september 25, 2026 Redaktionen

Vad är Google AX? Googles nya system för AI-agenter förklarat enkelt

AI för företag, AI Guider, AI i praktiken, AI på riktigt

Google har släppt AX – ett nytt öppet system för att köra autonoma AI-agenter. Och nej, det är inte ännu en chatbot. Det är inte heller ett nytt sätt att skriva bättre prompts.

AX handlar om något betydligt mer tekniskt: hur man kör AI-agenter, isolerar dem, ger dem verktyg och låter dem arbeta självständigt i stor skala.

Vad är AX? Google bygger infrastrukturen för autonoma AI-agenter

Google beskriver AX som en deklarativ orkestrator för autonoma agentarbetslaster. Projektet är fortfarande under utveckling och Googles egen dokumentation varnar för att centrala delar kan förändras innan en stabil version finns.

Det gör AX extra intressant just nu.

För det här är inte en färdig konsumentprodukt som alla ska börja använda i morgon.

Det är snarare en titt på hur infrastrukturen bakom framtidens AI-agenter kan komma att byggas.

Och när man väl förstår vad AX gör blir det också lättare att förstå varför AI-agenter är något annat än vanlig generativ AI.

Först: vad är en AI-agent?

Innan vi pratar om AX behöver vi förstå vad som faktiskt ska köras.

En vanlig AI-modell svarar på en fråga.

Du skriver något.

Modellen bearbetar det.

Du får ett svar.

En AI-agent kan gå ett steg längre.

Den kan få ett mål och sedan själv utföra flera steg för att försöka nå målet.

Det kan exempelvis handla om att:

• läsa information
• anropa ett API
• använda ett verktyg
• skriva eller ändra filer
• köra kod
• kontrollera resultat
• göra nästa steg
• fortsätta tills uppgiften är klar

Om begreppet är nytt för dig har vi en separat guide om vad en AI-agent är.

Det är en bra utgångspunkt eftersom AX egentligen börjar där den artikeln slutar.

Vad händer när vi inte längre bara vill prata med en AI-agent – utan låta tusentals eller miljontals agenter arbeta?

Då uppstår ett helt annat tekniskt problem.

Egen Bild: Hur fungerar Google AX egentligen?

Det är där Google AX kommer in

AX är byggt för att hantera AI-agenter som en särskild typ av arbetslast.

Google utgår från att agenter skiljer sig från traditionella program.

En vanlig webbtjänst kan ta emot en begäran, göra jobbet och svara.

Ett batchjobb kan starta, arbeta och sedan avslutas.

En AI-agent kan däremot vara aktiv under lång tid.

Den kan tänka.

Vänta på ett API.

Vänta på en modell.

Använda ett verktyg.

Göra ett nytt försök.

Vänta igen.

Och fortsätta på samma uppgift.

Det innebär att infrastrukturen måste kunna hantera agenter som är tillståndsfulla, långlivade och ibland oförutsägbara.

Det är själva problemet AX försöker lösa.

AX kan enklast beskrivas som Kubernetes för AI-agenter

Det är en förenkling, men den är faktiskt ganska användbar.

Om Kubernetes hjälper till att hantera stora mängder containrar och arbetslaster kan AX ses som ett försök att skapa en liknande kontrollmodell för autonoma AI-agenter.

Du beskriver vad du vill köra.

AX ser till att agenten får rätt miljö.

Agenten körs isolerat.

Nätverkstillgång kan begränsas.

Verktyg och arbetsytor kan kopplas in.

Och när agenten blir inaktiv kan dess tillstånd pausas och senare återupptas.

Det är därför AX är mer intressant som infrastruktur än som en vanlig AI-app.

Om du inte arbetar med AI-infrastruktur behöver du sannolikt inte installera AX.

Men idéerna bakom det är värda att förstå.

Vad består Google AX av?

AX bygger i sin nuvarande form kring några centrala byggblock.

De viktigaste är:

• Task
• Workspace
• Gateway
• Model

Det är egentligen här AX börjar bli riktigt intressant.

