A2A — Agent-to-Agent Protocol og multi-agent SEO
A2A (Agent-to-Agent Protocol) er Google's åbne standard der lader AI-agenter fra forskellige leverandører kommunikere, delegere opgaver og samarbejde — uden custom-integrationer. For SEO er det infrastrukturen bag multi-agent workflows der evaluerer brands.
A2A (Agent-to-Agent Protocol) er Google’s åbne standard der lader AI-agenter fra forskellige leverandører kommunikere, delegere opgaver og samarbejde — uden custom-integrationer mellem hvert agent-par. Hvor MCP forbinder agenter med data, forbinder A2A agenter med hinanden.
Hvad A2A løser
Komplekse brugerforespørgsler kræver typisk flere specialiserede agenter. En bruger der spørger “find mig den bedste SEO-tool under 1000 kr/md med rank tracking og dansk support” udløser en kæde: en research-agent der finder kandidater, en evaluerings-agent der læser reviews, en pricing-agent der verificerer priser, og potentielt en purchase-agent der initierer købet.
Uden A2A kræver hver agent-til-agent-forbindelse custom-integration. Med A2A publicerer hver agent en Agent Card der annoncerer capabilities, og andre agenter router opgaver automatisk.
Agent Cards
Hver A2A-kompatibel agent publicerer en Agent Card på /.well-known/agent-card.json. Kortet beskriver: hvad agenten kan, hvilke input den accepterer, og hvordan man autentificerer. Andre agenter opdager Cards automatisk og delegerer opgaver baseret på dem.
For brands og sites: en Agent Card er den maskinlæsbare annoncering af hvad dit site tilbyder. Uden den skal agenter gætte — med den ved de præcist hvad de kan hente fra dig.
Konsekvenser for brand-synlighed
I et multi-agent workflow evalueres brands på tværs af flere checkpoints før brugeren ser resultatet. Kæden kan se ud som: research-agent finder produktet → evaluerings-agent læser reviews og tjekker sentiment → pricing-agent verificerer priser → trust-agent krydsrefererer claims for konsistens.
A2A orkestrerer hele kæden. Inkonsistent data på tværs af kilder — prisside siger ét, Trustpilot-profil siger andet — kan filtrere et brand fra som kandidat, alt før brugeren ser det.
Cross-source konsistens som SEO-krav
A2A gør cross-source konsistens til et eksplicit krav, ikke bare god praksis. Det er det samme princip som NAP-konsistens i lokal SEO — bare for en anden type crawler.
Audit for konsistens: er priser identiske på website, review-platforme og tredjeparts-listings? Matcher produktbeskrivelser? Er kontaktinformation konsistent? Inkonsistens der var kosmetisk irriterende i 2024 kan blive filtreringsgrund i 2026.
Hvem bag og status
Google lancerede A2A i april 2025 med 50+ teknologipartnere. Linux Foundation vedligeholder det under Apache 2.0-licens. Det er åbent, leverandør-neutralt og designet til at sameksistere med MCP og de øvrige agentic protokoller.
For content-sites er A2A stadig tidligt — men Agent Cards og cross-source konsistens er handlingsbare forberedelser allerede i dag.
Andre artikler i samme emne
- Agent-protokol-stack — De 6 lag i agentic AI-infrastruktur
- Agentic commerce — ACP, UCP og AI-drevet e-commerce
- Agentic SEO — AI-agenter i søgemaskinoptimering
- Agentic SEO-faldgruber — Når AI-agenter går galt
- AI-agenter — Autonome systemer der planlægger og udfører opgaver
- MCP — Model Context Protocol og standardisering af AI-tool integration
- n8n og LLM-automation — Workflow-automatisering med AI-modeller
- NLWeb — Natural Language Web og websites som AI-interface
- Prompt Injection — Angreb mod AI-agenter og LLM-systemer
- Tool use — Hvordan LLM'er kalder eksterne funktioner og APIs
- WebMCP — Browser-native capabilities for AI-agenter
Ofte stillede spørgsmål
- Hvad er forskellen på MCP og A2A?
- MCP forbinder en agent med tools og data — det er USB-C for AI. A2A forbinder agenter med hinanden — det er det der lader en research-agent delegere til en evaluerings-agent og derefter til en purchase-agent. MCP er vertikalt (agent → data), A2A er horisontalt (agent → agent). Et komplet agentic workflow bruger begge: MCP til at hente data, A2A til at koordinere specialiserede agenter.
- Hvad er en Agent Card?
- En Agent Card er en maskinlæsbar JSON-fil publiceret på /.well-known/agent-card.json der annoncerer hvad en agent eller et site kan gøre: capabilities, input-typer, output-typer og autentificering. Andre agenter opdager Agent Cards automatisk og router opgaver baseret på dem. For brands er en Agent Card den første betingelse for at være synlig i multi-agent workflows.
- Hvordan påvirker A2A brand-evaluering?
- I et multi-agent workflow evalueres brands typisk i flere trin: en research-agent finder kandidater, en evaluerings-agent læser reviews og tjekker sentiment, en pricing-agent verificerer priser mod tredjepartskilder, en trust-agent krydsrefererer claims for konsistens. A2A orkestrerer hele kæden. Hvis din data er inkonsistent på tværs af kilder — fx din prisside siger én ting og din Trustpilot-profil siger en anden — kan agenten filtrere dit brand fra før brugeren overhovedet ser det.
- Hvem står bag A2A?
- Google lancerede A2A i april 2025 med 50+ teknologipartnere: Salesforce, PayPal, SAP, Workday og ServiceNow. Linux Foundation vedligeholder det nu under Apache 2.0-licens. Det er åbent og leverandør-neutralt — modsat proprietære agent-frameworks.
- Skal content-sites implementere A2A?
- Ikke direkte endnu. A2A er primært relevant for commerce- og enterprise-sites hvor agenter udfører transaktioner. For content-sites som vidensportaler og blogs er de vigtigste forberedelser: konsistent data på tværs af kilder (website, Google Business Profile, sociale profiler), Agent Card på /.well-known/agent-card.json, og stærk structured data. Når multi-agent workflows bliver standard, vil disse fundamenter afgøre om dit site indgår i agent-kæden.
Placering i ordbogen
- Agent-protokol-stack — De 6 lag i agentic AI-infrastruktur
- Agentic commerce — ACP, UCP og AI-drevet e-commerce
- Agentic SEO — AI-agenter i søgemaskinoptimering
- Agentic SEO-faldgruber — Når AI-agenter går galt
- AI-agenter — Autonome systemer der planlægger og udfører opgaver
- MCP — Model Context Protocol og standardisering af AI-tool integration
- n8n og LLM-automation — Workflow-automatisering med AI-modeller
- NLWeb — Natural Language Web og websites som AI-interface
- Prompt Injection — Angreb mod AI-agenter og LLM-systemer
- Tool use — Hvordan LLM'er kalder eksterne funktioner og APIs
- WebMCP — Browser-native capabilities for AI-agenter