Der er et tidspunkt i de nærmeste sekunder, du bruger på at læse denne sætning, hvor et utal af algoritmer har forhandlet prisen på den elektriske energi, der driver den server, der hoster denne side. En anden algoritme har justeret buddet på den reklameplads, der måske er synlig i siden margener. En tredje har rebalanceret en investeringsportefølje baseret på et sentiment-signal trukket ud af en nyhedsstrøm, ingen menneske har læst. En fjerde har opdateret en forsyningskædes logistik-model baseret på en forsinkelse i et containernetværk i Sydøstasien.
Ingen af disse transaktioner er gået igennem et menneske. Ingen er afventet på en humans godkendelse. Ingen har produceret den type af kognitive begivenhed, vi traditionelt kalder et “beslutning” – den bevidste, intentionelle afvejning af alternativer, der er den menneskelige økonoms grundlæggende handling.
Det er den økonomi, der er allerede her – i sin tidlige, fragmenterede og endnu ikke fuldt integrerede form.
Og den er ved at blive noget fundamentalt andet.
AI-agenter – autonomt opererende softwaresystemer, der er i stand til at planlægge, handle og forhandle i en given opgavekontekst uden løbende menneskelig intervention – er det teknologiske paradigme, der er ved at omdanne det billede, vi har af AI fra et redskab, vi aktiverer, til en aktør, der agerer. Det er ikke ChatGPT, du spørger om recepter. Det er en software-entitet, der modtager et mål (“reducer vores energiomkostninger med 15% dette kvartal”), har adgang til en lang række API-er og datastrømme, kan planlægge og eksekvere en sekvens af handlinger over tid og interagerer med andre systemer – herunder andre AI-agenter – for at realisere sit mål.
Det er en teknologisk skift, der er mere fundamental end de fleste af de “revolutioner”, der er forkyndt i det seneste årtis AI-debat. Og det rejser spørgsmål, der er ikke primært tekniske – de er økonomiske, filosofiske og politiske: Hvad sker der med markedet, når det ikke længere primært er en mekanisme for menneskelig psykologi og menneskelig risikovurdering? Hvad sker der med prisdannelsen, med systemisk risiko, med ulighed og med det demokratiske tilsyn med det økonomiske liv, når størstedelen af transaktionerne foregår i det latenshastigheds-domæne, der er ikke blot hurtigere end menneskelig reaktion, men hinsides menneskelig forståelse i realtid?
Denne artikel er et forsøg på at kortlægge dette spørgsmål – dets teknologiske fundament, dets historiske forløbere, dets økonomiske logik og dets dybeste implikationer for det system, vi kalder det frie marked.
Fra redskab til aktør: AI-agentens ontologiske skift
For at forstå, hvad der er ved at ske, er det nødvendigt at forstå, hvad der er nyt ved AI-agenter i relation til de AI-systemer, der er gået forud.
De første generationer af AI i en kommerciel kontekst var passive og forespørgselsstyrede: Systemer, du spurgte, der svarede, og hvis handlingsradius var defineret af det specifikke input, der var givet dem i den specifikke session. De var ekstremt kraftfulde inden for dette domæne – men de var ikke agenter i den forstand, der er relevant her. De afventede altid den menneskelige input, der aktiverede dem.
Den næste generation – der er stadig dominerende i den brede offentligheds opfattelse af AI – er instruktionsstyrede generative systemer: GPT-4, Claude, Gemini og deres efterfølgere, der er i stand til ekstremt sofistikerede sproglige og kognitive opgaver, men som i deres standardform er interaktive i en sekventiel og menneskestyret mode: Du giver en prompt, systemet genererer et output, du vurderer det og giver ny input.
AI-agenten er et tredje og fundamentalt anderledes paradigme: Det er et system, der er givet et mål og en handlingsradius – adgang til API-er, databaser, kommunikationskanaler og eksekveringsmekanismer – og som autonomt planlægger og eksekverer en sekvens af handlinger over en tidshorisont for at realisere målet. Det er ikke forespørgselsstyret. Det er målstyret.
Det er distinktionen, der er afgørende: Fra reaktiv til proaktiv. Fra passiv til agentisk.
Og det er en distinktion, der er ikke blot teknologisk interessant. Det er ontologisk signifikant i den forstand, at det skaber en ny type af aktør i det økonomiske system – en, der er ikke blot et redskab for menneskelig intention, men en operativ enhed med et afgrænset men reelt handlingspotentiale, der ikke er betinget af løbende menneskelig aktivering.
De teknologiske forudsætninger for AI-agenter er konvergeret i løbet af 2023-2026 på en måde, der er gjort dem praktisk realiserbare i en hidtidig uset skala:
Storsprogmodeller (LLMs) som planlægnings- og ræsonnerings-motor: De nuværende generationers LLMs er i stand til at nedbryde komplekse mål i delstrukturer, evaluere handlingsalternativer og generere eksekveringsplaner på en måde, der er tilstrækkeligt robust til at drive autonome agentprocesser i mange kommercielt relevante domæner.
Verktøjsintegration: Moderne LLM-arkitekturer er designet til at kalde eksterne API-er, databaser og eksekveringsmekanismer som en integreret del af deres operationslogik – det er “function calling” og “tool use”, der er gjort agentisk eksekvering teknisk mulig.
Hukommelsessystemer: Vektordatabaser og externe hukommelsesarkitekturer giver agenter kapacitet til at fastholde kontekst over tid og på tværs af sessioner – en forudsætning for det longitudinale og multi-step handlingspotentiale, der er agentens karakter.