1. Task – själva agentuppgiften

En Task beskriver själva arbetsuppgiften.

Det är här man talar om vad som ska köras, vilken miljö som ska användas och vilka resurser som hör till uppgiften.

Tänk exempelvis:

“Kör den här AI-agenten och låt den arbeta med det här projektet.”

Agenten får sedan en isolerad miljö där arbetet kan utföras.

Det här är viktigt eftersom autonoma agenter inte bara genererar text.

De kan också köra kod, läsa filer och använda verktyg.

Och då måste systemet runt agenten kunna kontrollera vad den får göra.

Det leder oss direkt till nästa del.

2. Workspace – agentens arbetsplats

En Workspace är ungefär agentens arbetsmiljö.

Här kan exempelvis Git-repositorier, MCP-servrar och olika färdigheter kopplas in.

Det innebär att agenten kan starta med en färdig miljö i stället för att behöva bygga upp allting från noll.

Det är en ganska viktig skillnad.

En AI-agent som bara får en prompt är begränsad.

En agent som får:

• en kodbas
• verktyg
• instruktioner
• filer
• åtkomst till vissa tjänster

kan göra betydligt mer.

Det är också här begrepp som API:er i AI-sammanhang blir viktiga.

En agent behöver ofta kunna prata med andra system för att faktiskt utföra sitt arbete.

3. Gateway – vad får agenten komma åt?

Här kommer säkerheten in.

En autonom agent som får fri tillgång till internet är en helt annan sak än en agent som bara får prata med ett begränsat antal tjänster.

AX har därför en Gateway som kan användas för att begränsa agentens utgående nätverkstrafik.

Man kan exempelvis tänka sig en agent som får:

• åtkomst till GitHub
• åtkomst till en viss API-tjänst
• åtkomst till en modell
• men inte till resten av internet

Det här är inte en detalj.

Det är en central del av att kunna köra autonoma agenter på ett säkrare sätt.

Ju mer självständig agenten är, desto viktigare blir det att begränsa vad den faktiskt kan göra.

Det knyter också an till vår artikel om AI-säkerhet för företag.

Framtidens AI-säkerhet handlar inte bara om att skydda en chatbot från dåliga frågor.

Det handlar också om att kontrollera vad en AI som faktiskt kan agera får göra.

4. Model – vilken AI-modell ska användas?

AX har även en Model-resurs.

Den används för att beskriva vilken språkmodell och vilka modellrelaterade inställningar som ska användas.

Det är viktigt att förstå skillnaden mellan modellen och agenten.

En språkmodell är själva AI-modellen som kan tolka instruktioner och generera svar.

Agenten är systemet som använder modellen tillsammans med verktyg, minne, filer, regler och en arbetsmiljö.

Det är ungefär samma skillnad som mellan hjärnan och hela arbetsplatsen runt hjärnan.

Vill du förstå själva modell-delen bättre kan du läsa vad en språkmodell, LLM, är.

Agenten körs i en sandbox

En av de viktigaste idéerna i AX är isolering.

Agentens kod körs i en sandboxad miljö.

Det betyder i praktiken att agenten inte bara får tillgång till hela datorn och hela nätverket utan kontroll.

Resurser kan begränsas.

Nätverk kan styras.

Arbetsytan kan separeras.

Och agentens tillstånd kan hanteras separat från själva infrastrukturen.

Det här är särskilt viktigt eftersom AI-agenter kan köra kod och använda externa verktyg.

Det är en helt annan säkerhetsmodell än att låta en språkmodell bara skriva text i ett chattfönster.

Det riktigt intressanta: agenten kan pausas

En av de mest intressanta funktionerna i AX är möjligheten att suspendera och återuppta en agent.

Tänk dig en agent som arbetar med ett stort projekt.

Den behöver vänta på ett externt svar.

Det finns ingen anledning att hålla alla resurser aktiva medan agenten bara sitter och väntar.

AX kan i stället spara agentens tillstånd, pausa den och senare återuppta arbetet.

Det är ett viktigt steg mot att göra agentarbetslaster mer effektiva.

