Mobileye hybrid AI-support på AgentCore

Mobileyes supportteam håndterer forespørgsler, der spænder fra tekniske spørgsmål om sensordata til driftsproblemer i partnernes hardware. Data til at besvare de spørgsmål ligger spredt: nogle systemer kører on-premises af sikkerheds- og compliancehensyn, andre i skyen. Når en medarbejder skulle svare præcist, betød det ofte manuel søgning på tværs af flere platforme, før svaret kunne gives videre til kunden.

**Praktisk pointe:** det er ikke et datamængde-problem, det er et adgangsproblem. Svaret findes som regel allerede et sted i virksomheden, det tager bare for lang tid at finde det, fordi ingen har bygget en bro mellem systemerne.

Det er en klassisk hybrid-udfordring. Virksomheder med følsomme eller regulerede data kan ikke bare flytte alt til skyen, men de kan heller ikke bygge moderne AI-værktøjer, der kun kigger på halvdelen af informationen. Vi ser den samme problemstilling hos danske virksomheder, der driver AI-projekter for kunder med krav om lokal databehandling, hvor governance og adgang til rette data skal balanceres uden at bremse den daglige drift.

Mobileyes team startede ikke med den fulde hybride løsning. De byggede først et proof of concept, der validerede, om en agentisk tilgang overhovedet kunne løse problemet: kunne en AI-agent selv finde og sammenstille svar fra flere kildesystemer, i stedet for at et menneske skulle gøre det manuelt?

Da konceptet var bevist, flyttede teamet til Amazon Bedrock AgentCore som platform for produktionsdrift. AgentCore er bygget specifikt til at understøtte agentiske arbejdsgange i stor skala, med indbygget håndtering af hukommelse, værktøjskald og sikker adgang til eksterne systemer. Det gjorde det muligt at gå fra en isoleret test til en løsning, der faktisk kunne bære den daglige supportbelastning.

Det vigtige skridt her er ikke teknologivalget alene, men rækkefølgen: valider først, at agenten løser det rigtige problem, byg derefter en infrastruktur omkring den, der kan holde til den daglige drift. Mange AI-projekter fejler, fordi de vender rækkefølgen om og bruger måneder på infrastruktur, før nogen har bevist, at selve agent-logikken virker.

Mange AI-projekter fejler, fordi de vender rækkefølgen om og bruger måneder på infrastruktur, før nogen har bevist, at selve agent-logikken virker.

Den tekniske kerne i Mobileyes løsning er, hvordan AgentCore kobler sig til data, der bliver liggende on-premises, samtidig med at selve agent-orkestreringen kører i AWS-skyen. Det sker gennem sikre AgentCore Gateway, der lader agenten hente information fra lokale systemer i realtid, uden at data skal migreres eller dupliceres unødigt.

Det betyder i praksis, at agenten kan stille et spørgsmål, der kræver svar fra både et on-premises supportsystem og en cloud-baseret vidensbase, samle de to svar og præsentere ét sammenhængende resultat til supportmedarbejderen. Den slags sammenstilling ville tidligere have krævet, at et menneske manuelt slog op flere steder.

Som principal konsulent hos AI Enterprise, hvor jeg sammen med et team driver større AI-projekter fra problemafklaring og planlægning til implementering og drift, ser vi netop den type hybrid arkitektur som afgørende for virksomheder, der ikke kan eller vil flytte alle data til skyen på én gang.

En hybrid opsætning rejser naturligt spørgsmål om, hvem agenten må tale med, og hvilke data den må se. Mobileyes løsning bygger sikkerhed ind i selve arkitekturen: adgang til on-premises systemer styres gennem klart afgrænsede tilladelser, og agentens handlinger kan spores og revideres.

Det er en pointe, der ofte overses, når virksomheder taler om agentisk AI. En agent, der kan handle selvstændigt på tværs af systemer, er kun så sikker som de adgangsregler, den er bundet af. Governance skal derfor tænkes ind fra starten, ikke lappes på, når løsningen allerede er i drift. Mobileyes tilgang, hvor sikkerhed er en del af selve integrationslaget mellem cloud og on-premises, og hvor temporale politikker i AgentCore understøtter adgangsstyringen, er et godt eksempel på, hvordan det bør gøres.

Mobileyes rejse fra flaskehals til fungerende AI-agent viser en vej, som mange danske virksomheder med regulerede data eller tung on-premises drift kan lære af. Man behøver ikke vælge mellem sky og lokal drift. Med den rette arkitektur kan en AI-agent trække på begge dele og levere svar, der før krævede manuelt arbejde på tværs af systemer.

Det kræver, at man tænker integration og sikkerhed sammen fra dag ét, og at man validerer den agentiske tilgang i lille skala, før man bygger den fulde produktionsløsning. Den rækkefølge er ofte forskellen på et AI-projekt, der leverer reel værdi, og et, der aldrig kommer ud af pilotfasen.

Hvor meget af jeres egen supportdata ligger stadig fast on-premises, uden at nogen har bygget broen til den endnu?