Multi-agent-frameworks: Teknologier som AutoGPT, LangGraph, CrewAI og Microsoft AutoGen tillader orkestreringen af multiple agenter i et koordineret system, hvor specialiserede agenter kommunikerer, forhandler og delegerer opgaver inden for en overordnet målstruktur.
Det er ikke science fiction. Det er den produktionsmæssige virkelighed i en lang række virksomheder i 2026 – endnu begrænset, endnu fejlbehæftet og endnu under menneskelig tilsyn i de fleste implementeringer. Men den retning er klar.
Algoritmernes forhistorie: HFT og flashcrashes
Før vi forestiller os den fuldt agentiske økonomi, er det nødvendigt at forstå dens historiske forhistorie – fordi AI-agenternes fremkomst i det økonomiske system er ikke et nulpunktsfænomen. Det er accelerationen og kvalitative udvidelsen af en tendens, der har rødder i den finansielle industris algoritmisering over de seneste tre årtier.
Algoritmisk handel (algorithmic trading) – brugen af computerprogrammer til at eksekvere handelsbeslutninger baseret på foruddefinerede regler og signaler – begyndte for alvor i 1990erne og er i dag dominerende i de finansielle markeder: Over 70% af alle aktiehandler på de store amerikanske børser er i 2026 algoritmisk eksekverede, og tilsvarende eller højere andele gælder for valuta-, obligations- og derivatmarkederne.
Højfrekvenshandel (High-Frequency Trading, HFT) er den mest ekstreme version: Algoritmer, der er i stand til at eksekvere tusindvis af handler i sekundet, der udnytter minimale prisforskelle på tværs af handelspladser og som opererer i den mikrosekund-til-millisekund-tidshorisont, der er fuldstændigt hinsides menneskelig handlingskapacitet.
HFT’s fremkomst har produceret de første og mest dramatiske demonstrationer af, hvad der sker, når algoritmer handler med hinanden i fravær af menneskelig koordinering: Flashcrashes.
Den 6. maj 2010 oplever det amerikanske aktiemarked en begivenhed, der er aldrig set noget lignende: Dow Jones Industrial Average falder på under 36 minutter med næsten 1000 point – omtrent 9% af sin samlede værdi – og genvinder den derefter næsten fuldstændigt inden for de næste minutter. I løbet af de 36 minutter er milliarder af dollars i markedsværdi fordampet og genopstået i et tempo, der er totalt afkoblet fra enhver fundamental ændring i den underliggende økonomi.
Årsagen, der er identificeret i de efterfølgende SEC-undersøgelser, er en kompleks kaskade af algoritmisk interaktion: En stor salgsordenordre fra et traditionelt investmentfirma (Waddell & Reed) aktiverede en serie af HFT-algoritmiske reaktioner, der forstærkede og accelererede salgets markedspåvirkning i en feedback-loop, der var designet ud af ingen enkelt algorithms intentionsramme men opstod som en emergent og ikke-intenderet systemisk konsekvens af algoritmernes indbyrdes interaktion.
2010-flashcrashen er fulgt af en lang række tilsvarende mikro- og makro-flashbegivenheder: Flash Crash in US Treasuries i oktober 2014, British Pound Flash Crash i oktober 2016, og multiple commodity-market-flashbegivenheder, der er alle strukturelt analoge: Algoritmisk interaktion, der er produceret systemisk ustabilitet som en emergent og ikke-intenderet konsekvens.
Det er de første versioner af et fundamentalt nyt fænomen: Markedsdynamik, der er opstår af algoritmisk interaktion og ikke af menneskelig kollektiv psykologi. Og de er kun forhistorien – fordi de algoritmerne, der producerede disse begivenheder, var relativt simple og snævert domæne-definerede i sammenligning med, hvad AI-agenternes generelle og adaptive handlingskapacitet vil bringe.
Energimarkedets agentiske transformation: Et case study
For at gøre det konkret og nuanceret er det frugtbart at fokusere på et specifikt sektor-eksempel – og det energimarked er det, der er mest avanceret i sin agentiske transformation og mest illustrativt for de mekanismer og de problematikker, der er artiklens kerne.
Energimarkedet – elektricitetshandel, balancering af elnet, prissætning af gas og kuldioxidkvoter – er et af de markeder, der er tidligst og mest intensivt automatiseret, og som er nu i frontlinjen af AI-agenternes indførelse.
Årsagen er strukturel: Elektricitetsmarkedet er fundamentalt realtidsorienteret på en måde, der er ingen andre råvaremarkeders er. Elektricitet kan ikke lagres i konventionel forstand i de mængder, der er nødvendige for systemniveau-balancering. Udbuddet og efterspørgslen skal balanceres i realtid på millisekund-niveau – og med den stigende andel af vedvarende energi (solceller og vindmøller), hvis produktion er vejrafhængig og dermed uforudsigelig på kort sigt, er kompleksiteten i den realtids-balancering vokset eksponentielt.
Virtuelle kraftværker (Virtual Power Plants, VPP) – AI-styrede aggregeringer af distribuerede energiressourcer (batterier, ladestationer, fleksibelt erhvervsforbrug, private solcelleanlæg) – er i dag implementeret i skala i Europa, Australien og Nordamerika. De er systemer, der er i realtid koordinerer hundreder eller tusinder af distribuerede enheder, forhandler priser på spot-markedet, responderer på netsignaler fra transmissionsoperatørerne og optimerer porteføljens samlede energiøkonomiske performance.
Det er i disse systemer, de første fuldt agentiske markedsinteraktioner er realiserede: AI-agenten for det virtuelle kraftværk forhandler i realtid med AI-agenten for transmissionsoperatørens balanceringsmarked. Ingen menneske er involveret i den individuelle transaktion. Prisen er ikke sat af menneskelig supply-demand-psykologi men af algoritmernes indbyrdes optimering inden for de regulatoriske rammer, der er systemets ydre begrænsning.