Det betyder också att en agent inte behöver behandlas som ett vanligt kortlivat program.

Den kan mer likna en långvarig digital arbetare vars arbetsminne och arbetsmiljö kan läggas åt sidan och tas fram igen.

Varför behövs detta?

Det finns en enkel anledning:

AI-agenter kostar resurser.

Om du kör en agent som hela tiden har en aktiv container, aktiv CPU, minne och nätverksanslutningar kan kostnaden snabbt bli stor.

Det blir ännu mer intressant när man går från en agent till tusentals.

Och det är där Google AX:s ambition blir tydlig.

Google beskriver systemet som byggt för att kunna köra mycket stora mängder autonoma agentarbetslaster.

Det är alltså inte främst ett verktyg för den som vill testa sin första AI-agent.

Det är ett försök att lösa infrastrukturproblemet bakom agenternas nästa fas.

AX och MCP

En annan viktig detalj är att AX kan förbereda arbetsytor med MCP-servrar.

MCP, Model Context Protocol, har blivit ett viktigt sätt att koppla AI-system till verktyg och externa resurser.

Det gör att agenten inte behöver leva isolerad från omvärlden.

Den kan få tillgång till specifika funktioner – men under kontrollerade former.

Det är en viktig del av den större utvecklingen från:

AI som svarar

till:

AI som använder verktyg.

Och vidare till:

AI som själv utför uppgifter.

Google AX är inte samma sak som en AI-agent

Det här är viktigt.

AX är inte själva agenten.

AX är infrastrukturen som kan köra agenten.

En enkel jämförelse:

• AI-modellen är motorn.
• Agenten är arbetaren.
• Verktygen är redskapen.
• Workspace är arbetsplatsen.
• Gateway är säkerhetsgrindarna.
• AX är infrastrukturen som håller ihop allt.

Det är därför det blir missvisande att beskriva AX som “Googles nya AI-agent”.

Det är snarare Googles öppna infrastruktur för att köra autonoma agenter.

Google AX är inte heller Google Search

Det är en annan viktig skillnad.

Google håller samtidigt på att bygga agentfunktioner i Search.

Men AX-projektet är något annat.

Googles Search-agenter handlar om att låta användare få hjälp med uppgifter och informationsarbete direkt i sökupplevelsen.

AX handlar om den tekniska infrastrukturen för att köra agentarbetslaster.

Det är två olika delar av den större agentutvecklingen.

Det här blir särskilt viktigt att förstå nu när AI-sök och agentisk AI utvecklas samtidigt.

AI-sök handlar mycket om att AI hittar och sammanfattar information.

Agentisk AI handlar om att AI också kan gå från information till handling.

Vad har Google gjort med AX?

Det intressanta är att Google har lagt projektet öppet på GitHub.

Det innebär att utvecklare kan studera hur systemet är uppbyggt, experimentera med det och bidra till projektet.

Men man ska inte läsa “open source” som “färdig produkt”.

Googles egen dokumentation är tydlig med att AX fortfarande utvecklas och att specifikationer och centrala koncept kan förändras.

Det betyder att AX just nu bör betraktas som ett ungt och snabbt föränderligt projekt.

Det gör det faktiskt ännu mer intressant att följa.

Vi befinner oss tidigt i utvecklingen av agentinfrastruktur.

Vad betyder AX för vanliga människor?

Om du inte är utvecklare kan det vara lätt att tänka:

“Okej. Men varför ska jag bry mig om ett tekniskt Google-projekt på GitHub?”

Det korta svaret är:

För att infrastrukturen bakom AI påverkar vad AI senare kommer att kunna göra.

För några år sedan var det spännande när en AI kunde skriva ett mejl.

Sedan kom AI som kunde analysera dokument.

Sedan AI som kunde skapa bilder, video och kod.

Nu kommer system där AI kan få ett mål, använda verktyg och själv utföra flera steg.

AX är en del av infrastrukturen som behövs när sådana system ska köras mer kontinuerligt och i större skala.

