Agentisk AI

Automatisk maskinoversettelse av denne engelske siden, ennå ikke korrekturlest av en morsmålstalare.

Agentisk AI i undervisning - AI-systemer som selvstendig planlegger, utfører og tilpasser flertrinns arbeidsflyter for å nå læringsmål, og som går utover enkeltrunders spørsmål og svar for å opptre som vedvarende, målorienterte samarbeidspartnere: AI-veiledere som stillaser over utvidede interaksjoner, multiagent-systemer som orkestrerer undervisningsdesign, og agenter som samregulerer læring. Dette paradigmeskiftet fra et prompt-svarende verktøy til en aktiv samarbeidspartner bærer både løfte og risiko: agentisk AI kan personalisere og utdype læring, men det truer også Learner Agency, kognitiv innsats og kontroll. Kunnskapsbasens artikler om hurtiggjennomgangen, det verktøyinvariante rammeverket og pedagogisk beste praksis undersøker denne spenningen.

Spørsmål å vurdere

• Agentisk AI svarer ikke bare på spørsmål - det planlegger, utfører og tilpasser flertrinns arbeidsflyter mot et mål, og opptrer som en vedvarende samarbeidspartner. Hvordan er læring med en proaktiv agent forskjellig fra læring med et verktøy du selv må prompte?
• Feltet trekker en grense mellom «samtalebasert» og «agentisk» AI (et system kvalifiserer bare hvis det oppfyller flere kriterier som planlegging, hukommelse, autonomi og målorientert handling). Hvor går den grensen i praksis - og skjuler det mer enn det avdekker å kalle enhver chatbot «agentisk»?
• Jo mer en agent automatiserer, jo mindre kognitivt arbeid gjør eleven. Hvor går grensen mellom en AI som stillaser læringen din og en som gjør læringen din for deg?
• En hurtiggjennomgang fant at bare 29 % av studiene om agentisk AI forankret systemene sine i utdanningsteori. Hvis de fleste systemene ikke er teoribaserte, hva bør gjøre deg skeptisk når du vurderer en «intelligent» veiledningsagent?
• Multiagent-systemer orkestrerer spesialiserte agenter med ulike roller. Når flere agenter arbeider sammen i et klasserom, hvem er ansvarlig - og hvor bør et menneske gripe inn?
• Feltets sentrale spenning er personalisering kontra elevens medvirkning og kognitive innsats. Hvis en veileder blir så god til å tilpasse seg at du aldri må streve, hvilken læring får du egentlig?
• Hvor på spekteret fra Copilot til Autopilot bør en gitt oppgave ligge - og tjener det noen gang læringen, snarere enn bare effektiviteten, å flytte en oppgave fra «agenten foreslår, eleven avgjør» til «agenten eier den»?
• Hybride agenter forankret i etablert designteori presterte bedre enn ren prompting. Hvorfor kan et teoretisk forankret system slå rå prompt engineering - og hva sier det om hvordan en agents «smarthet» måles?

Introduksjon

Agentisk AI viser til kunstig intelligens-systemer som selvstendig kan planlegge, utføre og tilpasse flertrinns arbeidsflyter for å nå læringsmål - og som går utover enkeltrunders spørsmål og svar for å opptre som vedvarende, målorienterte samarbeidspartnere i utdanningskontekster. I utdanning viser agentisk AI seg som AI-veiledere som stillaser læring over utvidede interaksjoner, multiagent-systemer som orkestrerer komplekse undervisningsdesign, og autonome agenter som tilpasser sine pedagogiske strategier etter elevens behov. Dette framvoksende paradigmet flytter AI fra et verktøy som svarer på prompter, til en samarbeidspartner som aktivt veileder, tilpasser og samregulerer læringsprosesser.

• Å skille spesifikasjon fra utførelse er det som gjør en agentisk pipeline pålitelig. DagFlow-AI lar LLM-agenter definere hver komponent i en datagenererende mekanisme - variabler, en rettet asyklisk graf, fordelinger og modellformler - mens et program sampler observasjonene og et valideringsskript kontrollerer hvert agentresultat (Arthur et al., 2026). Ingen agent genererer data eller skriver genereringskoden, noe forfatterne presenterer som svaret på ustøttet resultat og instruksjonsdrift.

Å definere og klassifisere agentisk AI

Kostopoulos et al. (2025) leverer en operasjonell definisjon som feltet ellers mangler. De foreslår en sjekkliste med seks kriterier - et system regnes som agentisk hvis det oppfyller minst fire: autonomi (handling uavhengig av kontinuerlig menneskelig inngripen), resonnering/planlegging, hukommelse/kontekstbevissthet, målorientert handling mot læringsutbytte, tilpasningsevne og dynamisk samarbeid/initiativ. Terskelen på ≥4 utelukker bevisst reaktive chatteroboter (en statisk FAQ-bot uten planlegging eller vedvarende tilstand kvalifiserer ikke), samtidig som den rommer ulike arkitekturer. De organiserer også rommet langs tre akser: pedagogisk rolle (veileder, læringscoach/mentor, følgesvenn, underviserens assistent, læreplansplanlegger), autonomi-nivå (reaktiv → adaptiv → proaktiv → samarbeidende) og legemliggjøring (tekstbasert, avatar/grafisk, legemliggjort/robotisk). Denne taksonomien - særlig autonomispektret og sjekklistens utelukkelse av reaktive verktøy - gir forskere og designere et felles vokabular for å klassifisere agentiske systemer og skille genuint agentisk fra bare samtalebasert AI.