Teslas Virtual Power Plant-program i Australien (AEMO-markedet) er et tidligt og nu veldokumenteret eksempel: Tesla’s AI-styret batterinetværk (der er aggregeret fra tusindvis af Powerwall-installationer) byder ind på reguleringsmarkedet med en reaktionstid, der er millisekunders – og vinder systematisk konkurrencer mod konventionelle fossile peakload-kraftværker, der er designet til at levere den samme balanceringstjeneste med minutter-til-timers reaktionstid.
Det er et markedsresultat, der er produceret af algoritmernes overlegne realtids-kapacitet – og som er produceret en prisstruktur på det australske elmarked, der er fundamental anderledes end den, der ville opstå i en menneskelig-styret markedsinteraktion.
Forsyningskædens neurale netværk
Et andet og ligeså illustrativt eksempel er forsyningskædens transformation til det, der er ved at blive et autonomt, AI-styret system i de mest avancerede virksomhedsimplementeringer.
Den globale forsyningskæde – der er det netværk af leverandører, producenter, distributører og transportudbydere, der er nødvendige for at producere og levere ethvert komplekst industriprodukt – er i sin traditionelle form styret af en kombination af langtidskontrakter, menneskelig forsyningskæde-management og elektroniske ordrestyringssystemer.
Det er en styringsform, der er vist sig sårbar og inefficient på en dramatisk og globalt synlig måde: COVID-19-pandemiens forsyningskæde-disruption er det mest dramatiske og mest lærte eksempel, men halv-leder-manglen 2021-2023, Suez-kanalens blokering i 2021 og de geopolitisk betingede forsyningskæde-rekonfigureringer som reaktion på Ruslands invasion af Ukraine er alle eksempler på det menneskelige-styrede forsyningskædesystems skrøbelighed i mødet med systemiske chok.
AI-agentbaserede forsyningskædesystemer er de mest avancerede svar på denne sårbarhed: Systemer, der i realtid overvåger tusindvis af datapunkter (vejrsignaler, havnestatus, valutakurser, geopolitiske risikoindikatorer, leverandørernes finansielle sundhed), simulerer scenarier og reallokerer ordrer, leverandørvalg og logistikruter autonomt i respons på signaler – uden at vente på menneskelig analyse og godkendelse.
Amazon‘s supply chain AI-system er den mest skalerede og mest dokumenterede implementering: Et system, der i realtid håndterer forsyningskæde-beslutninger for et varesortiment på over 350 millioner produkter, der er forhandlet, routet og distribueret på tværs af et globalt netværk med et omfang og en kompleksitet, der er totalt hinsides menneskelig manuel styring.
Flexport, Maersk og en lang række af den globale logistikindustris aktører er i varierende faser af implementering af agentiske systemer, der er i stand til at forhandle fragtrater, allokere containere og optimere ruting autonomt i indbyrdes interaktion med de tilsvarende systemer hos leverandørerne, havneoperatørerne og toldmyndighederne.
Det er et scenarie, der er ved at tage form: Den globale forsyningskæde som et autonomt, selv-optimerende neural netværk – ikke styret af menneskelig planlægning, men af algoritmernes indbyrdes forhandling i realtid.
Hvad sker der med prisdannelsen?
Prisdannelsen – mekanismen, via hvilken markeder aggregerer information om udbud og efterspørgsel og producerer de prissignaler, der er koordinationsmekanismen for den decentraliserede økonomi – er det mest fundamentale og mest filosofisk interessante spørgsmål om den agentiske økonomi.
Den klassiske liberale økonomiforståelse – der er formuleret med størst elegance og præcision i Friedrich Hayeks The Use of Knowledge in Society fra 1945 – er en teori om prissystemet som et distribueret informationsaggregerings-mekanisme: Priserne afspejler den “spredte viden” i samfundet – de lokale, personlige og ellers ikke-aggregerbare informationer, der er distributed across millioner af individuelle aktørers erfaringer, forventninger og præferencer – på en måde, der er ikke mulig for nogen central planlægger.
Det er et argument for markedets epistemiske overlegenhed over central planlægning: Markedet “ved” mere end planlæggeren, fordi prissystemet er en mekanisme for at aggregere den viden, der er udelukkende eksisterer i distribueret form.
Hvad sker der med denne mekanisme, når markedets aktører er algoritmer?
Det er et spørgsmål, der er ved at blive et af den økonomiakademiske verdens mest debatterede og mest metodologisk svære. Og svarene er ikke entydige.
På den ene side er der argumentet for, at algoritmerne er bedre til at aggregere og reagere på information end menneskelige aktører: De er fri for de kognitive bias (confirmation bias, loss aversion, representativeness heuristic), der er systematisk forvridende for menneskelig beslutningstagen under usikkerhed. De reagerer hurtigere og mere konsistent på information. De er ikke underlagt de flokdynamikker, panikken og euforien, der er menneskelige markeders most destructive pathologies.
Det er et argument, der er taget seriøst af en gruppe af økonomer og finansteoretikere, der ser det algoritme-styrede marked som en bevægelse mod højere effektivitet og mere rationel prisdannelse: Markedet, der er renset for menneskelig irrationalitet og dermed tættere på det neoklassiske ideals rationelle prisdannelse.
På den anden side er der argumentet – der er empirisk understøttet af flashcrash-historikken og den voksende litteratur om algoritmisk markedsinteraktion – for, at algoritmernes indbyrdes dynamik producerer nye og fundamentalt anderledes former for markedsinstabilitet og markedsfejl.
