Hvad er function calling (værktøjskald)? Sådan handler AI på strukturerede data

Function calling — på dansk værktøjskald — er, hvordan en sprogmodel kalder eksterne værktøjer og API'er. I stedet for bare at svare med tekst returnerer modellen en struktureret JSON, der angiver, hvilken funktion der skal køres, og med hvilke argumenter. Det er den lille, men afgørende mekanisme, der lader en AI gøre noget i verden — ikke bare tale om det.

Hvordan function calling fungerer

Pointen misforstås ofte: modellen kører ikke koden selv. Den udtrykker hensigten. Flowet er sådan: du giver modellen et sæt værktøjsdefinitioner (navn, beskrivelse og hvilke argumenter hvert værktøj tager). Når modellen vurderer, at den har brug for et værktøj — for eksempel at slå en pris op eller hente friske data — svarer den ikke med tekst, men med en JSON, der siger »kald funktionen hent_pris med argumentet produkt: X«. Din klientapplikation kører det faktiske kald, henter resultatet og giver det tilbage til modellen, som så skriver det endelige svar. Modellen bestemmer hvad der skal gøres; din kode gør det.

Sammenhængen med MCP

Function calling og Model Context Protocol (MCP) forveksles ofte, men de løser hver sin del af samme opgave. Function calling er fase 1: hvordan modellen udtrykker, at den vil gøre noget. MCP er den infrastruktur, der gør disse forespørgsler portable, opdagelige og kørbare på tværs af systemer. MCP er en åben klient-server-standard bygget på JSON-RPC 2.0, med tre kerneprimitiver: Tools (kørbare handlinger), Resources (kontekstdata) og Prompts (genbrugelige skabeloner). Kort sagt: MCP erstatter ikke function calling — function calling er, hvordan modellen beder om en handling, MCP er røret, der gør, at samme værktøj virker overalt.

Hvorfor det betyder noget: agenter

Function calling er grundmekanismen bag AI-agenter. En agent er i praksis en løkke af værktøjskald: modellen kalder et værktøj, læser resultatet, vurderer og bestemmer næste trin — indtil opgaven er løst. Uden værktøjskald kan en model kun producere tekst; med det kan den søge, hente data, sende forespørgsler og gennemføre handlinger. I 2026 har MCP fået nær universel udbredelse — Anthropic, OpenAI, Google og Microsoft understøtter det alle — og hundredvis af MCP-servere er tilgængelige i offentlige registre. Det er dette, der gør agentisk AI praktisk mulig i stor skala.

Hvordan CitationLab bruger dette

CitationLab udgiver egne MCP-servere til både Manager og Monitor. De eksponerer dine synligheds-, citations- og auditdata som kaldbare værktøjer — så en AI-agent kan hente, hvordan dit brand citeres, køre en AEO-audit eller slå Share of Voice op direkte via function calling, uden at et menneske skal klikke rundt i et dashboard. Dataene bliver handlingsklare for AI, ikke bare synlige for mennesker.

Hvordan andre kan bruge det

Overvejer du at bygge med AI, er læren, at værdien ligger i de værktøjer, du giver modellen, ikke bare i prompten. Definer klare værktøjer med præcise beskrivelser og argumenter, og overvej at eksponere dem via MCP, så de virker på tværs af modeller og klienter. Og vil du gøre dine forretningsdata tilgængelige for AI-agenter på samme måde? Se, hvordan AI-synlighed og agentklare data hænger sammen, eller slå flere begreber op i ordlisten.