En gjennomarbeidet diskriminator gjør grensen konkret. En statisk FAQ-chatbot som bare kan svare på et fast sett spørsmål, oppfyller null kriterier (ingen planlegging, ingen vedvarende tilstand, ikke noe initiativ) og er åpenbart ikke agentisk. En samtalebasert veileder som husker den gjeldende økten, men aldri handler uten å bli promptet, som ikke har noen elevmodell på tvers av økter og ikke kan sette delmål, oppfyller kanskje bare ett eller to (hukommelse, noe resonnering) - samtalebasert, ikke agentisk. Derimot oppfyller en veileder som planlegger fleromgangsleksjoner, lagrer elevens framdrift i en vedvarende profil, proaktivt sender et hint når eleven står fast, og planlegger neste steg på nytt ut fra den profilen, planlegging, hukommelse, autonomi og målorientert interaksjon - minst fire kriterier, og kvalifiserer dermed som agentisk. Verdien av å kjøre denne testen er ikke pedanteri: å merke ethvert LLM-chattegrensesnitt som «agentisk» gjør nettopp designspørsmålet uklart - hva systemet tar initiativ til kontra hva eleven må ta initiativ til - og det spørsmålet avgjør om systemet stillaser eller fortrenger læring.

Avgrenset handlingsrom som utdanningsdesignholdning. Ilieva et al.s (2026) AGAI-HE-rammeverk godtar kapabilitetslisten som definisjoner som sjekklisten med seks kriterier beskriver, og begrenser den deretter bevisst: mål, roller, datakilder, verktøy, kontrollpunkter, stoppbetingelser og endelige beslutninger defineres eller godkjennes av undervisere, og hver agentisk funksjon må spores til et læringskrav, et vurderingsformål eller en styringskontroll. Rammeverket trekker også en grense mellom agentisk orkestrering og avansert prompting - en agentisk arbeidsflyt bevarer oppgavetilstand, fordeler funksjoner, kontrollerer fullføringsbetingelser, går tilbake til tidligere stadier når evidensen er utilstrekkelig, og registrerer materielle beslutninger. Merkverdig fant deres eksplorative persepsjonsstudie med 130 studenter i høyere utdanning ingen signifikant forskjell mellom agentstøttet og chatbotstøttet læring, noe forfatterne leser som evidens for at agentisk kapabilitet ikke i seg selv gir en opplevd pedagogisk fordel (menneskelig tilsyn).

Feltet: rask ekspansjon og dagens form

Kunnskapsbasens hurtiggjennomgang - den mest omfattende syntesen av feltet til dags dato, med kartlegging av 474 studier (2020-2026) - dokumenterer et felt som har vokst eksplosivt siden 2025, men hvis litteratur fortsatt domineres av konferanseartikler konsentrert i Higher Education, STEM-fag og tekstbaserte veiledningsscenarier. Gjennomgangen analyserer publikasjonsegenskaper, studiedesign, agentroller, AI-modeller og arkitekturer, seks dimensjoner av agentisk kapabilitet og graden av integrering av utdanningsteori, og gir et kart over feltets fronter og hull. Merkverdig var bare 29 % av de gjennomgåtte studiene (138 av 474) eksplisitt forankret i utdanningsteori, noe som avdekker et faglig skille mellom teknisk orientert og pedagogisk orientert arbeid.

Et rollet kart over feltet

Der hurtiggjennomgangen av 474 studier og Kostopoulos et al.s konseptuelle oversikt kartlegger forskningsbredde og kapabilitet, organiserer Baradziej (2026) agentisk AI etter rollen den spiller - en institusjonell innramming for å avgjøre hvor disse systemene skal tas i bruk og styres. På tvers av 48 studier fra høyere utdanning framtrer seks roller i rekkefølge etter evidensvekt: tilpasset læring og adaptiv veiledning (18/48), Automated Assessment og tilbakemelding (12), undervisningsassistanse og -forsterkning (11), administrativ og elevstøtte (8), læreplansdesign og arbeidsmarkedsalignering (5), og forskningsstøtte og akademisk drift (4). Rollelinsen løfter fram et designvalg som går igjen i hver utrulling: hvor mye løpende kontroll mennesket beholder (en «Copilot»-relasjon) kontra hvor mye agenten eier (en «Autopilot»-relasjon) - den autonomiaksen som avgjør om en agent stillaser læring eller fortrenger den.

Design og evaluering av agentiske systemer

Forskning i kunnskapsbasen spenner over design og evaluering:

• Hybride agenter forankret i teori presterer bedre enn ren prompting: ISD-Agent-Bench, en benchmark med 25 795 undervisningsdesignscenarier, finner at den best presterende tilnærmingen integrerer klassiske ISD-rammeverk (ADDIE, Dick & Carey, Rapid Prototyping) med moderne ReAct-lignende resonnering - hybrid (teori + teknikk) > ren teori > bare teknikk. Å forankre Large Language Models (LLMs)-agenter i etablert utdanningsdesignteori gir en strukturell fordel som rå prompting ikke kan gjenskape.
• Vurderingsrammeverk for agentiske verktøy: Det verktøyinvariante rammeverket foreslår å undervise i og vurdere beregningsmetoder på en måte som ikke avhenger av noe bestemt AI-verktøy, med vekt på grunnleggende Computational Thinking, Authentic Assessment gjennom muntlig forsvar, og verifisering - relevant for bekymringene om overavhengighet.
• En skala for rapportering og styring: rammeverket Autonomy-Oversight-Evidence (AOE). Dey (2026) hevder at begrepet agentisk AI brukes så inkonsistent at evidens og tilsyn ikke kan sammenlignes på tvers av studier - systemer som planlegger, husker, bruker verktøy eller koordinerer flere agenter, slås sammen med statiske GenAI-grensesnitt og konvensjonelle pedagogiske agenter. Hans kritiske integrative gjennomgang av femten fagfellevurderte oversikter finner at evidensen er sterkest for utfall på artefaktnivå (tilbakemeldingsnøyaktighet, reduksjon av hallusinasjoner) og svakest for varig læring, likestilling, arbeidsbelastning eller institusjonelle utfall, med autentiske utrullinger som typisk er korte, på ett sted og svakt knyttet til tilsyn. Botemiddelet er en konkret rapporteringstriplett - autonomi-nivå A0-A4 (reaktiv generering → avgrenset orkestrering → delegert oppgaveautonomi → arbeidsflytautonomi → konsekvensmessig autonomi over karaktersetting, opptak eller progresjon), tilsynsnivå O0-O4 (uspesifisert → retrospektiv revisjon → godkjenning før bruk → kontrollpunktsstyring → kontinuerlig avgrenset supervisjon) og evidensmodenhetsstadium M0-M5 (konsept → prototype/benchmark → deltakerevaluering → autentisk utrulling → utvidet/flere steder → replikert/institusjonsskala) - pluss en proporsjonalitetsregel: tillatt autonomi bør ikke løpe forbi verken evidensmodenheten eller tilsynsstyrken (for eksempel krever et A4-system med konsekvenser M4-M5-evidens, juridisk validering og O4 med menneskelig endelig myndighet). Å rapportere A2-O3-M3 gjør vage påstander om «agentisk utrulling» om til sammenlignbare, testbare spesifikasjoner og gir institusjonene en grammatikk for trinnvis adopsjon, logging og tilbakerulling - det evidensmessige komplementet til Copilot-til-Autopilot-spekteret ovenfor.
• Test av motstandskraft mot angrep: Multiagent-stresstesting koordinerer Interrogator-, Target- og Judge-agenter for å avdekke feilmoduser som er usynlige for testing med én strategi, og reduserer robusthetsskårer med 0,17-0,20 poeng - kritisk for personakonsistens og trygg utrulling med elever.
• Faglige anvendelser: agentiske systemer forekommer på tvers av fagområder, blant annet adaptive læringsagenter, pedagogiske LLM-agenter, veiledet LLM-stillas, spillifiserte læringsagenter for cybersikkerhet og agenter for klinisk simulering.
• Webagenter som evaluatorer av læringsopplevelser: en enkelt autonom «beskrivende» webagent som navigerer en nettbasert leksjon som en elev - Wang, Mitchell & Piech (2025) - produserer en beskrivelse rik nok til å forutsi elevfrafall og gi designeren handlingsrettet tilbakemelding før ekte elever engasjerer seg, og slår en full simulert kohort og alle baseliner i et globalt CS1-kurs. Dette posisjonerer agentisk evaluering (en agent som stand-in-kritiker av en læringsopplevelse) som en egen, billig bruk av agentisk AI ved siden av agenter som underviser eller designer.