Det stora skiftet: från svar till arbete

Det är kanske den enklaste bilden av vad som håller på att hända.

Fas 1: AI svarar på frågor.

Fas 2: AI använder verktyg.

Fas 3: AI utför uppgifter.

Fas 4: Många AI-agenter arbetar parallellt.

AX hör framför allt hemma i den senare delen av utvecklingen.

Det handlar inte om att göra själva språkmodellen smartare.

Det handlar om att skapa ett system där många självständiga agentprocesser kan köras, kontrolleras, pausas och återupptas.

Och där uppstår nya problem

Ju mer självständig en AI blir, desto fler frågor uppstår.

Vem bestämmer vad agenten får göra?

Vad händer om den väljer fel verktyg?

Vad händer om den kör kod som inte borde köras?

Vad händer om ett API returnerar fel information?

Vad händer om agenten fastnar i en loop?

Vad händer om den kostar pengar utan att någon märker det?

Det är därför AX inte bara handlar om prestanda.

Det handlar lika mycket om kontroll, isolering, resurser och säkerhet.

Det är också en bra anledning att läsa vår artikel om AI-säkerhet om du vill förstå den större bilden.

AX och framtidens företag

För företag kan utvecklingen bli särskilt intressant.

Tänk dig ett företag där olika agenter har olika roller.

En agent analyserar nya kundförfrågningar.

En annan arbetar med dokument.

En tredje bevakar förändringar i ett system.

En fjärde skriver kod.

En femte kontrollerar resultatet.

Det betyder inte att alla företag kommer att fungera så.

Men det visar varför infrastrukturen blir viktig.

När AI-agenter blir fler behöver man kunna hantera dem ungefär som man idag hanterar andra digitala arbetslaster.

Det är en av anledningarna till att AI-strategi för företag blir mer än bara frågan om vilken chatbot personalen ska använda.

Vad behöver du göra med AX idag?

För de flesta läsare på aihjalp.se är svaret enkelt:

Ingenting.

Du behöver inte installera AX för att använda AI.

Du behöver inte lära dig Kubernetes.

Du behöver inte bygga en egen agentplattform.

Och du behöver absolut inte börja köra experiment i produktion bara för att Google har släppt ett nytt projekt.

Det intressanta är att förstå utvecklingen.

Om du redan använder AI i vardagen är det viktigare att lära dig använda verktygen bra.

Om du arbetar som utvecklare eller bygger AI-agenter är AX däremot något helt annat.

Då kan projektet vara värt att studera på djupet.

Google AX jämfört med en vanlig chatbot

Vanlig chatbot	Google AX
Svarar på frågor	Kör agentarbetslaster
Fokus på konversation	Fokus på exekvering och infrastruktur
En användare åt gången är vanligt	Byggt för stora mängder agentuppgifter
Text är ofta slutresultatet	Agenten kan använda verktyg och köra kod
Begränsad arbetsmiljö	Workspace och sandbox
Inte primärt ett orkestreringssystem	Orkestrering av autonoma agenter

En viktig sak om namnet AX

Här finns faktiskt en risk för förvirring.

AX används också som förkortning för “Agent Experience”.

Agent Experience handlar om hur bra digitala tjänster fungerar när de används av AI-agenter – ungefär på samma sätt som UX handlar om användarupplevelsen för människor.

Det är alltså ett annat begrepp.

När vi i den här artikeln skriver Google AX menar vi Googles öppna projekt google/ax, inte det bredare begreppet Agent Experience.

Det är en viktig skillnad, särskilt eftersom båda begreppen kommer att dyka upp allt oftare.

Varför detta är intressant just nu

Det är lätt att bara titta på vad AI kan göra idag.

Men ibland är det mer intressant att titta på vad utvecklare bygger infrastrukturen för.

När företag börjar investera i system för att köra autonoma agenter i stor skala säger det något om riktningen på utvecklingen.

AI håller på att gå från att vara ett verktyg som användaren aktivt frågar till att i vissa situationer bli ett system som kan få en uppgift och arbeta vidare på egen hand.

Det är en ganska stor förändring.