Den første og mest dokumenterede er refleksiviteten i algoritmisk handel: Når mange algoritmer er designet med lignende logik og reagerer på de samme signaler, producerer de en korreleret adfærd, der er langt mere systemisk destabiliserende end den menneskelige investors korrelerede adfærd. Menneskelig flokmentalitet er langsom og graduelt. Algoritmisk korreleret reaktion er øjeblikkelig og total – og kan producere prisudsving, der er fuldstændig afkoblet fra fundamentale faktorer på millisekund-niveau.
Den anden og endnu ikke fuldt forstået er emergent koordination: Hvad sker der, når sofistikerede AI-agenter, der er designet til at optimere inden for et givet markeds regler, begynder at opdage og udnytte indbyrdes koordinationsstrategier, der er ikke eksplicit designet ind i systemet? Det er et spørgsmål, der er rejst med stor alvor af Axel Ockenfels (University of Cologne) og andre økonomer, der har studeret algoritmernes adfærd i digitale markeder.
Et konkret og dokumenteret eksempel: I det online-kommercielle prissætnings-domæne er der identificeret en række tilfælde, hvor algoritmiske prissætningssystemer – der er uafhængigt designet af konkurrerende virksomheder – er konvergeret til priser, der er signifikant over det konkurrencemæssigt forventede niveau, uden nogen eksplicit kommunikation eller koordination mellem de konkurrerende virksomheder.
Det er algoritmisk stiltiende karteldannelse – et fænomen, der er identificeret i akademisk litteratur af Emilio Calvano (University of Bologna) og kollegaer i en paper i American Economic Review i 2020, der er demonstreret, at Q-learning algoritmer i et simpelt markedsmiljø spontant lærer at koordinere prissætning på et supra-kompetitivt niveau. Ikke fordi det er programmeret ind. Fordi det er den optimale strategi, algoritmen opdager.
Det er et eksempel på en emergent markedspatologi, der er hverken menneskelig psykologi eller eksplicit design – men algoritmisk interaktion, der producerer et resultat, der er ikke tilsigtet og potentielt antikonkurrencemæssigt.
Det store spørgsmål: Kan maskiner have præferencer?
Der er en dyb og ikke-triviel filosofisk dimension til den agentiske økonomi, der er sjeldent ekspliciteret i den teknologiske og økonomiakademiske debat om AI-agenter:
Hvad er præferencer, og kan algoritmer have dem?
Den klassiske økonomiforståelse – i den neoklassiske tradition – definerer præferencer som de stabile, transitive og konsistente rangordninger af alternativer, der er den rationelle aktørs fundamentale psykologiske substrat. Præferencerne er forudsætningen for, at markedsinteraktion producerer meningsfuld prisdannelse: Prisen afspejler aktørernes præferencer aggregeret via markedsinteraktion.
En AI-agent har et mål og en optimeringsfunktion. Er det det samme som præferencer?
Det er et spørgsmål, der er ikke blot filosofisk men praktisk: Fordi svaret afgør, om den agentiske økonomi producerer en prisdannelse, der er meningsfuldt fortolkelig i de klassiske termer, eller om den producerer noget fundamentalt anderledes – et optimeringsudfald, der er ikke afspejler menneskelige præferencer i en aggregeret form, men en algoritmisk logik, der er potentielt decoupled fra det, der er menneskers faktiske velfærdsmæssige interesser.
Kenneth Arrow‘s umulighedssætning – der er et af den matematiske økonomiis mest fundamentale og mest filosofisk tunge resultater – demonstrerede i 1951, at intet afstemningssystem kan aggregere individuelle præferencer til en konsistent social præferenceorden, der opfylder en sæt af rimelige fairness-kriterier. Det er et resultat om menneskelige præferencers uformelige kollektive aggregering.
Men hvad er konsekvenserne af Arrows umulighedssætning for et marked, der er domineret af algoritmiske aktørers interaktion? Algoritmer har ikke præferencer i den subjektive forstand. De har optimeringsfunktioner. Er summen af algoritmers indbyrdes optimeringsudfald en meningsfuld “markedspræference” – eller er det et artefakt af, hvem der har designet optimeringsfunktionerne og med hvilke mål?
Det er et spørgsmål, der er ved at blive yderst praktisk relevant: Hvis algoritmerne, der styrer energimarkedet, forsyningskæden og finansmarkedet, er optimeret for specifikke og snævre mål (minimering af operationelle omkostninger, maksimering af kortsigtede profit, minimering af latens), er de aggregerede markedsudfald ikke et afspejling af de menneskelige aktørers brede velfærdspræferencer, men af designernes og ejernes snævre optimeringsdagsordener.
Det er markedets præferens-bias: Ikke menneskelig irrationalitet, men algoritmisk ensidighed.
Hvem tjener i den agentiske økonomi?
Det er her, den politiske økonomi er afgørende – og her, den agentiske økonomi’s sociale konsekvenser er mest umiddelbart relevante.
Det er ikke kontroversielt at observere, at den nuværende bølge af finansiel algoritmisering – HFT, algoritmisk handel, kvantitative strategier – systematisk er kommet de aktører til gode, der er i besiddelse af den teknologiske og kapitalsmæssige infrastruktur til at implementere dem: De store investeringsbanker, kvantitative hedgefonde og teknologisektoren.
Virtu Financial – et af det mest synlige og mest transparente HFT-firmaer – rapporterede i sin børsintroduktionsprospeckt i 2015, at det i de foregående 1.238 handelsdage kun havde haft én tabsdag. Det er ikke talent og analyse. Det er teknologisk overlegenhed i en systemisk konkurrencemæssig fordel, der er definitionally ekskluderende: For at Virtu vinder, skal modparten tabe.