Multiagent-systemer

En voksende og egen tråd av agentisk AI omfatter multiagent-systemer som orkestrerer flere spesialiserte agenter med ulike roller. Kunnskapsbasen dokumenterer flere arkitekturer: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation parer en generatoragent med en validatoragent for spørsmålsgenerering med menneske i sløyfen; adversarial testing koordinerer Interrogator-/Target-/Judge-agenter; multiagent-klasserom (for eksempel MAIC med arketypene lærer, studentassistent og medelev) skaper varierte medelevers læringsdynamikker; og multiagent sosial læring utforsker hvordan interagerende agenter former læring. Multiagent-design reiser særegne spørsmål om menneskelig tilsyn (hvilken agent er ansvarlig, og hvor griper et menneske inn?), koordineringskostnader, og hvordan rolledifferensiering støtter eller kompliserer Scaffolding.

To systemer fra 2026 skjerper bildet av hva rollespesialisering gir - og hvor den slutter å lønne seg. MeduAI-SP (Yang et al., 2026) deler undervisningen i klinisk intervju mellom fire LLM-agenter - en pasientagent, en sokratisk veilederagent, en evaluator per replikk og en sluttevaluator - hver med en egen undervisningsfunksjon. Arkitekturen holder svar tilbake by design: veilederen fikk ikke lov til å avsløre diagnosen eller casesvarene, og sluttevaluatorens OSCE-skårer ble holdt skjult under den levende konsultasjonen. Det er rollespesialiseringen, snarere enn rå modellkapabilitet, som forsøket tilskriver den forbedrede konsultasjonsatferden (71,8 % mot 55,6 % på slutteksamen), og det gir en konkret mal for pedagogisk alignert multiagent-design. En andre studie peker på grensene for mønsteret: i et etikkdiskusjonssystem med 45 studenter i 15 grupper (Seo et al., 2026) ga tre LLM-personaer som legemliggjorde omsorgs-, plikt- og pragmatisk etikk, ingen signifikante forskjeller seg imellom, og alle ble vurdert lavere enn menneskelige medelever på bidrag, mangfold og innflytelse (alle Kruskal-Wallis p < 0,001). Forfatterne tilskriver gapet smigrende enighet - agentene godtok nesten hvert bidrag med mindre det var helt feil - og mangel på synlig resonnering, og argumenterer for at oppgavefokusert agentdesign må pare prosessgjennomsiktighet med sikkerhetstiltak (innramming som feilbarlig medelev, en egen spørrefase) for å unngå overavhengighet.

Et steg utover å orkestrere noen få spesialiserte agenter er det fulle agentiske multiagent-økosystemet som Sudarshan et al. (2026) foreslår: en institusjonsomfattende plattform som koordinerer lærings-, undervisnings- og administrative agenter gjennom tverrfunksjonelle tilbakemeldingssløyfer og distribuert intelligens. Det særegne grepet er å behandle inkludering som en førsteklasses arkitekturhensyn - å koordinere Accessibility-, kognitiv støtte- og Well-Being-agenter slik at elever med særskilte behov støttes på tvers av kognitive, sensoriske og emosjonelle dimensjoner i sanntid, i stedet for å betjenes av et isolert hjelpeverktøy. Artikkelen plasserer dette inne i en menneske-AI-samutviklingssløyfe (menneskelig atferd og beslutninger former AI-tilpasningen, som igjen forsterker menneskelig kapabilitet) som holder mennesker i sløyfen.

• Deltakerspesifikke LLM-agenter for samarbeidsbasert problemløsning. Fang (2026) finjusterer individuelle LLM-agenter på ekte deltakeres dialogsdata for å representere hver deltaker i simuleringer av samarbeidsbasert problemløsning, med probabilistisk taler- og temakodevalg og minne basert på glidende vindu pluss sammendrag. Validert med Epistemic Network Analysis er de simulerte dialogene statistisk ikke til å skille fra ekte (ENA-avstand 0,17, permutasjon p = 0,65) - en demonstrasjon av at agentisk AI kan gjengi autentisk samarbeidsdiskurs.
• Sosialt intelligent multiagent-veiledning. Prototyper for sosialt intelligent multiagent-veiledning, som ASTRA, studerer hvordan elever koordinerer med AI i dyader, med differensierte veileder- og fasilitatoragenter som oppfordrer til koordinering og balansert deltakelse. Rammeverkets sporbaserte evaluering muliggjør reproduserbar analyse av interaksjon, deltakelsesbalanse og verifisering i innføringskurs i programmering.