Och AX är ett konkret exempel på den.

Google AX förklarat på 30 sekunder

Om du bara vill komma ihåg det viktigaste:

• AX är Googles öppna infrastruktur för autonoma AI-agenter.
• Det är inte själva AI-modellen.
• Det är inte en vanlig chatbot.
• Det är inte samma sak som Google Search.
• Agenter kan köras i isolerade miljöer.
• Workspaces kan ge agenter filer, kod, MCP-servrar och verktyg.
• Gateways kan begränsa nätverksåtkomst.
• Modeller kan konfigureras separat.
• Agenters tillstånd kan pausas och återupptas.
• Projektet är fortfarande under aktiv utveckling.

Egen Bild: Vad är Google AX?

Vad kommer efter chatboten?

Det är egentligen den stora frågan.

Chatboten var ett stort steg eftersom vi kunde börja prata med datorer på ett naturligare sätt.

AI-agenter tar nästa steg.

Vi säger inte bara:

“Skriv det här åt mig.”

Vi kan i stället säga:

“Gör det här.”

Och låta AI-systemet själv bestämma vilka steg som krävs.

Då förändras också kraven på tekniken bakom.

Det är precis där Google AX blir intressant.

Det handlar inte om en cool ny chatbotfunktion.

Det handlar om den ganska tråkiga – men helt avgörande – infrastrukturen som behövs när AI faktiskt ska börja arbeta.

Och som så ofta med ny teknik är det kanske just den tråkiga delen som blir viktigast i längden.

FAQ – Google AX

Vad är Google AX?

Google AX är ett öppet, deklarativt orkestreringssystem för att köra autonoma AI-agenter i kluster. Det bygger på Agent Substrate och är utformat för att hantera agenternas arbetsmiljö, resurser, nätverk och tillstånd.

Vad betyder AX?

I Googles aktuella projekt används namnet AX för projektet som ligger i Googles publika google/ax-repository. Andra delar av AI-industrin använder samtidigt AX som förkortning för Agent Experience, vilket är ett annat begrepp.

Är Google AX en AI-modell?

Nej. AX är infrastrukturen runt agenten. Själva AI-modellen är en separat del som AX kan konfigurera och använda.

Är Google AX en AI-agent?

Nej. AX kör och hanterar agentarbetslaster. Själva agenten är programmet eller systemet som utför uppgiften.

Är Google AX samma sak som Google Search?

Nej. Google Search har samtidigt fått nya agentiska funktioner, men AX är ett separat tekniskt projekt för att köra autonoma agentarbetslaster.

Kan Google AX köra kod?

Ja. AX är utformat för agentarbetslaster som kan köra kod och använda verktyg inom en sandboxad arbetsmiljö.

Är Google AX färdigt?

Nej. Googles egen dokumentation varnar för att centrala koncept, protokoll och specifikationer fortfarande utvecklas och kan ändras innan en stabil version.

Behöver vanliga AI-användare Google AX?

Nej. AX är framför allt relevant för utvecklare, AI-infrastruktur och organisationer som vill köra autonoma agenter i större skala.

Slutsats: Google bygger inte bara smartare AI – utan infrastrukturen runt den

Det är lätt att fastna i själva AI-modellen.

Vilken modell är smartast?

Vilken har längst kontext?

Vilken skriver bäst?

Men när AI börjar agera självständigt blir en annan fråga viktig:

Var ska agenten arbeta?

Vad får den komma åt?

Vilka verktyg får den använda?

Hur mycket resurser får den?

Vad händer när den väntar?

Hur sparas dess tillstånd?

Och hur kan tusentals sådana agenter köras samtidigt utan att allt blir kaos?

Det är ungefär där Google AX kommer in.

Det är inte den del av AI som syns mest.

Men det kan vara en av de delar som blir viktigast när AI går från att svara på arbete till att faktiskt utföra arbete.

Och kanske är det den viktigaste saken att förstå just nu:

AI-revolutionen handlar inte längre bara om bättre modeller. Den handlar allt mer om vad vi bygger runt modellerna.