Derfor slår specialiserede AI-agenter Perplexity Computer og Manus.

Perplexity lancerede "Computer" i slutningen af februar. Manus har haft gang i maskineriet længere. Begge lover det samme: du giver dem en opgave, de spinner en computer op i skyen, og så gør de arbejdet for dig.

Det lyder godt. Men efter at have fulgt den her debat tæt de seneste uger og læst hvad folk der rent faktisk tester de her værktøjer i deres virksomheder siger, er min holdning ret klar: generelle AI-agenter er imponerende som demo - og egentlig også som værktøj - men for B2B/B2C-virksomheder er specialiserede agenter med fokuserede mål markant bedre.

Hvad er Perplexity Computer og Manus?

Perplexity Computer orkestrerer 19 forskellige AI-modeller og kan håndtere alt fra research til dataanalyse til at bygge websites. Prisen er $200/md på deres Perplexity Max-abonnement. Manus fungerer på samme måde. Du giver den en opgave, den får adgang til en computer, og den kan skabe filer, redigere, deploye. Prisen er $39-199/md.

Begge er det man kan kalde "command centers." Du går ind, stiller en opgave, og en agent med adgang til en computer udfører den.

Problemet? En IT-projektleder formulerede det præcist på X: "AI-agenter som Perplexity Computer klarer fine demoer og simple workflows. Men enterprise-level leverancer? Integration med legacy-systemer, compliance-krav, skræddersyede workflows. Det er der, de falder igennem."

Og det er præcis hvad data viser. Ifølge en analyse fra HatchWorks performer specialiserede agenter bedre på ROI end generelle agenter. Færre fejl, hurtigere eksekvering, direkte besparelser.

7-10 skills er sweet spot for en AI-agent

En af de mest interessante observationer fra folk der tester agenter i stor skala: jo flere skills du giver en agent, jo dårligere bliver den.

Riley fra vibcode testede hundredvis af agent-workflows over to uger med OpenClaw, Manus og Perplexity Computer. Hans konklusion: når du giver en agent mere end 7-10 skills, falder pålideligheden. Konteksten bliver rodet. Agenten bruger de forkerte integrationer. Personligheden bliver uklar.

Det svarer til det du ser med medarbejdere. Den bedste medarbejder er ikke ham der kan lidt af det hele. Det er ham der siger: "Jeg er god til de her ting, og jeg kan hjælpe din virksomhed med at nå de her mål." Fokus slår bredde.

Svaret er ikke en megaagent med 50 skills. Det er et hold af smalle agenter med 7-10 skills hver, der tilsammen dækker hele din drift.

Sådan fungerer et agenthold i praksis

Du har en YouTube-agent der kun fokuserer på at øge subscribers, views og konverteringer. Den har tre skills: YouTube-research, thumbnail-generering og Notion-integration til scripts.

Ved siden af har du en journal-agent der analyserer alle dine møder, beskeder og aktiviteter og skriver daglige logbøger. Den journal læser alle dine andre agenter. Din newsletter-agent læser journalen og foreslår emner til din emailliste. Din content-agent læser den og identificerer trends.

Hvert agent har sine egne mål, sine egne KPI'er. Du kan vurdere dem som medarbejdere: enten leverer de, eller også gør de ikke. Pass/fail. Og når noget er pass/fail, er det nemt at skille sig af med det der ikke virker.

74% af ledere rapporterer ROI inden for det første år med AI-agenter ifølge en undersøgelse rapporteret af Google Cloud og VentureBeat. 39% af dem siger at produktiviteten er mindst fordoblet. Men det kræver den rigtige arkitektur.

Hvorfor B2B/B2C-virksomheder skal bygge deres egne agenter

Der er tre grunde til at generelle agenter som Manus og Perplexity Computer ikke er nok for denne type af virksomheder.

Governance. Manus har ingen audit logs, ingen human-in-the-loop kontrol som standard, ingen compliance-rammer. Når du håndterer kundedata, kontrakter eller fortrolige forretningsprocesser, er det ikke godt nok.

Integration. Dine systemer er ikke standard. Du har et CRM, et ERP, interne værktøjer, specifikke workflows. En generel agent kan ikke koble sig ind i det uden skræddersyet opsætning.

Intent. Emmett Shear, den tidligere midlertidige CEO for OpenAI, skrev på X: "Prompts are so late 2025. We are giving models intents now." Og han har ret. Når du giver en agent et specifikt formål, ikke bare en opgave men et mål den optimerer for, så bliver den drastisk bedre. Det kan du ikke gøre med et generelt "command center."

Prisen for at bygge skræddersyede agenter er faldet markant. Folk bygger agent-stacks for 1500kr/md der erstatter 500.000+ kr i lønbudget. Men den virkelige værdi er ikke besparelsen. Det er at du ejer din data, dine workflows og din infrastruktur.

Hvad det her betyder for dig

B2B-agent-markedet er ifølge Reddit "surprisingly underserved community-wise." Det betyder at virksomheder der bygger specialiserede agenter nu, får en klar fordel.

Start ikke med at vælge et værktøj. Start med at identificere de 3-5 opgaver i din virksomhed der tager mest tid og har klare succeskriterier. Byg en smal agent til hver. Giv den max 7-10 skills og et tydeligt mål.

Perplexity Computer og Manus er super gode til eksplorativ research og hurtige opgaver. Men til at drive en virksomhed har du brug for agenter med formål, ikke bare agenter med adgang til en computer.

Den hybride tilgang virker bedst: brug generelle værktøjer til research og brainstorming, og byg specialiserede agenter til de kritiske processer der driver din forretning.

Jeg deler løbende mere om det her på LinkedIn. Følg med der for hurtige takes og diskussion (link in bio).