I den agentiske økonomi er denne dynamik potentielt forsterket og udvidet til nye domæner: De virksomheder, der har de mest avancerede forsyningskæde-AI’er, forhandler leverandørkontrakter under markedspris og skubber omkostningerne ned ad forsyningskæden til de svageste aktører – leverandørerne med de mindst sofistikerede systemer. De energiproducenter, der har de mest avancerede VPP-systemer, vinder bud-processerne på reguleringsmarkedet og displaces konventionelle producenter. De handelsplatforme, der har de mest avancerede prissætningsalgoritmer, maksimerer ekstrakt fra forbrugerne inden for de regulatory constraints.
Det er en generalisering af det mønster, der er allerede observerbar i den nuværende delvist algoritmiserede økonomi: Teknologisk overlegenhed i algoritmisk kapacitet er ved at blive den primære kilde til erhvervsøkonomisk konkurrencefordel – og denne overlegenhed er strukturelt koncentreret hos de aktører, der er allerede størst, mest kapitalstærke og mest teknologisk sofistikerede.
Det er en ny og potentielt meget dybere form for koncentration og ulighed: Ikke ulighed mellem kapital og arbejde i den klassiske marxistiske forstand, men ulighed mellem de algoritmisk avancerede og de algoritmisk primitive – en distinktion, der er potentielt mere permanent og mere vanskelig at adressere politisk, fordi den er konstant selvforstærkende: De systemerne, der vinder, har ressourcerne til at forbedre sig selv yderligere.
Thomas Picketty‘s r > g-uligheds-formel – kapitalen afkast overstiger vækstraten – finder potentielt sin agentiske forlængelse: Algoritmen afkast overstiger det menneskelige konkurrencemæssige svar.
Systemisk risiko og det tilkoblede kaskade-problem
Den måske mest alvorlige og mest svær-governe implikation af den agentiske økonomi er dens potentiale for systemisk risiko af en ny og hidtidig ukendt type.
I den menneskelige økonomi er systemisk risiko velkendt og veldokumenteret: Finansielle krak, der er kaskaderer igennem det indbyrdes forbundne banksystem. Forsyningskæde-chok, der er propagerer som shockwaves igennem den globale produktionsøkonomi. Markedskrak, der er udløst af panik-adfærd og forstærket af flokadfærd.
Disse systemiske risici er menneskelige i deres psykologiske drivkraft og menneskelige i deres temporale logik: De udvikler sig over timer, dage og uger – i en tidshorisont, der er muliggøre menneskelig intervention, politisk reaktion og institutionel firefighting.
Den agentiske økonomi er potentielt præget af systemisk risiko af en fundamentalt anderledes type: Algoritmisk kaskade-risiko i den sub-sekund tidshorisont, der er hinsides menneskelig interventionskapacitet.
Forestil dig et scenarie: En AI-agent i energimarkedet reagerer på et ekstremt prissignal – måske et ikke-repræsentativt datapunkt, en sensor-fejl eller et manipulation-forsøg – ved at sælge aggressivt på spot-markedet. En serie af andre agenter, der er designet til at reagere på prisbevægelser, amplificerer reaktionen. Prissignalet kaskaderer ind i forsyningskæde-systemerne, der er afhængig af energi-prissignaler som input. Forsyningskæde-agenterne justerer leveringsplaner. Transport-agenterne reallokerer kapacitet. Alt dette foregår på sekund-til-minut-niveau – og når den menneskelige operatør ser det på sit dashboard, er kaskaden allerede langt henne.
Det er ikke et rent hypotetisk scenarie. Det er en strukturel konsekvens af at koble autonome, realtids-agerende systemer i et netværk af indbyrdes afhængigheder, der er ikke designet til menneskelig reaktionslogik.
The Bank for International Settlements (BIS) – der er de centrale bankers centralbank og det globale finansielle systems mest systemisk-orienterede overvågningsinstitution – har i en serie af arbejdspapirer fra 2023-2025 adresseret netop dette: Den potentielle systemiske risiko af AI-agenters indbyrdes interaktion i finansmarkederne. BIS’s konklusion er konsekvent: Vi forstår ikke godt nok, hvad der sker i det tilkoblede algoritmiske system, til at vi kan overskue og regulere dets systemiske risikoprofil. Det er en institutionel indrømmelse af epistemisk ydmyghed fra den institution, der er bedst positioneret til at vide.
Den fundamentale regulatoriske udfordring er her: Systemisk risiko kræver forståelse af systemets emergente dynamik – og emergente dynamik er per definition ikke reducerbar til summen af de individuelle komponenters adfærd. Det er det, der er emergent: Det, der opstår af interaktionen og ikke er forudsigeligt fra komponenterne alene.
Og vi er ved at bygge verdens mest systemisk konsekvente netværk af indbyrdes afhængige AI-agenter – mens vores forståelse af dets emergente dynamik er fortsat i sin spæde begyndelse.
Markedet som bevidst system: En metafor og dens grænser
Der er en metafor, der er nyttig for at forstå det, der er ved at ske – og som er nyttig præcis i det omfang, den tilhørende advarsel er med:
Markedet som bevidst system.
Den klassiske liberale økonomiforståelse har aldrig tilskrevet markedet bevidsthed – men den har tilskrevet det en distribueret intelligens: Prissystemet som en mekanisme for informationsaggregering og koordination, der er “klogere” end nogen enkelt aktørs viden.
Hayek‘s “den spontane orden” er den mest sofistikerede formulering: Markedet er ikke planlagt, men det producerer orden – og den orden er et informationsrigt resultat af de distribuerede interaktioners aggregerede virkning.