Den sentrale spenningen: automatisering kontra læring

Arbeidet med pedagogisk beste praksis artikulerer feltets definerende spenning: etter hvert som utdannings-AI skifter fra passive chatboter til proaktive agenter som tar initiativ og forfølger mål, forbedres personaliseringen, men elevens Learner Agency og kognitive innsats settes i fare. Jo mer en agent automatiserer, jo mindre kognitivt arbeid gjør eleven. Designsvaret - tilsiktet friksjon, dynamisk Scaffolding, tilsyn med menneske i sløyfen og gjennomtenkt AI-bruk - virker som et prinsipielt rekkverk. Dette henger sammen med ønskverdige vanskeligheter, Sociocultural Learning og risikoen for overavhengighet, og med det bredere temaet om å bevare Learner Agency i AI-formidlet læring.

En empirisk kontroll kommer fra en praksisrapport om Spec-Driven Development i et programvare-PBL-kurs (Tanaka et al. 2026): studenter som brukte AI-agenter gjennom utviklingsfasene, genererte mer kode, men viste fall i kodeforståelse som først tok seg opp etter individuelle intervjuer med underviser - konkret felteviden for spenningen mellom automatisering og læring og for overvåking med menneske i sløyfen som avbøtende tiltak.

Oversiktslitteraturen gjør disse prinsippene om til målbare designGuardrails i stedet for vage intensjoner. Om stillas anbefaler Kostopoulos et al. (2025) nedtrappingsprotokoller - å redusere hintfrekvensen gradvis etter hvert vellykkede forsøk - og å sikte mot et Help-Seeking-forhold (AI-initierte hint ÷ elevens totale handlinger) under 0,3, slik at agenten ikke er den som driver mesteparten av interaksjonen. De parer dette med reflekterende kontrollpunkter (for eksempel å be eleven forklare resonnementet sitt før agenten gir neste hint) og adaptive nedtrappingskurver der sannsynligheten for intervensjon faller etter hvert som ferdigheten øker. Om åpenhet bør agenter vise en «Hvorfor dette forslaget?»-begrunnelse og holde tidsstemplede logger for beslutningssporbarhet (agentbegrunnelse, datakilder, beslutninger) tilgjengelige for undervisningsrevisjon. Om rettferdighet anbefaler de testing av ulik effekt på minst tre demografiske grupper (for eksempel kjønn, språk, geografi) før utrulling, og at ulike lærere involveres i designet. Disse måltallene gir en underviser eller designer en revisjonsspak: i stedet for å spørre «er agenten for hjelpsom?», mål om hintene trappes ned, om eleven tar initiativ, og om agentens resonnement kan inspiseres.

Et komplementært vokabular for autonomispørsmålet kommer fra luftfartsanalogien som dukker opp i Baradziejs (2026) syntese: hvor langt en utrulling ligger på spekteret fra Copilot til Autopilot - fra en agent som assisterer et menneske som beholder løpende kontroll, til en som eier hele oppgaven mens mennesket bare fører tilsyn. Det samme underliggende systemet kan konfigureres mot hver av endene, og valget er pedagogisk før det er teknisk. Copilot-lignende konfigurasjoner (agenten foreslår, eleven avgjør, mennesket beholder siste ord) har en tendens til å bevare Learner Agency og støtte de innsatskrevende prosessene som bygger læring; Autopilot-lignende konfigurasjoner maksimerer oppgavefullføring og effektivitet, men flytter den kognitive belastningen bort fra eleven. Å velge en posisjon på dette spekteret - per oppgave, ikke én gang globalt - er en konkret måte å operasjonalisere feltets prinsipp om «tilsiktet friksjon».

Positive implikasjoner av AI-agenter for utdanning

Når de er godt designet, gir agentisk AI betydelige fordeler:

• Dypere, mer adaptiv personalisering. Vedvarende agenter kan opprettholde en læringssamtale over mange runder, spore hva eleven kan, tilpasse vanskelighetsgrad og sekvensiere flertrinns Scaffolding - og gå utover enkeltstående svar fra tidligere chatboter. Dette støtter adaptiv og tilpasset læring i skala. I Baradziejs (2026) syntese rapporterer den sterkeste evidensen for denne rollen akademiske gevinster på 15-25 % og økninger i engasjement på opptil +40 %, med særlig potensial for elever som historisk er blitt dårlig betjent av en standardløsning for alle (førstegenerasjonsstudenter, læringsforskjeller, andrespråksinnlærere).
• Å lette rutinemessig undervisningsarbeid. Agenter kan planlegge leksjoner, generere og validere spørsmål, skrive utkast til tilbakemelding og orkestrere spesialiserte underagenter (for eksempel generator + validator for spørsmålsproduksjon), og frigjøre lærere til interaksjon med høyere verdi. Dette er løftet i multiagent-arbeidsflyter rettet mot lærere. Vurderingsagenter rapporterer særlig 90-95 % samsvar med menneskelige vurderere og 50-70 % reduksjon i rettetid, men den samme evidensen flagger skjevhet og den metakognitive kostnaden ved umiddelbar, ureflektert tilbakemelding.
• Rik og variert interaksjon. Multiagent-klasserom og simulerte medelever skaper varierte interaksjonsdynamikker (medelevers diskurs, konstruktiv uenighet, rollespill) som enkeltagentsystemer ikke kan, og støtter Collaborative Learning, sokratisk utspørring og Simulation.
• Produktiv friksjon. Agenter designet for å utfordre snarere enn å være enige, kan skyve elever mot dypere overveielse. Forskning på adversarial designagenter viser at agenter for konstruktiv konflikt framkalte signifikant flere designiterasjoner, bredere utforskning og høyere vurderte sluttdesign (N=48) - en form for ønskverdig vanskelighet.
• Skalerbar praksis og simulering. Agentbaserte simuleringer (simulerte elever, kliniske scenarier) lar eleven øve i lavrisikomiljøer før anvendelse i virkeligheten, som i klinisk simulering og simulerte elever.
• Evidensbevisst stillas. Godt forankrede agenter kan anvende læringsteori og kjent pedagogikk i interaksjonene sine, og benchmarker viser at teoriforankrede agenter presterer bedre enn rå prompting.

