Hvorfor trenger organisasjonen din et AIOS?

Siden 14. september 2026 har jeg kjørt arbeidet mitt gjennom et system jeg kaller et AIOS. Det er et operativsystem for AI-agenter. Per 3. november 2026 har det fullført 1 152 oppgaver. 689 av de 1 202 kortene på tavla kom fra agentene selv. Denne artikkelen handler om hva systemet er, hva det har gitt meg, hva det kostet og hva som gikk galt. Til slutt beskriver jeg hva et team trenger, og hvordan vi kan hjelpe dere i gang.

Før AIOS kom skikkelig i gang, chattet jeg med Claude, Copilot eller en annen kodeagent. Jeg skrudde på noen skills, skrev inn noen instruksjoner og ventet på svaret før neste runde. Jeg ville heller legge fram ideene mine på et høyere nivå. Og jeg ville at intensjonene mine skulle henge med fra én kontekst til den neste.

Hva er et agentisk operativsystem?

Det er et operativsystem for agenter. Det har én kanbankø for alle typer oppgaver og en utskiftbar «hjerne» som planlegger og utfører mot skrevne mål. Resultatene kommer med bevis, og en lokal kunnskapsbase lærer over tid. Det er hele definisjonen. Modellen tenker. Operativsystemet holder orden.

Jeg tenker på det som fem tjenester:

• en kø med planlegging
• kontekst og minne
• lagring
• verktøy og tilganger, med grenser for hva agenten får røre
• innsikt for mennesket som eier arbeidet.

Den siste er den som lar meg se hva som ble gjort, og hvorfor.

Likheten med et vanlig operativsystem er stor. En prosess er et kort på tavla. Planleggeren er kjøreren som tar neste kort når en plass blir ledig. RAM er kontekstvinduet. Filsystemet er kunnskapsbasen, og tillatelsene er tillatelseslista.

Hva endret seg da agentene fikk en kø?

Den største endringen var ikke fart. Det var at jeg sluttet å jobbe ved siden av AI og begynte å delegere til den. Jeg skriver et kort med en hensikt. Én agent gjør det om til en plan med akseptansekriterier, og spør meg når noe er uklart.

En annen agent gjør jobben i sitt eget git-arbeidstre, parallelt med andre kort. En tredje sjekker bevisene uavhengig og sender tilbake det som ikke holder. Så godkjenner jeg, og arbeidet blir deployet eller tatt i bruk på en annen måte.

I dag hjelper agentene meg med ti typer arbeid:

1. koding
2. drift og overvåking
3. presentasjoner
4. research og analyse
5. møteforberedelser
6. LinkedIn-innlegg
7. blogginnlegg og artikler
8. promovideoer
9. personlig utvikling
10. oppsummeringer til faste tider.

Hver type har sin egen definisjon av ferdig. Kode trenger grønt bygg og skjermbilder. Research trenger en kilde med lenke og dato for hver påstand.

Tallene per 3. november 2026, talt fra tavla. 1 152 oppgaver er fullført siden 14. september. 513 kort kom fra meg og 689 fra agentene. Av 7 271 akseptansekriterier peker 7 016 på et bevis. Agentene har kjørt i 614 timer bare på kort, rutinene ikke medregnet.

Det dette gjør med uka mi er enkelt. Jeg sparer det krevende arbeidet til jeg er uthvilt. Godkjenninger og vurderinger tar jeg når jeg har mindre energi. I mellomtiden skjer ting av seg selv.

Hva koster det?

Jeg bruker hele ukekvoten i abonnementet mitt. Regnet om til API-priser var mitt eget anslag 30. september 2026 600 til 1 000 dollar i uka. Jeg vet ikke om det tallet sier noe om hva det faktisk koster å kjøre modellene. Men det sier noe om hvor prisene er på vei.

Det er cachen som gjør dette mulig. Per 3. november 2026 har agentene sendt 571 millioner token inn og fått 108 millioner ut. Samtidig ble 11,2 milliarder token lest fra cache. Omtrent 95 prosent av alt agentene leser, kommer fra cache. Bare omtrent ett token av tjue er nytt.

