LendingTree: Multi-agent boliglånsassistent

I stedet for at lade én model håndtere hele samtalen om et boliglån har LendingTree delt opgaven op i tre specialiserede agenter. Én agent indsamler og strukturerer information om låntagerens økonomi, en anden matcher profilen mod relevante låneprodukter, og en tredje formulerer selve rådgivningen til kunden. Hver agent løser en afgrænset opgave, den er god til, i stedet for at én generalist-model skal mestre det hele på én gang.

Den opdeling gør systemet nemmere at teste og fejlfinde. Når noget går galt, kan man isolere problemet til den agent, der fejlede, i stedet for at grave gennem en enkelt models samlede beslutningskæde. For en reguleret sektor som boliglån betyder det, at man kan dokumentere præcis hvilket trin i processen der producerede en given anbefaling.

For at koordinere de tre agenter bruger LendingTree LangGraph, en ramme til at bygge og styre flows mellem flere agenter. LangGraph definerer rækkefølgen agenterne arbejder i, hvilke data de sender videre til hinanden, og hvornår processen skal stoppe op og vente på menneskelig godkendelse.

Det er en vigtig detalje. En multi-agent-løsning uden en klar koordinator risikerer at agenterne arbejder i utakt eller sender modstridende informationer videre. Ved at lægge styringen i et eksplicit graf-baseret flow bliver det muligt at se, spore og genafspille hele forløbet fra første spørgsmål til færdig anbefaling. Det er den slags sporbarhed, som revisorer og tilsynsmyndigheder i finanssektoren forventer.

Agenterne udveksler data via Model Context Protocol, en standard der gør det muligt for forskellige AI-komponenter at dele kontekst uden at hver integration skal bygges fra bunden. I praksis betyder det, at LendingTree kan skifte eller opdatere enkelte agenter uden at bygge hele koordineringslaget om.

Boliglånsrådgivning er underlagt strenge regler for, hvad der må og ikke må siges til en forbruger. Derfor har LendingTree bygget guardrails ind i systemet, der løbende tjekker agenternes output, før det når kunden. Guardrails filtrerer og validerer svarene, så systemet ikke kommer til at give upræcise eller ureguleret rådgivning, uanset hvad den underliggende sprogmodel måtte foreslå.

Det er en pointe, der rækker ud over LendingTrees egen sag. I brancher med skrappe krav til rådgivning, dokumentation eller ansvar er guardrails ikke en ekstra finish på systemet. De er selve grunden til, at man overhovedet kan sætte generativ AI i produktion uden at løbe en unødig juridisk risiko.

Det, der gør casen interessant, er ikke kun teknologien, men vejen fra prototype til produktion. Finanssektoren er kendt for lange godkendelsesprocesser, fordi konsekvenserne af en fejlagtig anbefaling er store, både for kunden og for virksomhedens omdømme. At LendingTree har fået en multi-agent-løsning gennem den proces og ud i drift viser, at arkitekturen med adskilte agenter, eksplicit koordinering og indbyggede guardrails er solid nok til at bestå den slags interne kontrol.

Det er også et signal om, hvor AI-arkitektur i regulerede brancher er på vej hen. Én monolitisk model, der forsøger at gøre det hele, er sværere at forklare og validere over for både interne complianceafdelinger og eksterne tilsynsmyndigheder. En opdelt, sporbar arkitektur giver et bedre udgangspunkt for den type dokumentation, som regulerede virksomheder skal kunne fremvise.

Jeg arbejder med større AI-projekter for danske virksomheder, fra problemafklaring til drift, og et mønster går igen i de sager, hvor kravene til dokumentation og ansvarlighed er høje: jo tættere man kommer på et reguleret område, jo vigtigere bliver det at kunne vise, hvordan en beslutning er opstået, ikke bare hvad den endte med at blive.