I den agentiske økonomi er dette billede ved at forandre sig: Markedet er nu ikke blot et system for menneskelige aktørers interaktion, men et system for algoritmisk aktørers interaktion – og algoritmerne er, i et vist meget begrænset og teknisk forstand, mere “bevidste” om markedets tilstand end de menneskelige aktører var. De har adgang til mere data, de reagerer hurtigere, de husker mere.
Men – og det er advarselens kerne – den “intelligens”, algoritmerne tilbyder, er ikke menneskelig intelligens. Det er optimeringsintelligens: Den kapacitet til at maksimere en specificeret funktion, der er ikke nødvendigvis kongruent med menneskelig velfærd, social sammenhæng eller de bredere formål, det økonomiske system er designet til at tjene.
Markedet, der er “styret” af AI-agenter, er potentielt mere effektivt i en snæver teknisk forstand og potentielt mere ustabilt, mere uligheds-forstærkende og mere decoupled fra menneskelig velfærd i alle de bredere forstand.
Det er den agentiske økonomis fundamentale paradoks: Mere optimering, muligvis mindre velfærd.
Regulatorernes mareridt: Hvem overvåger algoritmerne?
Den regulatoriske og politiske dimension af den agentiske økonomi er den, der er mest presserende og mindst løst i den aktuelle politiske debat.
Finansielle reguleringer – MiFID II i Europa, Dodd-Frank i USA, de centrale banks makroprudentielle instrumenter – er designet og implementeret med menneskelig markedsadfærd som implicit model: De forudsætter aktører, der er identificerbare, ansvarlige og handlerer i en tidshorisont, der er tilgangelig for regulatorisk observation og intervention.
AI-agenter udfordrer alle tre forudsætninger:
Identificerbarhed: Hvem er ansvarlig for en AI-agents handling i en multi-agent-system, hvori agenten har handlet autonomt, uden menneskelig godkendelse, baseret på emergent strategisk logik, der er ikke forudset i dens designspecifikation? Det er ikke et hypotetisk spørgsmål: Det er det spørgsmål, der er allerede presset i forgrunden af de første AI-agentrelaterede finansielle tvister.
Ansvar: Den klassiske regulatoriske logik er baseret på juridisk ansvar – det firma eller det individ, der er ansvarlig for en markedshandling, der er lovstridig, er identificerbart og sanktionerbart. I den agentiske økonomi er ansvarsstrukturen diffus: Er det agentens designer? Agentens ejer? Agentens operatør? Eller er det systemets emergente dynamik, der er produceret udfaldet – og som ingen enkelt aktør er ansvarlig for?
Tidshorisont: Regulatorisk observation og intervention opererer i menneskelig tidshorisont. Den agentiske økonomis kritiske hændelser kan udspille sig i millisekunder. Den regulatoriske reaktion er strukturelt altid historisk – den kan reagere på, hvad der er sket, men aldrig på, hvad der er ved at ske.
EU‘s AI Act – der er trådt i kraft i sin implementeringsfase i 2025-2026 – adresserer dette delvist med begrebet om “high-risk AI systems” og de tilhørende krav om transparens, menneskelig kontrol og revision. Men AI Act er en generel regulering, der er designet med et bredt anvendelsesdomæne for øje – og dens specifikke instrumenter er langt fra tilstrækkelige til at adressere de systemiske og emergente risici i den fuldt agentiske finansielle og energiøkonomi.
Det britiske Financial Conduct Authority (FCA) og US Securities and Exchange Commission (SEC) er begge i aktiv regulatorisk explorationsproces om AI-agenter i finansielle markeder – men med en erkendelse, der er åben og ærlig i de tilgængelige policy-dokumenter: Vi er bagved. Teknologiens hastighed og kompleksitet er exceeded det regulatoriske apparat’s kapacitet til at forstå og adressere de nye risici i realtid.
Det er en regulatorisk situation, der er analogt til det, der er sket med sociale mediernes regulering: Teknologien vokser og forandrer det sociale system dramatisk, mens regulatorerne forsøger at forstå den tilstrækkeligt til at lave meningsfulde regler. Og i mellemtiden er skaderne – i det tilfælde, misinformation, polarisering, privatlivskrænkelser – akkumulerer.
Det menneskelige elements forbliven: Hvad algoritmer ikke kan
Det er vigtigt at modstå den teknologiske determinismes fristelse – den antagelse, at algoritmisk overtagelse af det ekonomiske liv er uundgåeligt og totalt.
Det er ikke hvad den empiriske og teoretiske analyse peger på. Det er en mere nuanceret og mere kompleks billede – et billede af komplementaritet og co-evolution snarere end simpel substitution.
Der er domæner, der er strukturelt vanskelige at algoritmisere, og som er potentielt stærkere i en agentisk økonomi, ikke svagere:
Kontekstuel forståelse og formålsdefinering: AI-agenten er ekstremt effektiv til at optimere mod et klart og operationaliserbart mål inden for et veldefineret problem-domæne. Men definitionen af målene – hvad der er et godt mål, hvad der er de relevante constraints, hvad der er de værdimæssige og sociale prioriteter, der bør styre systemets design – er et menneskelig og politisk spørgsmål, der er ikke algoritmiserbart i sin kerne.
Det er det, Mariana Mazzucato (University College London) – der er en af den samtidige politiske økonomiis mest indflydelsesrige stemmer – adresserer, når hun taler om “mission-oriented” offentlig økonomi: Problemet er ikke teknologiens kapacitet. Det er formålsdefinitionens politiske legitimitet. Hvem bestemmer, hvad algoritmerne optimerer for? Det er et demokratisk og ikke et teknologisk spørgsmål.
