Teknologia · Agenttinen tekoäly

Agenttisen tekoälyn pino 2026: kielimallista toimivaksi agentiksi

Agenttisen tekoälyn pino 2026: kielimallista toimivaksi agentiksi

Tekoälyagentti ei ole yksittäinen malli. Se on järjestelmä: päättelevä malli, sen käytössä olevat työkalut, luotettava tietopohja, säännöt, joita sen on noudatettava, ja tapa osoittaa, että kokonaisuus toimii. Nämä ovat ne kuusi kerrosta, jotka suunnittelemme jokaiseen agenttiprojektiin vuonna 2026.

1. Malliportaikko

Kärkimallit, kuten Claude Opus 5.5, GPT-6 Astra ja Gemini 3.8 Flash, hallitsevat jo monivaiheisen päättelyn, ohjelmoinnin ja tietokoneen käytön. Hyvä tuotantoratkaisu käyttää silti harvoin yhtä mallia kaikkeen. Luokittelu, tiedon poiminta ja reititys toimivat hyvin pienillä malleilla, kuten GPT-6 Lunalla, jonka hinta on 0,10 $ miljoonaa syötetokenia kohden. Kalliimpaa tasoa tarvitaan vain suunnitteluun ja vaikeisiin harkintaa vaativiin päätöksiin.

Kehotteiden välimuistitus (prompt caching) on yhtä tärkeää. Syyskuussa 2026 Anthropic laski Claude Opus 5.5:n välimuistista luettavien tokenien hintaa 60 %, ja OpenAI julkisti GPT-6:lle parannetun välimuistituksen. Siksi pitkiä ohjeita tai dokumentteja toistuvasti käyttävien agenttien käyttökustannukset laskevat selvästi.

2. Työkalut ja konteksti: MCP ja A2A

Model Context Protocol (MCP) on vakiintunut tapa kytkeä agentti yrityksesi järjestelmiin: CRM:ään, ERP:hen, tietokantoihin, tiedostopalveluihin ja sähköpostiin. Sen sijaan, että jokaista mallia varten kirjoitettaisiin oma liimakoodinsa, riittää, että työkalu tarjotaan kerran, ja mikä tahansa MCP-yhteensopiva agentti voi käyttää sitä.

Agent2Agent (A2A) ratkaisee toisen ongelman: miten eri toimittajien agentit löytävät toisensa ja siirtävät tehtäviä toisilleen. Elokuusta 2026 lähtien molemmat protokollat ovat olleet Linux Foundationin Agentic AI Foundationin alla, mikä pienentää toimittajaloukun riskiä.

3. Luotettava tietopohja: RAG

Hakuun perustuva tekstin tuottaminen (retrieval-augmented generation, RAG) sitoo vastaukset yrityksesi omiin dokumentteihin. Hyvä RAG-kerros pilkkoo sisällön osiin ja indeksoi sen vektoritietokantaan, hakee oikeat tekstikohdat, järjestää ne uudelleen osuvuuden mukaan ja edellyttää agentilta lähdeviitteet. Työpaikkailmoitusten ja CV:iden yhteensovittamiseen rakentamassamme järjestelmässä tällä lähestymistavalla saavutettiin 90 %:n osumatarkkuus, ja seulontaan kuluva aika lyheni 40 %.

Opit tuotannosta: kun rakensimme hakujärjestelmiä BeeStaffille ja DanaRemotersille, naiivi kiinteän kokoinen pilkkominen katkaisi usein taulukoiden otsikkorivejä ja sopimuslausekkeita. Siirryimme semanttiseen pilkkomiseen, jota täydentävät vektorihaun ja avainsanahaun yhdistävä hybridihaku sekä tulosten yhdistäminen reciprocal rank fusion -menetelmällä. Näin 85 % hakuvaiheen hallusinaatioista karsiutui jo ennen kuin vastauksen tuottava malli sai kehotteen.

4. Toiminta: ensin API-rajapinnat, sitten tietokoneen käyttö

Tietokoneen käytön (computer use) avulla agentti voi toimia näytöllä ihmisen tavoin. Se on tehokas keino vanhoissa työkaluissa, joissa ei ole API-rajapintaa, mutta hitaampi ja vähemmän ennustettava. Sääntömme on yksinkertainen: käytä API-rajapintaa tai MCP-työkalua aina, kun sellainen on olemassa, ja jätä tietokoneen käyttö vaiheisiin, jotka todella vaativat näyttöä.

Mikä testeissä petti: kun rutiininomainen portaalien synkronointi jätettiin selainta käyttävien agenttien varaan, ne jumiutuivat huomaamatta silmukkaan aina, kun dynaaminen CSS-luokka muuttui tai eteen tuli odottamaton evästebanneri. Tuotantotason luotettavuus edellyttää ensisijaisesti deterministisiä API-rajapintoja ja MCP-työkaluja. Näytön kautta tapahtuva tietokoneen käyttö kannattaa varata vanhojen järjestelmien vaiheisiin, joihin ei ole rajapintaa, ja niissäkin on käytettävä tiukkoja aikakatkaisuja.

5. Orkestrointi: esihenkilö ja asiantuntijat

Monimutkainen työ sujuu paremmin, kun suunnitteluagentti pilkkoo pyynnön tehtäviksi ja jakaa ne asiantuntija-agenteille, joilla kullakin on tarkasti rajatut ohjeet ja työkalut. Näin toimii BeeStaff.ai: Max laatii suunnitelman, ja kahdeksan asiantuntija-agenttia tekee taustatutkimuksen, kirjoittaa, suunnittelee ja hoitaa jatkoyhteydenotot. Samaa rakennetta tukevat myös LangGraphin, CrewAI:n ja Pydantic AI:n kaltaiset sovelluskehykset sekä mallitoimittajien omat agentti-SDK:t.

6. Turvarajat ja arvioinnit

  • Ihmisen hyväksyntä kaikelle, mikä lähtee yrityksen ulkopuolelle: sähköpostit, julkaisut, maksut ja sopimusmuutokset.
  • Kulukatot ja pyyntörajoitukset, jotta silmukkaan jäänyt agentti ei voi koskaan aiheuttaa yllätyslaskua.
  • Kattava loki jokaisesta työkalukutsusta, jotta kaikki toimenpiteet voidaan auditoida ja toistaa jälkikäteen.
  • Todellisista esimerkeistä ja odotetuista tuloksista koottu arviointiaineisto, joka ajetaan ennen jokaista mallin tai kehotteen muutosta.
  • Datan hallinta: yksityinen ympäristö, tallennus EU:ssa tai omilla palvelimilla sekä tarvittaessa varmistus, ettei asiakasdataa käytetä mallien koulutukseen.

Tarkistuslista ennen toteutusta

Pystytkö kuvaamaan tehtävän syötteenä, vaiheina ja odotettuna lopputuloksena? Onko data saatavilla, ja saako sitä käyttää? Mistä järjestelmistä agentin pitää lukea ja mihin kirjoittaa? Miltä onnistuminen näyttää lukuina? Jos pystyt vastaamaan näihin neljään kysymykseen, muu kokonaisuus voidaan suunnitella niiden ympärille, yleensä kahden viikon pilotissa.

Lähteet

  1. Anthropic — Claude Opus 5.5
  2. OpenAI — Introducing GPT-6 Sol and Luna
  3. OpenAI — Better prompt caching for GPT-6
  4. Agentic AI Foundation — Model Context Protocol
  5. A2A — Joining the Agentic AI Foundation

Lisää artikkeleita

Haluatko kokeilla tekoälyagentteja omassa työnkulussasi?