Jeg lærte også å bruke mindre. I starten kjørte jeg det meste på Opus 5.5 med høy innsats, og det brant token fort. 13. oktober 2026 skrudde jeg planleggingen ned fra maks til middels innsats. På maks kostet planen alene rundt 4,90 dollar per kort, uansett hvor lite kortet var. Og mange kort var små etter hvert som løsningene satte seg. Jeg merket lite tap i kvalitet, og flere kort kom gjennom på samme kvote. Jeg kan også enkelt overstyre modell og innsats for hvert kort.

Hva gikk galt?

Mye! En retro av den siste måneden (ja, systemet kjører sine egne retroer!) dekker 3. oktober til 3. november 2026. Den teller 1 844 kjøringer, og 1 595 av dem endte godt. Verifiseringen kjørte 1 133 ganger og godkjente 981. Resten traff en grense for runder, en tidsgrense, et krasj eller kvoten.

Kvoten var det verste. 11. og 12. oktober var ukekvoten brukt opp, men systemet fortsatte å prøve. Rutinetimeren startet en kjøring hvert minutt i femten timer, og 883 kjøringer ble avvist i den ene perioden. Den feilen er rettet. Nå leser systemet når kvoten tilbakestilles fra avvisningen, og venter til da.

Kort kommer også tilbake. 34 ganger i løpet av måneden sendte jeg et kort tilbake fra Klar for test, og 14 av dem var videokort. I flere av dem viste et generert klipp innholdet på en skjerm gjennom baksiden. Typisk AI-feil! QA-agentene så det ikke. Det gjorde jeg.

219 kort var blokkert minst én gang i måneden. Ofte ventet de på en videokvote hos Gemini, en innlogging eller en endring i produksjon som bare jeg får gjøre. Retroen teller likevel 1 280 kjøringer avvist på kvote, de fleste fra den ene perioden i oktober.

Og så flettekonflikter. Når flere kort endrer de samme filene, må noen løse konflikten. Det er en jobb jeg hater, så nå gjør en egen agent det. Regelen er at begge intensjonene skal overleve. Den kjørte 55 ganger forrige måned og løste alle 55.

Når noe går galt, bruker jeg stort sett AI til å løse problemet for godt. Jeg forklarer omtrent sånn: Kan du låse opp dette kortet, og endre skillsene, så det ikke skjer igjen? Problemene jeg har beskrevet her er stort sett borte etter slik justering underveis.

Hvorfor betyr dette noe for en organisasjon?

Fordi de fleste organisasjoner står fast i midten.

Wharton Human-AI Research og GBK Collective publiserte sin fjerde årlige rapport om bruk av AI 13. oktober 2026. Den bygger på rundt 1 400 personer i store amerikanske selskaper. To av tre avdelinger sier de bruker AI-agenter. Men færre enn én av fem lar en agent fullføre en oppgave uten at en person godkjenner hvert steg.

Rapporten deler avdelingene inn i fire nivåer, etter hvor mye agenten får gjøre på egen hånd:

1. AI gir råd. Agenten foreslår, og en person tar hver beslutning og gjør jobben. Det er når du bruker chatvinduet, beskriver et problem og får litt kode eller en liste med oppgaver tilbake.
2. AI gjør jobben, en person godkjenner hver handling. Agenten forbereder endringen, og ingenting skjer før en person har godkjent den. Det er når du lener deg tilbake og klikker godkjenn hele dagen.
3. Selvstendig, et utvalg sjekkes etterpå. Agenten fullfører oppgaven på egen hånd, og en person ser på noen av resultatene senere. Det er når du lar agenten jobbe i automodus og godkjenner større biter av arbeid, som en plan som er klar til å utføres.
4. Selvstendig, med overvåking i sanntid og rekkverk. Agenten fullfører oppgaven på egen hånd. Automatisk overvåking følger med mens den jobber, og skrevne regler sier hva den ikke får røre. Det er som å være sjef med ekte assistenter som støtter arbeidet og beslutningene dine.

Nesten halvparten av alle avdelinger står på trinn to. Det føles som det trygge valget. Du får agentens arbeid, og en person bestemmer fortsatt. Men det er også der du betaler for en agent og holder en person opptatt med å godkjenne alt den gjør. Personen blir flaskehalsen, og du lærer svært lite om hva agenten kunne klart alene. Brian Smith i GBK kaller det «den overvåkede midten». Der betaler du for selvstendighet og går så gjennom hver handling, så du får ingen flyt.

