Google gjør RAG til kontrollpunkt for AI-agenter

Google Research og Google Cloud lanserer en agentisk RAG-funksjon i Gemini Enterprise Agent Platform. Det høres teknisk ut. Det er også poenget. Dette er et forsøk på å gjøre bedriftsagenter mer etterprøvbare når svarene må hentes fra flere datakilder, ikke bare fra ett dokumenttreff.

Vanlig RAG, retrieval-augmented generation, fungerer ofte som et enkelt søk før modellen skriver et svar. Det er nyttig når spørsmålet og kilden ligger tett på hverandre. Det holder dårligere når en leder, saksbehandler, lege eller prosjektleder spør om noe som krever flere hopp: finn prosjektet, finn server-ID-en, slå opp serveren i et annet system, sjekk status i en tredje kilde, og svar først når grunnlaget faktisk er komplett.

Googles nye rammeverk bruker flere agenter til å dele opp forespørselen. En orkestrator vurderer om spørsmålet krever mer enn ett steg. En planleggingsagent bestemmer hvilke kilder som må brukes. En omskriver lager søk som passer de ulike kildene. En søkeagent henter relevante tekstbiter. Deretter kommer den viktigste delen: en egen «sufficient context»-agent vurderer om systemet har nok grunnlag til å svare. Hvis ikke, sendes søket tilbake med konkret beskjed om hva som mangler.

Dette er mer interessant enn enda en demo av en AI-agent. Det peker på et reelt problem i virksomheter. Data ligger i siloer. Dokumenter, CRM, sakssystemer, økonomi, kontrakter, kode, logger og rapporter har ulike eiere og ulik kvalitet. En agent som bare finner første treff, kan gi et overbevisende, men ufullstendig svar. En agent som vet at den mangler kontekst, er lettere å styre.

Google hevder at systemet øker nøyaktigheten på faktadatasett med opptil 34 prosent sammenlignet med standard RAG. I en test med FRAMES-baserte spørsmål oppgir Google at agentisk RAG svarte riktig på 90,1 prosent av spørsmålene i et oppsett der systemet måtte velge riktig kilde blant fire mulige korpus. Google skriver også at forskjellen i latenstid mellom én-kilde- og fler-kilde-oppsett lå innenfor tre prosent i snitt. Tallene er leverandørens egne og bør testes i egne miljøer, men retningen er viktig.

For CIO-er og CISO-er er dette et styringssignal. Agentprosjekter feiler sjelden fordi modellen ikke kan skrive. De feiler fordi den ikke vet nok, vet feil, eller ikke kan vise hvor svaret kom fra. Når AI får tilgang til interne datakilder, må virksomheten kunne svare på tre spørsmål: hvilke kilder ble brukt, hva manglet, og hvorfor fikk brukeren akkurat dette svaret.

Den nye funksjonen er tilgjengelig som offentlig forhåndsvisning i Gemini Enterprise Agent Platform. Dermed blir dette også en anskaffelsessak. Google pakker ikke bare en modell, men en arbeidsflyt for søk, ruting og kontekstkontroll. Det setter press på andre leverandører av enterprise-AI. Fremover holder det ikke å si at en agent er koblet til virksomhetens dokumenter. Leverandøren må forklare hvordan agenten avgjør at dokumentgrunnlaget er godt nok.

Dette har også en sikkerhetsside. Bedriftsagenter med bred tilgang kan lekke data, blande kilder og svare på spørsmål brukeren ikke burde få svar på. En agentisk RAG-arkitektur løser ikke tilgangsstyring alene. Den må kobles til roller, dataklassifisering, logging og policy. Men den gjør kontrollpunktet tydeligere: før modellen svarer, skal systemet vurdere om konteksten er tilstrekkelig og relevant. Det er et bedre sted å legge inn governance enn etter at svaret allerede er sendt.

For norske virksomheter er læringen praktisk. Hvis dere tester AI-agenter på intern kunnskap, ikke mål bare om svaret ser riktig ut. Test flerhopp-spørsmål. Test kilder som peker videre til andre systemer. Test hva agenten gjør når deler av svaret mangler. Test om den kan forklare hullene i datagrunnlaget. Og test om den stopper når brukeren ikke har rett til å se en kilde.

RAG var første steg for å gi språkmodeller tilgang til bedriftsdata. Agentisk RAG gjør neste problem synlig: hvem kontrollerer at modellen faktisk har gjort nok arbeid før den snakker? Det er kjedeligere enn en agent som «gjør alt». Det er også langt mer nyttig i produksjon.

Kilder og medier

Primærkilde: Google Research, «Unlocking dependable responses with Gemini Enterprise Agent Platform’s Agentic RAG», https://research.google/blog/unlocking-dependable-responses-with-gemini-enterprise-agent-platforms-agentic-rag/

Kildekreditering: Google Research / Google Cloud. Artikkelen oppgir publiseringsdato 5. juni 2026 og beskriver offentlig forhåndsvisning i Gemini Enterprise Agent Platform.

Thumbnail: OpenAI Image 2 / hogby.ai