Vad är function calling (verktygsanrop)? Så agerar AI på strukturerade data

Function calling — på svenska verktygsanrop — är hur en språkmodell anropar externa verktyg och API:er. I stället för att bara svara med text returnerar modellen en strukturerad JSON som anger vilken funktion som ska köras och med vilka argument. Det är den lilla men avgörande mekanism som låter en AI göra något i världen — inte bara prata om det.

Hur function calling fungerar

Poängen missförstås ofta: modellen kör inte koden själv. Den uttrycker avsikten. Flödet är så här: du ger modellen en uppsättning verktygsdefinitioner (namn, beskrivning och vilka argument varje verktyg tar). När modellen bedömer att den behöver ett verktyg — till exempel att slå upp ett pris eller hämta färska data — svarar den inte med text, utan med en JSON som säger ”anropa funktionen hamta_pris med argumentet produkt: X”. Din klientapplikation kör det faktiska anropet, hämtar resultatet och ger det tillbaka till modellen, som sedan skriver det slutliga svaret. Modellen bestämmer vad som ska göras; din kod gör det.

Sambandet med MCP

Function calling och Model Context Protocol (MCP) förväxlas ofta, men de löser var sin del av samma uppgift. Function calling är fas 1: hur modellen uttrycker att den vill göra något. MCP är infrastrukturen som gör dessa förfrågningar portabla, upptäckbara och körbara på tvären av system. MCP är en öppen klient-server-standard byggd på JSON-RPC 2.0, med tre kärnprimitiver: Tools (körbara handlingar), Resources (kontextdata) och Prompts (återanvändbara mallar). Kort sagt: MCP ersätter inte function calling — function calling är hur modellen ber om en handling, MCP är röret som gör att samma verktyg fungerar överallt.

Varför det spelar roll: agenter

Function calling är grundmekanismen bakom AI-agenter. En agent är i praktiken en loop av verktygsanrop: modellen anropar ett verktyg, läser resultatet, bedömer och bestämmer nästa steg — tills uppgiften är löst. Utan verktygsanrop kan en modell bara producera text; med det kan den söka, hämta data, skicka förfrågningar och slutföra handlingar. År 2026 har MCP fått närmast universell spridning — Anthropic, OpenAI, Google och Microsoft stöder det alla — och hundratals MCP-servrar finns tillgängliga i offentliga register. Det är detta som gör agentisk AI praktiskt möjlig i stor skala.

Hur CitationLab använder detta

CitationLab publicerar egna MCP-servrar för både Manager och Monitor. De exponerar dina synlighets-, citerings- och auditdata som anropbara verktyg — så att en AI-agent kan hämta hur ditt varumärke citeras, köra en AEO-audit eller slå upp Share of Voice direkt via function calling, utan att en människa måste klicka runt i en dashboard. Datan blir handlingsklar för AI, inte bara synlig för människor.

Hur andra kan använda det

Tänker du bygga med AI är lärdomen att värdet ligger i de verktyg du ger modellen, inte bara i prompten. Definiera tydliga verktyg med precisa beskrivningar och argument, och överväg att exponera dem via MCP så att de fungerar på tvären av modeller och klienter. Och vill du göra dina affärsdata tillgängliga för AI-agenter på samma sätt? Se hur AI-synlighet och agentklara data hänger ihop, eller slå upp fler begrepp i ordlistan.