En smalere klasse agenter bygd av undervisere får et eget argument i El Khoury og Mas forslag om tredje rom: egendefinerte GPT-er, Gems og Copilot Studio-agenter designet av undervisere for et bestemt pedagogisk formål og eksplisitt ikke autonome systemer. Deres påståtte verdi er som lavinnsats øvingsrom - en simulator for muntlig eksamen, en simulering av klinisk kommunikasjon, en ESL-uttaleavatar - der studentene øver før de dømmes, mens underviserens evaluerende rolle forblir intakt, med agenten utenfor de sosiale hierarkiene studentene navigerer i med medelever og undervisere. To grenser er verdt å merke seg: forfatterne utelukker agentbasert karaktersetting fra omfanget by design, og de argumenterer for at vurdering må forbli relasjonell - underviserrollen kan ikke erstattes av en maskin, men den kan utvides og gjøres mer bærekraftig gjennom omhyggelig design.

Negative implikasjoner og risikoer ved AI-agenter for utdanning

Den samme autonomien som muliggjør disse fordelene, skaper også betydelige risikoer:

• Erosjon av elevens medvirkning og kognitive innsats. Jo mer en agent automatiserer, jo mindre kognitivt arbeid gjør eleven. Proaktive agenter som tar initiativ, planlegger og fullfører oppgaver, kan etterlate elevene som passive konsumenter og uthule de innsatskrevende prosessene - å skrive utkast, hente fram, revidere - som bygger varig læring. Dette er kjernebekymringen om overavhengighet og Learner Agency. Effekten er målbar: i Baradziejs (2026) syntese presterte passive elever i agentiske veiledningsmiljøer 8,7 % dårligere enn Active Learning-studenter - evidens for at skaden følger utrullingens design (å la agenten gjøre det kognitive arbeidet) mer enn teknologien selv.
• Overautomatisering av læringsprosessen. Hvis en agent optimaliserer for oppgavefullføring snarere enn læring, kan den produsere «svar» som omgår forståelse - nettopp risikoen det verktøyinvariante rammeverket advarer om, der artefakten ikke lenger bekrefter eleven.
• Redusert metakognitivt og selvregulert engasjement. Når agenter håndterer planlegging og overvåking, utvikler elevene kanskje ikke den Metacognition og selvreguleringen som utdanningen skal bygge. Agenter må designes for å framkalle, ikke erstatte, disse prosessene.
• Feilplassert tillit og verifiseringsgap. Autonome agenter kan produsere plausibelt, men uvalidert resultat; elever og lærere kan overstole på det. Behovet for robust verifisering og AI-kompetanse vokser etter hvert som agentene tar på seg mer autonomi.
• Uigjennomsiktighet, koordinering og ansvarlighet. Multiagent-systemer kompliserer Human-in-the-Loop: hvilken agent er ansvarlig for en feil, og hvor griper et menneske inn? Koordineringssvikt, personadrift og emergente atferder kan undergrave pålitelighet og Pedagogical Safety.
• Skjevhet og likestilling. Agenter trent på data som koder skjevhet, kan reprodusere den i skala, og ulik tilgang til kapable agentiske systemer kan utvide utdanningsmessig ulikhet. Skjevhet virker på flere nivåer - treningsdata, arkitektur, evalueringskriterier og testpopulasjoner - og trenger derfor institusjonell avbøting (skjevhetsrevisjoner, varierte datasett, åpen dokumentasjon, involvering av interessenter), ikke engangskontroller. En mer subtil, kulturelt spesifikk form er epistemisk hegemoni: fordi de fleste agentiske systemer er trent på engelskspråklige, vestlig produserte data, koder de bestemte forutsetninger om kunnskap, argumentasjon og akademisk register. Syntesevidensen dokumenterer at språkutdanningsverktøy marginaliserer ikke-vestlige retoriske tradisjoner og straffer språklige trekk ved ikke-engelske akademiske kulturer, og analyser fra Global South viser at agentiske pedagogikker reproduserer ulikhet når de ignorerer epistemologisk mangfold og infrastrukturmessige begrensninger.
• Vurderingsintegritet og ferdighetsforfall. Når agenter kan generere arbeid på forespørsel, blir det vanskeligere å vurdere ekte læring, og overavhengighet kan erodere grunnleggende ferdigheter - «forståelsesgjeld»- og sertifiseringsproblemet feltet flagger.
• Spøkelseselever og verifiseringsgapet. Bozkurt, Crompton & Fell Kurban (2026) beskriver «spøkelseseleven» - en digital stand-in laget ved å koble LLM-er («sinnet») med agentiske AI-nettlesere («kroppen») som kan navigere i læringsplattformer, engasjere seg i innhold og fullføre vurderinger med menneskelignende etterligning, slik at den faktiske elevens tilstedeværelse blir valgfri. Dette skaper et verifiseringsgap som tradisjonelle verktøy for eksamensovervåking og deteksjon strukturelt ikke kan lukke, og det akkumulerer kognitiv gjeld hos eleven som forbigås. Etter hvert som AI skifter fra generativ til agentisk, vokser denne integritets- og verifiseringstrusselen - en agentiskspesifikk risiko utover dem ved enkeltrunders GenAI.

