Capital One: Open-weight modeller frem

Den mest almindelige antagelse i AI-branchen er, at nyere og større modeller altid er bedre. Capital Ones erfaring peger på noget andet: for opgaver, der gentages millioner af gange med snævert definerede krav til nøjagtighed, latenstid og omkostning, slår en lille, finjusteret model ofte en generel frontier-model. En model, der er trænet specifikt på bankens egne data, transaktionsmønstre og interne processer, rammer mere konsistent og koster markant mindre at drive i stor skala.

Det handler også om kontrol. Med open-weight modeller kan Capital One selv styre, hvordan modellen opdateres, hvilke data den trænes på, og hvordan den afprøves, før den rører ved en kundevendt proces. Den kontrol er svær at opnå, når man er afhængig af en ekstern udbyders API og roadmap. For en bank, hvor regulering og revisionsspor vejer tungt, er det ikke et nice-to-have, det er en forudsætning for overhovedet at kunne sætte agentisk AI i produktion.

Det mest konkrete eksempel på strategien er MACAW, et multi-agent system bygget til bedrageribekæmpelse. I stedet for én stor model, der forsøger at vurdere en hel transaktion på én gang, er opgaven splittet op mellem flere specialiserede agenter, der hver især ser på et afgrænset signal: transaktionsmønster, enhedsadfærd, geografisk placering, historik på kontoen. Agenterne arbejder parallelt og sender deres vurderinger videre til et lag, der samler konklusionerne og træffer den endelige beslutning.

Den arkitektur gør systemet hurtigere, og når ét signal fejler eller ændrer sig, for eksempel et nyt svindelmønster, vælter resten af systemet ikke med det. Det enkelte agentmodul kan opdateres og genfinjusteres alene, uden at hele systemet skal bygges om. Det er præcis den type modulære, vedligeholdbare arkitektur, som virksomheder ofte overser, når de først begynder at eksperimentere med agentiske systemer, og som først bliver tydeligt vigtig, når systemet skal køre stabilt i produktion, dag efter dag.

På kundesiden bruger Capital One agentisk AI i Chat Concierge, en shopping-assistent, der hjælper kunder med at finde og sammenligne produkter gennem en samtale frem for en traditionel søgeflade. Her handler det ikke om at generere det mest imponerende svar, men om at forstå intentionen bag en uklar forespørgsel og guide kunden frem til et konkret valg, uden at samtalen føles som en formular.

Det er en opgave, hvor en finjusteret model med adgang til bankens eget produktkatalog og kundedata slår en generel model, der ikke kender konteksten. Agenten skal kunne stille opklarende spørgsmål, holde styr på, hvad der allerede er sagt i samtalen, og vide, hvornår den skal give slip og sende kunden videre til et menneske. Det kræver præcision i det små, ikke bredde i det store.

Den mindst synlige, men måske mest skalerbare del af Capital Ones strategi ligger i backend-infrastrukturen. Her bruges agentiske systemer til løbende at optimere drift, ressourceallokering og systemydelse, opgaver, der tidligere krævede manuel overvågning og justering fra ingeniørteams. En agent, der konstant analyserer belastning og performance, kan reagere hurtigere og mere konsekvent end et menneske, der skal fordele sin opmærksomhed på tværs af hundredvis af systemer.

Det er også her, gevinsten ved skræddersyede modeller bliver tydeligst i kroner og øre. Når en agent kører kontinuerligt i baggrunden på tusindvis af beslutninger i timen, betyder forskellen mellem en dyr frontier-model og en billig, finjusteret model reelt noget for driftsomkostningerne, uden at det går ud over kvaliteten af beslutningerne.

Capital Ones næste skridt peger mod model-routing, hvor systemet automatisk vælger den mest velegnede model til den konkrete opgave, i stedet for at én model skal løse alt. En simpel klassificeringsopgave sendes til en lille, billig model, mens en kompleks vurdering sendes videre til en tungere model. Det er en pragmatisk måde at holde omkostningerne nede uden at gå på kompromis med kvaliteten, hvor det tæller mest.

Dertil kommer et skifte mod mere proaktiv, event-drevet AI, systemer der selv opdager, at noget kræver handling, i stedet for kun at reagere på en forespørgsel fra en bruger. For bedrageribekæmpelse og drift betyder det agenter, der griber ind, før et problem eskalerer, ikke bare efter.

Capital Ones tilgang er et vigtigt signal til danske virksomheder, der er i gang med eller overvejer agentisk AI i produktion. Vi ser ofte, at virksomheder starter med den nyeste og mest kraftfulde model, fordi den er lettest at komme i gang med, og først senere opdager, at driftsomkostningerne og manglen på kontrol bliver en hæmsko, når systemet skal skalere. Som principal konsulent hos AI Enterprise Konsulenten har jeg sammen med mit team drevet større AI-projekter fra problemafklaring til drift, og mønsteret går igen: de projekter, der lykkes i skala, er sjældent dem med den mest avancerede model, men dem med den mest velafgrænsede opgave og den bedst tilpassede løsning til netop den opgave.

Det betyder ikke, at alle skal bygge deres egne modeller fra bunden. For de fleste danske virksomheder giver det mere mening at starte med veldefinerede, afgrænsede agentworkflows og først investere i finjustering, når volumen og gentagelse for alvor gør det til en økonomisk fordel. Men lærdommen fra Capital One er klar: multi-agent arkitektur, hvor hver agent løser en snæver, veldefineret opgave, er ofte både nemmere at rette fejl i og billigere at drive end ét stort system, der skal kunne det hele.