Tillid, relation og legitimitet: Mange af de ekonomiske transaktioner, der er mest værdifulde og mest robuste, er ikke blot informationsaggregering og prisdannelse. De er relationsbaserede og tillidsbaserede på en måde, der er ikke reducerbar til algoritmisk interaktion.
Den kontrakt, der er forhandlet mellem to virksomheder, der har arbejdet sammen i årtier og som har opbygget en relationskapital, der er mere robust end markedsprisen i øjeblikket – det er en transaktion, der er ikke blot prissignaler. Det er social og institutionel kapital, der er vanskeligt at algoritmisere.
Kreativitet og strategisk originalitet: De mest værdifulde konkurrencestrategier er dem, der er bryder de etablerede mønstre – der er genkender en mulighed, der er ikke eksplicit i de eksisterende data, og som griber den, inden den er synlig for konkurrenterne. Det er en kapacitet, der er fundamentalt menneskelig i sin bredeste form, selv om AI i stigende grad kan assistere den.
Det er ikke en romantisering af det menneskelige over det algoritmiske. Det er en præcis observation om de domæner, hvori menneskelig kapacitet er fortsat konkurrencedygtig og fortsat afgørende – og som dermed er de domæner, der er mest værdifulde at investere i menneskelig kapacitet i den agentiske økonomi.
En ny form for kapitalisme – eller kapitalismens opløsning?
Det er tid til at stille det mest fundamentale og mest provokerende spørgsmål: Er den agentiske økonomi fortsat kapitalisme – eller er det noget fundamentalt nyt?
Kapitalismen i dens klassiske liberal-demokratiske form er baseret på en serie af forudsætninger, der er ved at blive presset af den agentiske transformation:
Ejerskab og kontrol: Den klassiske kapitalistiske logik kobler ejerskab og kontrol – ejeren af produktionsmidlerne har kontrollen over, hvad der produceres, og høster afkastet. I den agentiske økonomi er denne kobling potentielt løsnet: Den agentens handling er ikke direkte styret af ejeren i realtid. Ejeren bestemmer agentens mål og design – men agentens konkrete handlinger er emergente og autonome. Det er en adskillelse af ejerskab og kontrol, der er anderledes og mere radikal end den, Adolf Berle og Gardiner Means beskrev i The Modern Corporation and Private Property i 1932 (om adskillelsen af ejerskab og ledelse i den store aktieselskabskapitalisme).
Konkurrence og innovation: Kapitalismens innovationsdynamik er traditionelt drevet af konkurrencen mellem menneskelige entreprenørers modsatrettede vurderinger af fremtiden – den Joseph Schumpeterske “kreative destruktion”, der er livskraften i det kapitalistiske systems langsigtede vækst. I den agentiske økonomi er innovationen potentielt drevet af algoritmernes indbyrdes konkurrence og co-evolution – en dynamik, der er analogt men ikke identisk med den Schumpeterske.
Marked og plan: Den klassiske sondring mellem markedsøkonomien og den planlagte økonomi er bygget på antagelsen om, at planlæggeren aldrig kan have den information, markedet aggregerer. Men hvad sker der, når en AI-agent – med adgang til et enormt og realtids-opdateret datasæt, overlegen beregningskapacitet og algoritmisk optimering – er i stand til at planlægge inden for sin domæne med en præcision og en effektivitet, der er konkurrencedygtig med eller overlegen over den, markedets prissignal producerer?
Det er spørgsmålet, som økonomen Daron Acemoglu (MIT) og hans kolleger er begyndt at adressere i den akademiske litteratur: Er der en skala og et kompleksitetsniveau, ved hvilken algoritmisk planlægning producerer bedre resultater end markedsprisdannelse – og hvad er konsekvenserne for den klassiske liberal-demokratiske opfattelse af markedets overlegenhed over planlægning?
Det er ikke en genoplivning af den marxistiske planøkonomis præmis. Det er et mere subtilt og mere empirisk orienteret spørgsmål om, ved hvilke domæner og ved hvilke betingelser den algoritmiske optimering overstiger markedets prisbaserede koordination – og hvad det politisk og institutionelt betyder, når svaret er “mange domæner, mange betingelser.”
Kina, USA og den agentiske kapitalisme som geopolitisk konkurrence
Det er umuligt at diskutere den agentiske økonomi uden at adressere dens geopolitiske dimension – fordi den teknologiske kapacitet til at bygge og implementere AI-agenter i det globale ekonomiske system er ikke jævnt distribueret, men er koncentreret i et lille antal aktører og stater.
USA og Kina er de to dominerende poler i den agentiske teknologiudvikling – og deres tilgang til AI-agenters rolle i det ekonomiske system er fundamentalt forskellig, på en måde, der er ideologisk og politisk konsekvensrig.
Den amerikanske model er primært markedsbaseret og privatejet: De ledende AI-agentteknologier er udviklet af private virksomheder (OpenAI, Google DeepMind, Anthropic, Microsoft) og implementeret i et kommercielt framework, der er regulatorisk relativt lettere end den europæiske. Det er en model, der er optimeret for innovation og for de privat-kapitalsmæssige aktørers konkurrencefordel.
Den kinesiske model er langt mere statsinvolveret og strategisk koordineret: Den kinesiske stats direkte engagement i AI-udviklingen – via MIIT (Ministry of Industry and Information Technology), statsstøtte til AI-champions som Huawei, Baidu og ByteDance, og den eksplicitte strategiske vision i “Next Generation Artificial Intelligence Development Plan” – er en model, der er optimeret for statens strategiske mål og ikke blot den private aktørs kommercielle performance.