AI-agenter og akademisk integritet

Agentisk AI utgjør særegne integritetstrusler som går utover enkeltrunders GenAI-tilfeller som feltet allerede sliter med. Fordi agenter handler autonomt over lange horisonter - og fordi «spøkelseselever» (LLM-«sinn» koblet med agentiske nettleser-«kropper») kan navigere i læringsplattformer, engasjere seg i innhold og fullføre vurderinger med menneskelignende etterligning - gjør de elevens genuine tilstedeværelse valgfri og skaper et verifiseringsgap som overvåking og deteksjon ikke kan lukke. Flere integritetsimplikasjoner følger:

• Artefakten bekrefter ikke lenger eleven. Når en agent kan generere, planlegge og utføre en hel innlevering, gjenspeiler produktets kvalitet agentens kapabilitet, ikke elevens. Dette er det verktøyinvariante sertifiseringsproblemet i sin ytterste form - tradisjonell vurdering av typen «lever inn arbeidet» mister sin evidensverdi.
• Verifisering, ikke deteksjon, er det eneste levedyktige svaret. Deteksjonsbasert politiarbeid er strukturelt ute av stand til å holde følge med autonome agenter. Integritetsspørsmålet skifter fra «kan vi ta AI-agenter?» til «kan vi verifisere hva eleven faktisk kan?» - noe som favoriserer prosessbasert, interaktiv og Human-in-the-Loop-verifisering.
• Agentisk fullføring av vurderingsarbeid er nå demonstrert, og det er en validitetssvikt, ikke bare en integritetssvikt. Hadjisolomou & El-Haddad (2026) dokumenterte agenter (Claude for Chrome, Perplexity Comet, Claude Opus) som logget seg inn i et levende LMS-kurs på bachelornivå og fullførte reelt vurderingsarbeid fra én enkelt instruks - en quiz med 10 spørsmål fikk 10/10 på under 5 minutter, og et innlegg i diskusjonsforumet der agenten fabrikkerte en troverdig personlig livshistorie etter å ha utvunnet medelevers innlegg. Ved å anvende Kanes argumentasjonsbaserte validitetsrammeverk plasserer de en «forutsetning om menneskelig produksjon» i bunnen av skåringsutledningen: agentisk fullføring fjerner dens støtte, slik at hver uovervåket asynkron skår - også de ærlig opptjente - mister fortolkningsstøtte fordi forfatterskapet ikke kan verifiseres. Å ramme inn problemet som validitet snarere enn integritet betyr noe fordi en institusjon kan straffe mislighold og likevel mangle grunnlag for skårene den rapporterer, og fordi de samme artefaktene inngår i evidenskjedene for programgjennomgang og akkreditering. Deres botemiddel, i tråd med denne sidens «verifisering framfor deteksjon», er omlegging av vurderingen mot verifisert menneskelig tilstedeværelse (tilstedeværelse framfor produkt, integrering framfor isolasjon, autentisitet framfor generiskhet, lavinnsatsøving og høyinnsats tilstedeværelse) med en likestillingsbevarende meny av verifiserte øyeblikk.
• Ansvarligheten er diffus. I multiagent-systemer er det uklart hvem som er ansvarlig når en autonom agent produserer problematisk resultat - eleven, systemet eller institusjonen. Det gjør tilskrivningen som akademiske integritetsprosesser forutsetter, uklar.
• Kognitiv gjeld akkumuleres i det stille. Spøkelseselever lar eleven hoppe over de innsatskrevende prosessene som bygger forståelse, og pådrar seg kognitiv gjeld som først viser seg når uavhengig prestasjon kreves. Integritet er dermed knyttet til ekte læring, ikke bare til regeloverholdelse.
• Det utvider likestillingsgapene. Elever med tilgang til mer kapable agentiske systemer får en uforholdsmessig fordel, og automatisert støtte kan erodere hjelpen til dem som trenger den mest - en Equity ved integritet.

Dette knytter diskusjonen om agentisk AI til kunnskapsbasens dekning av Akademisk integritet, som rammer inn svaret som omlegging av vurderingen og AI-kompetanse snarere enn deteksjon alene.

Produktiv friksjon og sosial interaksjon

Ikke all agentisk atferd trenger å være glatt assistanse. Forskning på adversarial designagenter viser at agenter som iscenesetter konstruktiv konflikt, framkalte signifikant flere designiterasjoner, bredere utforskning av alternativer og høyere vurderte sluttdesign blant nybegynnerinteraksjonsdesignere (N=48) - en dynamikk med produktiv friksjon, der konfliktagenten var frustrerende, men til slutt hjelpsom. Dette henger sammen med sokratisk utspørring og Design Thinking, og illustrerer hvordan agentisk AI kan støtte dyp overveielse snarere enn passiv godtakelse.

En studie av hvordan agentisk AI når læringsutbytte gjennom psykologiske snarere enn teknologiske veier, leverer den manglende målevinkelen. Pramod og Patil (2026) undersøkte 398 forretningsstudenter i India og modellerte autonomi, kompetanse og tilhørighet sammen med interaktivitet, informasjonsdeling og opplevd sosial tilstedeværelse; autonomi var den sterkeste motivasjonsdriveren (β = 0,504) og interaktivitet den sterkeste sosiale (0,468), med motivasjon og sosial tilstedeværelse som matet engasjement med nesten samme styrke (0,533 og 0,493) før engasjementet forutsa opplevd læringsprestasjon (0,671). Designlærdommen er at den sosiale veien ikke er automatisk: et konstrukt for samarbeidsmiljø flyttet opplevd sosial tilstedeværelse mindre enn vanlig responsivitet og informasjonsdeling gjorde, så å behandle en agent som et chattegrensesnitt snarere enn som en deltaker, lar mesteparten av den veien ligge ubrukt.

