Investeringsbanken Jefferies har flyttet en AI-agent fra pilotprojekt
Investeringsbanken Jefferies har flyttet en AI-agent fra pilotprojekt til daglig drift i front office-handlen. Agenten kører på Strands Agents, Amazon Bedrock og Model Context Protocol (MCP), og den løser en opgave, der normalt tager en handler eller analytiker værdifulde minutter midt i en travl handelsdag: at samle spredt information og omsætte den til et hurtigt, brugbart svar.
Opgaven agenten faktisk løser
Front office-handel handler om hastighed og præcision under tidspres. En handler skal ofte kombinere markedsdata, position, historik og interne retningslinjer, før en beslutning kan træffes. Det er præcis den type opgave, hvor en AI-agent giver mening, fordi den kan hente og sammenstille information fra flere kilder på sekunder, mens mennesket bevarer beslutningen og ansvaret.
Jefferies har bygget agenten til at fungere som en assistent, der forbereder grundlaget for handleren, ikke som en autonom handelsrobot. Det er en vigtig skelnen, fordi den holder mennesket i kontrol over den faktiske transaktion, samtidig med at den fjerner det manuelle research-arbejde, der ellers spiser tid væk fra selve beslutningen.
Teknologivalget: hvorfor Strands Agents og Bedrock
Strands Agents er Amazons open source-framework til at bygge agentiske systemer, og det er designet til at håndtere den orkestrering, der kræves, når en agent skal tage flere beslutninger i træk, hente data fra forskellige kilder og formulere et samlet svar. Bedrock leverer selve sprogmodellen og den administrerede infrastruktur omkring den, så Jefferies ikke selv skal drifte modellagene.
Det er et bevidst arkitekturvalg. En bank som Jefferies kan ikke acceptere ustabil drift eller uklar dataadgang i et system, der rører ved handelsbeslutninger. Ved at bygge på Bedrocks administrerede lag og Strands' agent-orkestrering får de en løsning, hvor ansvar for compliance, logning og adgangsstyring kan placeres tydeligt, i stedet for at det bliver improviseret ovenpå en samling løse scripts.
En bank som Jefferies kan ikke acceptere ustabil drift eller uklar dataadgang i et system, der rører ved handelsbeslutninger.
Sådan forbinder MCP agenten til de rigtige data
Den del, der virkelig gør løsningen brugbar i praksis, er MCP-laget. Model Context Protocol fungerer som en standardiseret bro mellem agenten og de systemer, den skal hente data fra, uden at hver ny datakilde kræver sin egen skræddersyede integration. Agenten kan derfor trække markedsdata, interne dokumenter og andre relevante kilder ind i sin kontekst efter behov, i stedet for at være låst til én fast datastrøm defineret på forhånd.
Det er samme mønster, vi ser gå igen i andre virksomheders MCP-baserede løsninger, hvor pointen ikke er selve sprogmodellen, men evnen til at koble den til de rigtige data på en kontrolleret måde. Vi har tidligere set, hvordan MCP løser lignende udfordringer inden for [visuel intelligens på Amazon Bedrock](/artikler/computer-vision-mcp-server-visuel-intelligens-bedrock/), hvor protokollen også fungerer som det lag, der gør en model brugbar på virkelige, komplekse data frem for isolerede test-cases.
Det, der driver den reelle værdi
Den forretningsmæssige gevinst ved denne type løsning ligger sjældent i selve modellen. Den ligger i, hvor godt agenten er forbundet til de data og processer, den skal understøtte, og i hvor tydeligt menneskets rolle er defineret i arbejdsgangen. Jefferies har bygget en løsning, hvor handleren stadig træffer beslutningen, men hvor forberedelsestiden er skåret markant ned.
Det er også her, mange AI-agent-projekter går galt: man fokuserer på modellens evner, men glemmer at bygge det solide datalag og den klare ansvarsfordeling, der gør agenten pålidelig nok til produktion. En agent, der giver forkerte svar hurtigt, er værre end ingen agent overhovedet i en handelssituation, hvor beslutninger har direkte økonomiske konsekvenser.
Hvad danske virksomheder kan lære af det
Vi har hos AI Enterprise arbejdet med større AI-projekter for danske virksomheder, fra problemafklaring og planlægning til implementering og drift, og mønstret fra Jefferies-casen går igen langt uden for finanssektoren. Uanset om det er en produktionsvirksomhed, en advokatvirksomhed eller en e-handelsbutik, er den samme lære gyldig: en AI-agent skaber kun værdi, når den er forbundet til de rigtige interne data via et solidt integrationslag, og når menneskets rolle i beslutningen er tydeligt defineret fra start.
Det betyder i praksis, at danske virksomheder, der overvejer AI-agenter i drift, bør starte med at kortlægge, hvilke data agenten faktisk skal have adgang til, og hvor grænsen går mellem det, agenten må forberede, og det, et menneske skal godkende. Den grænse er ikke en teknisk detalje, den er selve fundamentet for, om løsningen kan stå distancen i en driftssituation, hvor fejl har en pris.