AI-agenter i produktion, og jeres at beholde.

Hvad er en AI-agent?

En chatbot svarer på det, du spørger om. En klassisk automatisering følger faste regler: hvis A, så B. En AI-agent ligger imellem. Den får et mål, for eksempel "læs denne indkomne forespørgsel og skriv et svar", og bestemmer selv, hvilke trin og værktøjer der skal til: slå kunden op i CRM, finde de relevante dokumenter, regne en pris ud og skrive et udkast.

Det, der gør agenter brugbare i virksomheder, er ikke, at de kan alt. Det er, at de kan tage den trælse, gentagne del af en opgave, som før krævede en person, og lægge resultatet frem til en person, der godkender. Agenten laver forarbejdet. Mennesket træffer beslutningen.

Eksempler på AI-agenter i danske virksomheder

Et dansk advokatfirma ville vende rækkefølgen i deres salg om: lave analysen først og bede om mødet bagefter. Manuelt tog det en advokat en dag pr. virksomhed. Nu læser en agent et udtræk fra varemærkeregistret, sammenholder det med de markeder, virksomheden faktisk sælger i, og skriver en gap-analyse, en landingsside og en PDF-rapport. Advokaterne vælger, hvem der skal kontaktes, og sender selv hver besked.

En virksomhed inden for ejendomsinvestering skulle finde private investorer, der lige har solgt en virksomhed. Deres agent læser 85 offentlige kilder hver morgen, scorer hver nyhed op mod en profil, som kunden selv kan redigere, og tjekker navnene i CVR. Fordi det er personoplysninger, blev den endelige version bygget inde i kundens eget Microsoft-miljø sammen med deres IT-afdeling.

FleetView samler leasingportaler, brændstofkort og økonomisystemet i ét register og kører automatiske kontroller på hver postering. Hos en dansk servicevirksomhed med 219 køretøjer har business casen fundet et besparelsespotentiale på 1-2 millioner kroner om året. TexForm er en designagent til firmatøj, som læser virksomheden, skriver et brief og leverer fire færdige designforslag, før kunden betaler, på ti dage i stedet for tre uger.

Sådan foregår det

Hvert system starter med sin egen tegning og bliver så bygget i små trin, der kan sættes i drift. I ser fungerende software hver uge, ikke en statusrapport. Den første version går tidligt i produktion og bliver bedre derfra.

Byggeriet sker i jeres repository med jeres team i rummet. Målet er, at I ikke er afhængige af nogen uden for virksomheden for at holde det kørende, når forløbet slutter.

Hvad der bliver bygget

Typiske systemer: en agent, der læser indkomne dokumenter og skriver udkast til svar, som en person godkender. Automatisering, der afstemmer data på tværs af systemer og markerer afvigelser. Et RAG-system, der svarer på spørgsmål ud fra jeres egne dokumenter, på dansk, og siger til, når svaret ikke findes. En pipeline, der hver morgen gør en offentlig datakilde til en prioriteret liste.

Fællesnævneren er, at hvert system erstatter timer af gentaget arbejde med et system, en person fører tilsyn med.

Hvornår en AI-agent ikke er svaret

Ikke alt skal være en agent. Er opgaven fuldt regelbaseret, er en almindelig automatisering billigere, hurtigere og lettere at teste. Sker opgaven fem gange om måneden, betaler det sig sjældent at bygge noget. Og er der ingen data at arbejde med, er det første skridt at skaffe dem, ikke at bygge en agent.

Derfor starter byggeriet med en ærlig vurdering af, om AI er det rigtige værktøj. Svaret er nogle gange nej, og så får I det at vide, før der er brugt penge.

Sikkerhed, data og kontrol

En agent, der kan handle i jeres systemer, skal have præcis de rettigheder, den har brug for, og ikke flere. Alt, hvad den gør, bliver logget, så I kan se, hvad den har gjort og hvorfor. Handlinger, der ikke kan fortrydes, som at sende en mail til en kunde, bogføre eller slette, kræver som standard en persons godkendelse.

Data bliver behandlet i overensstemmelse med GDPR, med databehandleraftaler og, hvor det er nødvendigt, inde i jeres eget miljø. Kravene i EU’s AI Act om gennemsigtighed, logning og menneskeligt tilsyn bliver designet ind fra start i stedet for at blive rettet til bagefter.