Jeg har arbejdet med AI-agenter i to måneder. Her er hvad ingen fortæller dig

Der er en fortælling derude om at AI-agenter snart automatiserer alt. At du bare læner dig tilbage og ser dem arbejde. Det passer ikke helt - endnu i hvert fald.

Jeg har brugt Claude Code og Claude Cowork dagligt de sidste par måneder. Jeg har bygget agenter til regnskab, social media-overvågning, research og indholdsproduktion. Nogle af dem kører helt autonomt. Andre kræver at jeg sidder med og styrer. Her er hvad jeg har lært om forskellen.

Nogle processer er 100% automatiserede. Andre er 80%.

Jeg har en agent der kører via cron job om natten. Den scanner X, Reddit, TikTok og Instagram for hvad der er sket de sidste 24 timer inden for de emner jeg følger. Om morgenen har jeg en rapport klar. Hvis noget er relevant, kan jeg bede agenten grave dybere via Perplexity eller andre kilder. Den proces fejler sjældent, fordi opgaven er simpel: find, filtrer, opsummer.

Min regnskabsagent er en anden historie. Den finder fakturaer, downloader dem, analyserer dem og bogfører dem. Den er måske 80% færdig. Jeg skal stadig ind og godkende posteringer, hente en faktura den ikke selv kan finde, og tjekke at den har kategoriseret rigtigt.

Ifølge en undersøgelse fra Stanford og Carnegie Mellon lykkes autonome agenter 32-49% sjældnere end mennesker alene på komplekse opgaver. Men hybrid-teams, hvor mennesker og AI arbejder sammen, klarer sig 68,7% bedre end ren automatisering. Regnskabsbranchen rapporterer at 80-90% af rutineopgaver som kategorisering og afstemning kan automatiseres, men 20-45% af arbejdet kræver stadig menneskelig vurdering.

Min erfaring er den samme. Agenten er en ny kollega. Ikke en erstatning.

Build vs. buy er ikke det samme spørgsmål længere

Før i tiden var svaret næsten altid: køb en SaaS-løsning. Det var for dyrt og langsomt at bygge selv.

Det er ikke tilfældet længere. Når Claude Code kan bygge et funktionelt værktøj på en weekend, ændrer regnestykket sig. 35% af virksomheder har ifølge Retool allerede erstattet mindst et SaaS-produkt med selvbygget software. Den gennemsnitlige virksomhed bruger 305 apps og betaler 55,7 millioner dollars årligt i SaaS-abonnementer, med 11,4% årlig prisstigning.

Men det betyder ikke at du skal bygge alt selv. Der er tidspunkter hvor en eksisterende løsning er bedre. Hvis jeg skal poste automatisk på sociale medier, kan jeg bygge det selv via Facebooks API. Men det tager tid, og der findes løsninger der nærmest ikke koster noget og er fornuftigt lavet.

Min tommelfingerregel: byg selv hvis over 70% af det du har brug for er unikt for din forretning. Køb hvis en standard-løsning dækker dit behov. Lad være med at bygge bare fordi du kan.

Det handler om iteration, ikke perfektion

Når man koder med AI-agenter, starter man tit i en idefase. Første version er sjældent den rigtige. Man skyder fra hoften, ser hvor langt man kommer, lærer noget og starter forfra med den viden.

Det er anderledes end traditionel softwareudvikling, hvor man planlægger i uger og bygger i måneder. Her er cyklussen timer, ikke uger. Og outputtet per cyklus er 10x hvad jeg plejer at producere. Selve tiden er måske kun halveret, men resultatet er markant bedre, fordi jeg kan iterere hurtigere og tænke større.

Det giver muligheder for at gøre ting man normalt ikke ville forsøge. Ikke bare optimere det man allerede gør, men spørge: hvad ville det bedste scenarie se ud? Og så bygge det.

Memory-filen er alt

Den vigtigste ting jeg har lært: agenter skal huske hvad de lærer. Jeg havde en agent der var god til at skrive blogindlæg og lave research. Men den brugte "billioner" i stedet for "milliarder" og glemte danske tegn. Efter jeg rettede den en enkelt gang og gemte det i en memory-fil, gjorde den det ikke igen.

Det er forskellen mellem en agent der gentager de samme fejl og en der bliver bedre over tid. Uden memory-filen starter du forfra hver gang. Med den bygger du op.

Terminal-arbejde minder om Commodore 64

Der er noget ironisk ved at den mest avancerede AI-teknologi vi har, styres via terminalen. Helt klassisk tekst ind, tekst ud. Det minder om MS-DOS og Commodore 64 med BASIC, hvis nogen kan huske det.

Den måde man kommunikerede med en computer dengang, ligner faktisk den måde vi arbejder med AI-agenter i dag. Vi skriver en instruktion, computeren svarer, vi justerer. Interfacet er det samme. Intelligensen bag det er bare fundamentalt anderledes.

Hvor vi faktisk er

Vi er ikke der hvor alt er automatiseret. Vi er der hvor visse processer kører uden opsyn, og andre kræver at du sidder med som en slags teamleder for dine agenter.

Den rigtige gevinst er ikke at spare tid. Det er at gøre ting du aldrig ville have gjort manuelt. Bygge et overvågningssystem der kører hver nat. Lave en regnskabsassistent der håndterer 80% af bogføringen. Analysere dine investeringer med data fra Reddit, markedsdata og volumen, samlet i en rapport du kan lytte til i bilen.

Spørgsmålet er ikke om AI-agenter virker. Det gør de. Spørgsmålet er om du er villig til at lære at arbejde med dem som kolleger, ikke som magi.