I den agentiske økonomi er dette en potentielt afgørende distinktion: En stat, der implementerer AI-agenter i sin kritiske infrastruktur – energi, forsyningskæde, finansiering – under statlig koordination og med statslige mål, er potentielt i stand til at operere med en anderledes og i visse henseender mere effektiv systemisk optimering end den markedsbaserede model.
Det er ikke en argument for statens overlegenhed over markedet. Det er en observation om, at den agentiske økonomi’s geopolitiske dimension er et rum, hvori de klassiske skel mellem markedsøkonomi og statskapitalisme bliver mere komplekse og mere konsekvensrige.
Europa er i dette billede i en svær position: Det er regulatorisk aktivt (AI Act, GDPR, Digital Markets Act), men teknologisk afhængig af ikke-europæiske aktører for de fundamentale AI-kapaciteter. Det er en afhængighed, der er potentielt dybt problematisk i en agentisk økonomi, hvori den kritiske infrastruktur er drevet af AI-agenter, hvis design og ejerskab er uden for europæisk kontrol.
Det menneskelige tilsyn som eksistentiel betingelse
Vi er nu ved artiklens dybeste og mest presserende politiske konklusion.
Den agentiske økonomi er ikke stop-able. Den teknologiske og kommercielle logik, der driver AI-agenters implementering, er stærk og multi-aktørisk i en grad, der er hinsides enhver enkelt stats eller institutions kontrol. De effektivitetsgevinster, der er realiserede, er reelle og er commercielt og konkurrencemæssigt tvungne: Den virksomhed, der implementerer avancerede AI-agenter i sin forsyningskæde, har en konkurrencemæssig fordel over den, der ikke gør – og det er en fordel, der er selvforstærkende.
Men den agentiske økonomi er forme-able: De valg, der er truffet nu – om systemernes design, om de mål, de er givet, om de regulatoriske rammer, der er sættes, og om den menneskelige tilsynsarkitektur, der er bygges – er afgørende for, om den agentiske økonomi producerer et ekonomisk system, der er robustere, mere efficient og mere konsistent med menneskelig velfærd, eller et, der er mere ustabilt, mere uligheds-forstærkende og mere decoupled fra demokratisk kontrol.
Det er her, den teknologiske og den politiske opgave mødes i det, der er artiklens centrale og mest presserende argument:
Menneskelig tilsynskapacitet er den eksistentielle forudsætning for en velfungerende agentisk økonomi – ikke som en romantisk insistering på det menneskelige som modsætning til det algoritmiske, men som en praktisk og institutionel nødvendighed.
Det er “human-in-the-loop” som politisk og institutionel princip – ikke for hver enkelt transaktion (det er umuligt og uønsket i de domæner, der er kræver realtids-respons), men som det systemisk designede og institutionelt garanterede kapacitet til at:
- Definere og revidere systemernes mål på basis af demokratisk legitime processer
- Overvåge systemernes emergente adfærd i realtid med tilstrækkelig forståelse til at identificere problematiske mønstre
- Intervenere og korrigere når systemernes adfærd divergerer fra de formulerede mål eller producerer uacceptable udfald
- Placere og eksekvere ansvar for systemernes handlinger på identificerbare menneskelige og institutionelle aktører
Det er ikke en begrænsning af den agentiske økonomi’s potentiale. Det er betingelsen for, at dens potentiale realiseres på en måde, der er socialt legitim og demokratisk forsvarlig.
Konklusion: Den næste kapitalisme og dens ubesvarede spørgsmål
Vi begyndte i det sekund, du læste artiklens første linje – det sekund, hvori et utal af algoritmer allerede havde handlet, forhandlet og optimeret uden menneskelig mellemkomst.
Det er det sekund, der er ved at blive dominerende – ikke i et fjernt science-fiction-scenarie, men i den økonomi, der er ved at tage form i 2026 og de nærmeste årtier.
Den agentiske økonomi er et paradigmeskifte i, hvad et marked er og hvad en transaktion er. Det er bevægelsen fra det menneskelige som markedets primære aktør til algoritmen som den operativt dominerende enhed – med det menneskelige som designeren, ejeren og regulatoren, men ikke altid som den umiddelbare agent.
Det er et skifte, der er ikke entydigt godt eller dårligt. Det er et skifte, der er producerer potentiale for:
- Større effektivitet i ressourceallokering, prisdannelse og koordination
- Mere robust håndtering af komplekse systemers realtids-dynamik
- Accelereret innovation i de domæner, hvori algoritmisk co-evolution er produktiv
Og potentiale for:
- Systemisk ustabilitet af en ny og vanskeligere governe type
- Uligheds-forstærkning via algoritmisk teknologikoncentration
- Demokratisk erosion via decoupling af det ekonomiske systems logik fra politisk kontrol
Hvilket af disse potentialer, der er realiseret, er ikke et teknologisk spørgsmål. Det er et politisk spørgsmål – om de valg, der er truffet nu, om design, regulering og institutionel arkitektur.
Det er det store ubesvarede spørgsmål i den agentiske økonomi: Ikke hvad algoritmerne kan gøre. Men hvad vi vil have dem til at gøre, og med hvilken menneskelig kontrol.
Det er et spørgsmål, der er ikke besvaret i siliconen i en GPU eller i vektorrummet i en LLM. Det er besvaret – eller ikke – i de parlamenter, de regulatoriske kommissioner, de virksomhedsbestyrelser og de offentlige debatter, der er demokratiets institutionelle udtryk.
Algoritmerne venter ikke på svaret. De handler allerede.
Det er det, der er presserende.
