Agentic development hos Pico
Agentic development hos Pico dækker over den måde, AI‑agenter designes, styres og integreres i professionelle udviklings‑ og forretningsmiljøer. Fokus er ikke på enkeltstående prompts eller eksperimenter, men på at gøre AI‑agenter til pålidelige, gentagelige og organisatorisk anvendelige aktører. Det kræver disciplin, klare rammer og et fælles sprog for, hvordan agenter arbejder med opgaver, data og beslutninger.
I praksis ser Pico tre sammenhængende discipliner som afgørende: harness engineering, context engineering og feedback loops. Tilsammen gør de agentic development til en ingeniørdisciplin, der kan skaleres og forankres i organisationen.
Harness engineering – styring og forudsigelighed
Harness engineering handler om at definere de rammer, en AI‑agent arbejder inden for. Det er her, agentens rolle, ansvar og arbejdsgang fastlægges. En agent bliver ikke værdifuld, fordi den kan meget, men fordi den gør det rigtige på den rigtige måde – hver gang.
Hos Pico forstås harness engineering som arbejdet med at: definere opgavens scope og succes‑kriterier styre hvordan agenten planlægger sit arbejde fastlægge hvordan eksekvering sker, trin for trin beskrive hvordan output reviewes og godkendes afgøre om og hvordan agenten dokumenterer og opdaterer status i eksisterende værktøjer og systemer
Denne rammesætning er det, der adskiller en eksperimenterende agent fra en agent, der kan indgå i et professionelt setup med ansvar, sporbarhed og gentagelig værdi. Harness engineering gør AI‑arbejdet forudsigeligt og anvendeligt i større teams og organisationer.
Context engineering – relevant viden, ikke mere
Context engineering handler om at sikre, at agenten har adgang til præcis den kontekst, der er nødvendig for at løse en opgave korrekt. Det omfatter både indhold og begrænsning. En agent, der får for lidt kontekst, gætter. En agent, der får for meget, bliver ineffektiv og upræcis.
I Picos forståelse består context engineering blandt andet i at give agenten: en klar og entydig opgavebeskrivelse adgang til relevant dokumentation, standarder og arbejdsgange indsigt i teknisk stack, arkitektur og konventioner kendskab til domænespecifikke begreber og data - eksempelvis direkte fra et PIM eller ERP system.
Samtidig handler context engineering om at filtrere. I stedet for at give agenten alt historisk materiale, bygges mekanismer som søgning, struktureret adgang og kontekstlag, så agenten kun trækker den viden, der er relevant for den konkrete opgave. Det er en forudsætning for stabile og reproducerbare resultater.
Feedback loops – fra antagelser til viden
Når agenten er tøjlet og har den rette kontekst, opstår det næste spørgsmål: leverer agenten faktisk det ønskede resultat, og bliver den bedre over tid? Det er her feedback loops kommer ind.
Feedback loops er de mekanismer, der måler og evaluerer agentens output. Det kan være automatiske evalueringer, menneskelige reviews eller analyser af fejl‑ og succesrater på tværs af opgavetyper. Uden feedback bliver justeringer til harness og kontekst baseret på mavefornemmelser frem for viden.
Hos Pico ses feedback loops som det, der gør agentic development målbart og forbedringsbart. De sikrer, at ændringer i opsætning faktisk skaber bedre resultater, og at erfaringer kan deles og genbruges på tværs af teams.
Hvordan agentic development organiseres i praksis
Det mønster Pico ser i mange organisationer, er, at få personer hurtigt opnår gode resultater med AI‑agenter. Udfordringen opstår, når disse erfaringer skal skaleres. Gevinsten forbliver ofte lokal, fordi resten af organisationen mangler rammerne og intuitionen til at arbejde på samme niveau.
Derfor peger udviklingen mod en mere specialiseret organisering, hvor et mindre antal roller arbejder dedikeret med harness og context engineering. Disse roller bygger og vedligeholder en fælles platform for AI‑agenter, tilpasset virksomhedens domæne, processer og systemlandskab. Platformen sikrer ensartet kontekst, standardiserede arbejdsgange og indbyggede feedback‑mekanismer.
Udviklere og faglige brugere kan fortsat eksperimentere frit, men den brede værdiskabelse opstår først, når AI‑agenter kan anvendes uden, at alle samtidig skal være eksperter i agent‑opsætning.
Forudsætningen for at lykkes
Agentic development starter tidligere end selve udførelsen af en opgave. Hvis AI‑agenter skal fungere stabilt, kræver det klare opgavebeskrivelser, tydelige acceptkriterier og opdateret dokumentation. Disse elementer er en del af den organisatoriske disciplin – ikke blot tekniske detaljer.
Når platformen er bygget rigtigt, kan AI‑agenter selv bidrage til at forbedre netop disse forudsætninger. Dermed lukkes kredsløbet: harness engineering og context engineering bliver ikke blot tekniske værktøjer, men en måde at strukturere arbejde, ansvar og viden på tværs af organisationen.