Det interessante er formen på kurven. Rapporten teller også hvor mange avdelinger på hvert nivå som har lagt om hvordan de jobber med AI. Andelen er høyest i begge ender av stigen og lavest i midten. Det er litt rart at avdelingene med minst AI-modenhet er blant dem som oftest har lagt om prosessene sine. Kanskje er det fordi nivå 1 kan gi nye prosesser der mennesker og AI samarbeider i et chatvindu. Nivå 2 er egentlig bare den gamle prosessen, med AI som støtte.

Rapporten mener gevinsten er størst når en omlagt prosess blir tatt i bruk. De beste resultatene ser de på nivå 4.

Å komme til nivå fire er nettopp det et agentisk operativsystem gjør! Det gir nye prosesser der AI kommer først. Arbeidet gjøres av agenter, og mennesker styrer, verifiserer og godkjenner det. I mitt eget AIOS går oppgavene gjennom flere tilstander, hver med sine egne rekkverk og definisjoner av ferdig. Hvert kriterium trenger bevis. Det jeg til slutt må ta stilling til, blir lagt fram kort, med skjermbilder og sammendrag. Alle detaljene er der hvis jeg trenger dem. Kritiske operasjoner, som å endre noe i produksjon eller håndtere hemmeligheter, er ikke tillatt. I stedet får jeg instruksjoner om hva jeg må gjøre selv.

De fleste funksjonene i appene blir levert helt selvstendig av agentene. Mange blir til og med foreslått av produkteier-agentene mine, som kjenner produktene og målgruppen. Som regel godkjenner jeg slike funksjoner ut fra skjermbildene. Og jeg stoler på en grundig testsuite med både enhetstester og automatiske ende-til-ende-tester. Så sender jeg det ut, og tester det etter hvert selv i appen. Feil og andre problemer er ganske sjeldne nå som agentene og jeg har blitt kjent med hverandre!

Det er litt morsomt, men det er samme prinsipp som å lede mennesker. Du kan ikke styre kunnskapsarbeid på forhånd. Du kan bytte ut kontrollpunkter med tillit, synlighet og tilbakemeldingssløyfer som alle kan se.

Hva trenger et agentisk operativsystem for et team?

AIOS-et jeg kjører i dag er laget for én bruker på én maskin. Det er både styrken og begrensningen. Alt er lokalt, det er ingen server å drifte, og hele oppsettet får plass i ett hode. Et team trenger mer.

Flere brukere og roller, så kort kan tilhøre personer og godkjenninger kan deles. En server alle når, i stedet for én personlig datamaskin. Skille mellom brukere og kunder, med egne nøkler. Synlig kostnad per kunde eller per team. Og koblinger til verktøyene folk allerede bruker, som saksverktøyet og chatten, i stedet for en ny tavle å følge med på.

Mye av dette finnes allerede i versjonen jeg kjører. Det er en kø med terskler og instruksjoner skrevet i vanlig markdown, så alle kan lese hva agentene får beskjed om. Det er bevis med uavhengig verifisering, og en kunnskapsbase som vokser med hvert kort.

Mye av AIOS-bruken min er koding, men det kan brukes til mye annet. Jeg bruker det til markedsrapporter, møteforberedelser, research, ideer til innhold, forretningsstrategi, overvåking av aksjemarkedet og produksjon av video, infografikk og presentasjoner. Jeg lurer på om jeg vil la det handle for meg når betalingsløsningene for agenter kommer...

Hva med framtida?

Jeg tror det neste året handler om at terskelen flytter seg. Ikke om større modeller, men om mer arbeid som agentene kan eie helt, med overvåking i stedet for godkjenning. Organisasjonene som skriver ned hva som teller og hva ferdig betyr, vil flytte den raskere enn dem som går gjennom hvert steg.

I gnxt bygger og drifter vi produktene våre med AIOS. Vi hjelper også bedrifter med å sette opp noe lignende, fra kø og skrevne mål til agenter som leverer med bevis. Du kan lese mer på gnxt.eu/no/aios. Lykke til! Jeg hjelper deg gjerne i gang. Det kan være med workshoper der vi finner ut hva som skal inn i deres eget agentiske operativsystem, eller med å bygge og drifte hele greia. Og alt imellom. Jeg tror det er best å sette det opp sammen. Så kan dere bruke operativsystemet til å forbedre seg selv, med nye funksjoner og agenter. Og ta kontakt når dere trenger det, om det er noe dere vil diskutere eller spørre om.