Implikasjoner for undervisere og læringsdesignere

For lærere, fakultet og læringsdesignere endrer agentisk AI både hva som er mulig, og hva som må beskyttes:

• Omfordel innsatsen til arbeid med høyere verdi. Agenter kan overta leksjonsplanlegging, spørsmålsgenerering og -validering, triagering av tilbakemelding og ressurshenting. Undervisere bør behandle disse som automatiserbare stillas som frigjør tid til det agenter ikke kan gjøre: relasjonell undervisning, kontekstuell dømmekraft og design av læringsopplevelser. Multiagent-arbeidsflyter rettet mot lærere er en lovende modell.
• Hold elevens kognitive arbeid i sentrum. Det sentrale designspørsmålet er ikke «hva kan agenten gjøre?», men «hva må eleven gjøre?». Læringsdesignere bør konfigurere agentiske systemer slik at de stillaser i stedet for å erstatte elevens planlegging, overvåking og innsats - ved bruk av dynamisk Scaffolding og Desirable Difficulties for å beskytte Learner Agency og unngå overavhengighet.
• Design for verifisering og prosess, ikke bare resultat. Når agenter kan generere arbeid på forespørsel, bekrefter ikke artefakten lenger læring. Undervisere bør pare agentiske verktøy med prosessbasert vurdering (muntlig forsvar, verktøyinvariante oppgaver, verifiseringskontroller) slik at forståelse - ikke bare produksjon - måles.
• Kurer og forankre agentene i pedagogikk. Benchmarkevidensen viser at teoriforankrede agenter presterer bedre enn rå prompting. Designere bør forankre agentatferd i etablerte undervisningsrammeverk (for eksempel gradvis ansvarsoverføring, sokratisk utspørring, læringsteori) i stedet for å falle tilbake på generisk verktøykjeding.
• Behold menneskelig tilsyn og dømmekraft. Multiagent- og autonome systemer gjør design med Human-in-the-Loop avgjørende: avgjør hvor et menneske griper inn, hvem som er ansvarlig, og hvordan feil fanges opp. Adversarial testing hjelper med å avdekke feilmoduser før utrulling.
• Bygg underviserens AI-kompetanse. Lærere og designere trenger nøyaktige mentale modeller av agentisk AI for å konfigurere, overvåke og kritisere disse systemene - og for å modellere ansvarlig bruk for elevene. Dette henger sammen med Læreres AI-kompetanse og utdanningsutvikling.
• Vær oppmerksom på likestilling. Agentiske verktøy risikerer å utvide gap dersom tilgangen er ulik eller automatiseringen eroderer støtten til de elevene som trenger den mest; design med Equity i tankene.
• Reis institusjonelt stillas før du skalerer. Utrullingsspørsmålet er ikke bare på designnivå, men på institusjonsnivå. Baradziejs (2026) syntese kondenserer styringsevidensen til tre søyler: utvikle AI-kompetanse blant studenter og ansatte; bygge etisk infrastruktur (personverndokumenter, rammeverk for algoritmisk ansvarlighet og akademisk integritet) før utrulling i stor skala; og levere kompetansebasert opplæring av undervisere som går utover verktøykjennskap til pedagogiske rammeverk som bevarer menneskelig medvirkning. Gitt at bare om lag 6,5 % av fakultetet i enkelte nasjonale kontekster rapporterer direkte AI-bruk, er opplæringsgapet en bindende begrensning for ansvarlig adopsjon.

Teknikker for å sikre akademisk integritet med agentisk AI

Fordi autonome agenter gjør deteksjon nytteløs, bør undervisere fokusere på teknikker som verifiserer læring og gjør ærlig arbeid synlig, snarere enn på politiarbeid:

• Foretrekk verifisering framfor deteksjon. Erstatt eller suppler «lever inn arbeidet» med interaksjoner som krever at eleven viser forståelse hen ikke kan sette bort: muntlige forsvar, verktøyinvariante oppgaver, levende Problem Solving og prosessbasert vurdering. Målet er å fastslå hva eleven kan på egen hånd, ikke å ta en agent.
• Bruk interaktiv og trinnvis vurdering. Krev innleveringer i trinn (utkast, revisjoner, refleksjoner) og oppfølgende samtalebaserte kontroller som undersøker om studentene forstår arbeidet de har levert - tilnærmingene «AI Viva» og kognitiv forvalterskap. Spøkelseselever kan ikke opprettholde en levende utspørring de ikke selv har utført.
• Sett klare, formålsdrevne forventninger. Forankre integritetsforventningene i kursets formål - hva slags AI-bruk som er tillatt, når og hvorfor - snarere enn i abstrakte regler. Klarhet i politikken som er alignert med pedagogikken, reduserer den tvetydigheten studentene utnytter og de feilvurderingene som er dokumentert i integritetsforskningen.
• Gjør AI-bruk synlig og deklarert. Strukturerte, oppgavespesifikke deklarasjoner av AI-bruk (som kobler bruk til kognitive stadier) framtvinger refleksjon og normaliserer ærlig deklarering, og flytter kulturen fra skjul til åpenhet.
• Bygg AI-kompetanse som integritetsutdanning. Lær studentene å bruke agenter ansvarlig og å vurdere resultat kritisk, og ramm inn integritet som ekte læring snarere enn regeloppfølging. Dette omfatter AI-kompetanse, forståelse av hva agenter kan og ikke kan gjøre, og læringskostnaden ved å omgå innsats.
• Hold mennesker i sløyfen. Oppretthold Human-in-the-Loop med vurderingsbeslutninger, verifiser innleveringer med høy innsats interaktivt, og design agentiske verktøy slik at en underviser alltid kan gripe inn.
• Lukk verifiseringsgapet med interaksjon. For helt nettbaserte eller asynkrone kontekster, bruk overvåkede eller interaktive komponenter som krever levende tilstedeværelse, og håndter dermed spøkelseselev-trusselen direkte i stedet for å anta at deteksjon vil fange den.

En balansert oppsummering

Agentisk AI er verken et universalmiddel eller en uunngåelig skade: verdien avhenger av designet. Brukt til å stillase elevens medvirkning, forankret i pedagogikk og med mennesker i sløyfen, kan agenter personalisere og utdype læring; brukt til å maksimere automatisering og oppgavefullføring, kan de erodere selve innsatsen som produserer læring. Det tilbakevendende designprinsippet er tilsiktethet - å bestemme eksplisitt hva agenten gjør, og hva den bevisst overlater til eleven.

Vanlige misoppfatninger

«Enhver chatbot koblet til verktøy er et agentisk system.» Skillet trekkes på kapabilitetsstruktur, ikke på verktøytilgang: et system kvalifiserer bare som agentisk hvis det oppfyller kriterier som planlegging, hukommelse, autonomi og målorientert handling over flere trinn. Et prompt-respons-verktøy som kan kalle en kalkulator, forblir samtalebasert. Skillet betyr noe fordi risikoene og evalueringsmetodene er forskjellige - autonom flertrinns handling reiser feilmoduser som en enkelt utveksling ikke gjør.

