

Principen om minsta möjliga behörighet och separata agentidentiteter blir därmed centrala kontrollager, inte valfria säkerhetsfunktioner. 45

Dell pekade även på kommunikations- och kontrollprotokoll som A2A och MCP samt planering för postkvantkryptografi som delar av det framväxande styrningslandskapet. 2

Det tillgängliga underlaget stöder däremot inte någon tillförlitlig procentsiffra för hur stor andel av framtida AI-införanden som kommer att vara headless. En exakt prognos skulle gå längre än vad källorna visar.

Dells tes om arbetsmarknaden: jobb förändras uppgift för uppgift

Dell uppgav att företaget analyserat 6 800 jobb för att undersöka vilka delar av olika roller som kan hanteras av agenter och vilka som fortfarande kräver mänskligt omdöme. 2

Slutsatsen var att agenter oftare kommer att förändra arbetet genom att ta över specifika uppgifter än genom att helt avskaffa yrken. I den modellen tar agenter hand om produktivitetsarbete, administrativ ”hygien” och samordning, medan anställda får mer tid för expertbedömningar och mänskligt orienterade aktiviteter. 25

Det är en tes om omstrukturering av arbetslivet – inte ett löfte om att inga jobb kommer att försvinna. Även när en tjänst finns kvar kan ansvar, bemanning, kompetenskrav och ägarskap förändras. Den praktiska utmaningen för företag blir därför organisatorisk: vilket arbete ska delegeras, vilka beslut kräver en mänsklig ansvarig och hur ska resultatet mätas när arbetsflödet förändras?

Fyra frågor för företag som vill gå från pilot till produktion

Dells presentation kan sammanfattas i fyra frågor:

1. Är systemet faktiskt autonomt? En chatbot blir inte automatiskt en agent bara för att den fått ett nytt namn.
2. Utför det ett värdefullt och tydligt avgränsat arbetsflöde? Steget från 900 idéer till 13 initiativ illustrerar vikten av prioritering.
3. Klarar infrastrukturen tillstånd, fördröjning, samordning och uppgiftsspecifik ekonomi? Agentisk inferens kan belasta minne och dataleverans på andra sätt än modellträning och traditionell chatbotanvändning.
4. Kan organisationen styra agenten? Identitet, behörigheter, loggning, återkallelse och mänskligt ansvar måste utformas innan autonom åtkomst skalas upp.

Dells bredare argument är att agentisk AI blir meningsfull först när den kopplas till verkligt arbete och mäts mot verkliga resultat. Förbehållet är lika viktigt: företagets exempel och effektivitetsvinster beskriver Dells position och rapporterade erfarenheter – inte en universell garanti för att alla agentprojekt ger samma utfall.