Microsoft åpner MagenticLite for lokale AI-agenter

Microsoft Research har åpnet hele MagenticLite-stakken: applikasjonen, agent-harnesset, MagenticBrain og Fara1.5-modellene. Dette er ikke bare enda en demo av en chatbot som klikker rundt i en nettleser. Det er Microsofts tydelige argument for at neste bølge med AI-agenter ikke må være én enorm, lukket modell i skyen. Den kan også være en sammensatt stack av mindre, spesialiserte modeller som kjører nærmere brukeren, med bedre kontroll, lavere kost og mindre datalekkasjer.

Kjernen er MagenticLite, neste generasjon av Magentic-UI. Den jobber på tvers av nettleser og lokalt filsystem i samme arbeidsflyt. Microsoft beskriver den som en agentisk applikasjon bygget spesielt for små modeller, med en redesignet app og et harness som er trent og optimalisert for akkurat det miljøet modellen skal møte i drift. Det siste er viktig: modellen lærer ikke bare generelle verktøykall i et vakuum. Den trenes mot samme verktøyskjemaer og samme utførelsesmiljø som den møter når den faktisk skal løse oppgaver.

Stakken består av to hovedmodeller. MagenticBrain er en 14B-parameter orkestreringsmodell, finjustert fra Qwen 3 14B. Den planlegger, skriver kode, velger verktøy, delegerer og forsøker å hente seg inn når en oppgave sporer av. Fara1.5 er databruksmodellen for nettleseroppgaver, i variantene 4B, 9B og 27B, basert på Qwen 3.5. Den er laget for å håndtere konkrete skjerm- og nettleseroppgaver: fylle skjema, sammenligne produkter, navigere sider, bestille eller hente informasjon.

Det mest interessante for CIO og CISO er ikke bare benchmark-tallene. Det er driftsmodellen. Microsoft legger vekt på at MagenticLite kan kjøre effektivt, holde data på brukerens maskin og bruke eksplisitte godkjenningspunkter. Kritiske handlinger kan stoppes for menneskelig godkjenning, og systemet kjører i Quicksand, en åpen QEMU-basert sandbox som isolerer nettleserøkter og kodekjøring fra vertsmaskinen. Det er langt nærmere enterprise-virkeligheten enn demoer der en agent får full nettleser og kredittkort uten bremser.

Benchmarkene gir likevel substans. I Fara1.5-artikkelen oppgir Microsoft at Online-Mind2Web tester 300 oppgaver på 136 populære nettsteder. Fara1.5-9B får 63,4 prosent task success og nesten dobler Fara-7B på webnavigasjon. Fara1.5-4B får 57,3 prosent, mens Fara1.5-27B får 72,3 prosent. Microsoft sammenligner også 27B-varianten med større og proprietære computer-use-agenter, inkludert OpenAI Operator og Gemini 2.5 Computer Use. Tallene er Microsofts egne, men de er konkrete nok til at de bør inn i eval-arket hos alle som vurderer agentisk automasjon.

Det strategiske poenget er at agentarkitektur blir mer modulær. En generell frontier-modell er fortsatt sterkest i mange kunnskapsoppgaver, men den er ikke nødvendigvis riktig motor for hvert klikk, hver filoperasjon og hver intern workflow. Når planlegging, databruk, kodekjøring og sikkerhetsgating skilles tydeligere, kan virksomheter få mer presis kontroll over kost, latency, datalagring og risiko.

For norske virksomheter betyr dette tre praktiske ting. Først: lokale og semi-lokale agenter blir mer realistiske. Ikke for alt, men for avgrensede arbeidsflyter der databehandling, sporbarhet og kostkontroll betyr mer enn maksimal generell intelligens. Deretter: procurement må begynne å spørre leverandører om agent-harness, sandboxing, approval gates og eval-data, ikke bare hvilken modell som ligger under. Til slutt: CISO må behandle databruksagenter som et nytt automasjonslag med egne tilgangsregler. En modell som kan klikke, skrive, lese filer og sende skjema er ikke bare en assistent. Den er en prosess med hender.

Dette er ikke en produksjonsgaranti fra Microsoft. MagenticLite omtales fortsatt som eksperimentell, og benchmarkresultater på weboppgaver er ikke det samme som trygg drift i en norsk virksomhet med gamle portaler, Citrix, IAM-friksjon og sure PDF-er fra 2017. Men retningen er klar. Open-weight modeller, lokal kjøring, sandkasse og menneskelig godkjenning flytter agentdiskusjonen fra lekeplass til arkitektur. Det gjør MagenticLite mer interessant enn en vanlig modellnyhet.

Neste steg for ledere er enkelt: test dette på smale, ufarlige workflows før leverandørene pakker samme mønster inn i dyre enterprise-lisenser. Mål suksess per fullført oppgave, ikke per token. Logg hvert klikk. Krev rollback. Og ikke gi agenten flere rettigheter enn du ville gitt en nyansatt vikar med ekstremt høy selvtillit og null organisasjonsforståelse.

Kilder og medier

Primærkilde: Microsoft Research — https://www.microsoft.com/en-us/research/blog/magenticlite-magenticbrain-fara1-5-an-agentic-experience-optimized-for-small-models/

Supplerende teknisk kilde: Microsoft Research-artikkel om Fara1.5 — https://www.microsoft.com/en-us/research/articles/fara1-5-computer-use-agent/

Modell- og kodekilder: Microsoft på Hugging Face og GitHub for MagenticLite/Fara1.5.

Thumbnail: OpenAI Image 2 / hogby.ai