«Bedre basismodeller er det som får agentiske systemer til å fungere i utdanning.» I forsøket denne siden viser til, er det rollespesialisering snarere enn rå modellkapabilitet som tilskrives den forbedrede konsultasjonsatferden (71,8 % mot sammenligningen). Arkitektur og arbeidsdeling mellom agenter er designbeslutninger med målbare effekter, noe som betyr at en sterkere modell sluppet inn i en uspesialisert pipeline ikke vil gjenskape resultatet.

«Agentiske systemer i utdanning er pedagogisk forankret fordi utdanningsforskere bygger dem.» Evidensen sier noe annet: en hurtiggjennomgang fant at bare 29 % av studiene om agentisk AI (138 av 474) eksplisitt forankret systemene sine i utdanningsteori. Det faglige skillet mellom teknisk orientert og pedagogisk orientert arbeid er feltets tilstand, ikke en enkeltforfatters forglemmelse, så en demo som virker, er forventet utfall, og en demo som virker for læring er mindretallet.

«En agent som personaliserer og utdyper læring, er en netto gevinst sammenlignet med en chatbot.» Den bærer en bestemt avveining med seg: agentiske systemer truer Learner Agency og inviterer til avlasting av den kognitive innsatsen læringen avhenger av, og ved å utføre flere trinn uten tilsyn gjør de den avlastningen vanskeligere å oppdage. Spenningen mellom automatisering og læring er kategoriens sentrale analytiske problem, ikke et forbehold hengt på fordelene.

Tilknyttede begrep

• Scaffolding
• Intelligent Tutoring
• AI-kompetanse
• Prompt Engineering
• Curriculum Design
• Metacognition
• Adaptive Learning
• Utdanningsutvikling
• Human-in-the-Loop
• Learner Agency
• Kognitiv avlasting
• Desirable Difficulties
• Sociocultural Learning
• Simulation
• Pedagogical Safety
• AI i undervisning
• Equity
• Authentic Assessment
• Undervisning
• Læringsdesign
• Læreres AI-kompetanse
• Akademisk integritet
• Online Teaching and Learning
• Educational AI Policy

Tilknyttede artikler

• Agentic AI in educational environments and its association with social and motivational pathways to learning performance — Autonomi, kompetanse, tilhørighet og sosial tilstedeværelse som veiene fra agentisk AI til engasjement (Pramod & Patil 2026)
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — AI-agenter, gledesfylt vurdering og tredje rom
• Agentic Generative AI in Higher Education: Perceived Benefits, Risks, and Implications for Learning — AGAI-HE-rammeverket: avgrenset, menneskesupervisert agentisk GAI i høyere utdanning (Ilieva et al. 2026)
• Beyond the Agent Label: Evidence Maturity, Human Monitoring, and Governance of Agentic AI in Higher Education — Kritisk integrativ gjennomgang som introduserer AOE-rammeverket for evidens og tilsyn
• Agentic AI Ecosystems in Higher Education: A Perspective on AI Agents to Emerging Inclusive, Agentic Multi-Agent AI Framework for Learning, Teaching and Institutional Intelligence — Perspektiv på inkluderende agentiske multiagent-AI-økosystemer i høyere utdanning
• A systematic review of the roles of agentic AI in higher education — Systematisk gjennomgang av rollene til agentisk AI i høyere utdanning (48 studier; seks roller; tredelt rammeverk for ansvarlig integrering)
• Agentic AI in Education: State of the Art and Future Directions — Agentisk AI i utdanning: state of the art og framtidige retninger (IEEE Access-oversikt; operasjonell definisjon + taksonomi)
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw — Hurtiggjennomgang av agentisk AI i utdanning (474 studier)
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Spenningen mellom automatisering og læring
• A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI — Å undervise i og vurdere beregningsmetoder i agentisk AI-tid
• ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents — ISD-Agent-Bench: benchmarking av undervisningsdesignagenter
• Adversarial Stress Testing of Role-Playing Language Agents using Multi-Agent Evaluation — Adversarial stresstesting av rollespillagenter
• Enacting Constructive Conflicts with AI Agents to Enhance Reconsideration among Novice Interaction Designers — AI-agenter for konstruktiv konflikt i designutdanning
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Læreres TPACK og multiagent-arbeidsflyter
• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation — Kodegenereringsagenter
• EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners — Benchmark for pedagogiske LLM-agenter
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — Veiledet LLM-stillas for selvstendig læring
• LearnMate^2: Design and Evaluation of an LLM-powered Personalized and Adaptive Support System for Online Learning — LearnMate-2 adaptive læringsagenter
• CyberAGENTS: Structured Autonomy for Agentic Gamified Learning in Cybersecurity — Spillifiserte læringsagenter for cybersikkerhet
• Agentic AI-driven Immersive Simulation: A Knowledge-Aware Virtual Training Platform for High Dose Rate (HDR) Brachytherapy — Agentisk AI i klinisk simulering
• The Devil is in the Details: AI Agents, Ghost Students, and the Crisis of Verified Presence in an Agentic AI World — Spøkelseselever og verifiseringsgapet i agentisk AI (Bozkurt et al. 2026)
• AI Agents Can Now Navigate and Complete LMS Tasks: A Call for Pedagogical Innovation — AI-agenter som fullfører LMS-oppgaver; validitetssvikt gjennom forutsetningen om menneskelig produksjon (Hadjisolomou & El-Haddad 2026)
• AI Web Agents Can Effectively Guide Lesson Design and Predict Student Outcomes — AI-webagenter: en beskrivende agent som evaluator av læringsopplevelsen (forutsier frafall, gir designfeedback før studentene engasjerer seg)
• Practical Implementation Report on Introducing Spec-Driven Development Using AI Agents in Software Development PBL — SDD med AI-agenter i programvare-PBL; automatisering kontra forståelse
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Evaluering av et stillasorientert multiagent stort språkmodellsystem for trening i klinisk intervju
• Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration — Etikktopplæringsagenter: å legge til rette for gruppebasert etikkutdanning med rollespill og diskusjon for etisk refleksjon og utforsking