Hva er function calling (verktøykall)? Slik handler AI på strukturerte data

Function calling — på norsk verktøykall — er hvordan en språkmodell kaller eksterne verktøy og API-er. I stedet for bare å svare med tekst, returnerer modellen en strukturert JSON som angir hvilken funksjon som skal kjøres og med hvilke argumenter. Det er den lille, men avgjørende mekanismen som lar en AI gjøre noe i verden — ikke bare snakke om det.

Hvordan function calling fungerer

Poenget er ofte misforstått: modellen kjører ikke koden selv. Den uttrykker intensjonen. Flyten er slik: du gir modellen et sett med verktøydefinisjoner (navn, beskrivelse og hvilke argumenter hvert verktøy tar). Når modellen vurderer at den trenger et verktøy — for eksempel å slå opp en pris eller hente ferske data — svarer den ikke med tekst, men med en JSON som sier «kall funksjonen hent_pris med argumentetprodukt: X». Klientapplikasjonen din kjører det faktiske kallet, henter resultatet, og gir det tilbake til modellen, som så skriver det endelige svaret. Modellen bestemmer hva som skal gjøres; koden din gjør det.

Sammenhengen med MCP

Function calling og Model Context Protocol (MCP) forveksles ofte, men de løser hver sin del av samme oppgave. Function calling er fase 1: hvordan modellen uttrykker at den vil gjøre noe. MCP er infrastrukturen som gjør de forespørslene portable, oppdagbare og kjørbare på tvers av systemer. MCP er en åpen klient-server-standard bygget på JSON-RPC 2.0, med tre kjerneprimitiver: Tools (kjørbare handlinger),Resources (kontekstdata) og Prompts (gjenbrukbare maler). Kort sagt: MCP erstatter ikke function calling — function calling er hvordan modellen ber om en handling, MCP er røret som gjør at samme verktøy virker overalt.

Hvorfor det betyr noe: agenter

Function calling er grunnmekanismen bak AI-agenter. En agent er i praksis en løkke av verktøykall: modellen kaller et verktøy, leser resultatet, vurderer og bestemmer neste steg — helt til oppgaven er løst. Uten verktøykall kan en modell bare produsere tekst; med det kan den søke, hente data, sende forespørsler og fullføre handlinger. I 2026 har MCP fått nær universell utbredelse — Anthropic, OpenAI, Google og Microsoft støtter det alle — og hundrevis av MCP-servere er tilgjengelige i offentlige registre. Det er dette som gjør agentisk AI praktisk mulig i stor skala.

Hvordan CitationLab bruker dette

CitationLab publiserer egne MCP-servere for både Manager og Monitor. De eksponerer synlighets-, siterings- og revisjonsdataene dine som kallbare verktøy — slik at en AI-agent kan hente hvordan merkevaren din siteres, kjøre en AEO-revisjon eller slå opp Share of Voice direkte via function calling, uten at et menneske må klikke seg rundt i et dashbord. Dataene blir handlingsklare for AI, ikke bare synlige for mennesker.

Hvordan andre kan bruke det

Tenker du å bygge med AI, er lærdommen at verdien ligger i verktøyene du gir modellen, ikke bare i prompten. Definer klare verktøy med presise beskrivelser og argumenter, og vurder å eksponere dem via MCP slik at de virker på tvers av modeller og klienter. Og vil du gjøredin forretningsdata tilgjengelig for AI-agenter på samme måte? Se hvordan AI-synlighet og agent-klare data henger sammen, eller slå opp flere begreper i ordlisten.