RPA möter AI-agenter: När UiPath/Automation Anywhere ersätts av LangGraph

Den klassiska RPA-roboten är ett mästerverk i envishet och en katastrof i tålighet. Den klickar på exakt den pixeln, läser exakt det fältet och fyller i exakt den rutan - tills någon flyttar en knapp i nästa systemuppdatering, och då står hela kedjan still. De flesta bolag jag möter har minst en UiPath- eller Automation Anywhere-robot som ingen längre vågar röra, för den är både kritisk och skör. Frågan för 2026 är inte om AI-agenter ersätter RPA, utan exakt var skiftet är värt besväret och var det vore att riva något som faktiskt fungerar.

Jag arbetar med båda paradigmen inom AI-automation, och svaret är mer nyanserat än leverantörernas marknadsföring vill ge sken av. Den som lovar att agenter ersätter all RPA säljer något; den som påstår att agenter är opålitlig hype har inte byggt med dem på allvar.

Vad traditionell RPA faktiskt är bra på

Låt oss vara rättvisa mot RPA. För deterministiska, högvolymsprocesser i stabila system är det fortfarande svårslaget: flytta data mellan två affärssystem som saknar API, stämma av tusentals rader enligt fasta regler, eller mata in poster i ett gammalt grönt-skärm-system. När reglerna är glasklara och miljön inte ändrar sig är en RPA-robot snabb, billig per transaktion och fullständigt förutsägbar. En LLM-agent på samma uppgift är dyrare, långsammare och introducerar en osäkerhet du inte behöver. Det vore tekniskt högmod att ersätta något sådant bara för att det går.

Var RPA faller - och agenten lyser

RPA knäcks i tre situationer som blir allt vanligare, och det är där den verkliga underhållskostnaden brukar gömma sig:

• Ostrukturerad input: en faktura i fritext, ett mejl som ska tolkas, ett kontrakt där villkoren är formulerade olika varje gång. RPA kräver struktur och rasar utan den; en agent kan läsa, tolka och resonera kring innehållet.
• Bedömning krävs: "godkänn om rimligt", "eskalera vid avvikelse", "matcha trots stavfel". Regler täcker aldrig alla fall, och varje undantag blir en ny if-sats - en agent kan väga sannolikheter istället.
• Förändrade gränssnitt: en agent som förstår intentionen ("hitta kundens senaste order") är robustare än en robot bunden till en pixelposition som flyttar sig vid varje uppdatering.

Det är här ramverk som LangGraph kommer in. Istället för ett linjärt klick-skript bygger du en graf av steg där agenten kan resonera, anropa verktyg, kontrollera sitt eget resultat och loopa tillbaka om något ser fel ut. Det liknar mer hur en människa löser uppgiften - och tål därför att verkligheten inte ser exakt likadan ut varje gång.

LangGraph i praktiken: inte magi, utan struktur

Det jag uppskattar med LangGraph är att det inte låtsas att agenter är trollerikonst. Du definierar tillstånd, noder och kanter explicit. En nod kan vara ett LLM-anrop, en annan ett vanligt API-anrop, en tredje en mänsklig granskning. Du kontrollerar var agenten får improvisera och var den måste följa en fast väg. Den hybridmodellen - deterministisk där det går, resonerande där det krävs - är nästan alltid rätt svar i verksamheten. Du behåller förutsägbarheten där den är gratis och köper flexibilitet bara där den faktiskt behövs.

Den ärliga avvägningen

Jag river inte gärna en fungerande RPA-robot för teknikens skull. Om en UiPath-robot kör en stabil process felfritt finns ingen anledning att ersätta den med en dyrare och mindre förutsägbar agent. Skiftet lönar sig när roboten ständigt går sönder, när processen kräver tolkning, eller när underhållskostnaden för det sköra skriptet redan överstiger vad en agent skulle kosta att drifta. Räkna in den dolda kostnaden i tid och frustration varje gång en robot havererar efter en systemuppdatering - den är ofta större än fakturan. Börja där smärtan är störst, inte där hela portföljen är.

En realistisk migreringsväg

Jag brukar börja med att kartlägga RPA-portföljen och dela den i tre högar: det som ska vara kvar (stabilt och deterministiskt), det som ska ersättas (skört och bedömningstungt), och det som ska byggas nytt som agent. Sedan tar vi en process - gärna en som gör ont idag - och bygger om den med människa-i-loopen från start. Förtroende byggs genom att agenten först föreslår och människan godkänner, och först när siffrorna visar att den håller släpper vi den friare. Det är så man får organisationen med sig istället för emot sig.

Relaterat

• Voice agents med OpenAI Realtime API: Svensk röst-AI för kundtjänst
• Evals-driven development: Så testar du LLM-applikationer i CI/CD
• Prompt injection-attacker: 12 mönster och hur du försvarar dig 2026

Ett exempel på en moderniserad process finns i kundcase.

Vill du ta det vidare?

Jag hjälper svenska bolag att avgöra vilka RPA-processer som bör behållas och vilka som vinner på att bli AI-agenter - och bygger om dem stegvis. Boka ett förutsättningslöst samtal så går vi igenom er portfölj.