AI-agenter i praksis – hvad kan de gøre for en mindre virksomhed?

Kort fortalt

• En AI-agent er en sprogmodel med adgang til udvalgte værktøjer – fx "slå kunde op" eller "opret ordreudkast" – som den bruger i flere trin for at løse en opgave.
• AI-agenter kan egne sig til hyppige administrative opgaver med ustruktureret tekst, fx ordremails, leverandørfakturaer og sortering af henvendelser.
• Kan en opgave beskrives med faste regler, er klassisk automatisering billigere og mere forudsigelig end en AI-agent.
• De vigtigste kontroller er mindst mulige rettigheder, menneskelig godkendelse af handlinger med økonomiske konsekvenser og logning af hvert trin.
• Behandler agenten personoplysninger, gælder GDPR, og der skal være databehandleraftaler med de leverandører, der behandler data (GDPR).

Hvad er en AI-agent – og hvad er den ikke?

En AI-agent består typisk af en sprogmodel, et sæt værktøjer, den må bruge (fx "slå kunde op", "opret ordreudkast", "send til godkendelse"), og regler for, hvornår den skal stoppe og spørge et menneske. Værktøjerne er som regel kald til jeres systemers API'er – de tekniske grænseflader, systemer bruger til at udveksle data. Inden for de rettigheder og regler, I fastlægger, kan modellen vælge værktøjer og rækkefølge; vigtige handlinger bør kræve godkendelse.

Det er nyttigt at skelne mellem fire typer automatisering:

Det er ikke enten-eller. En løsning kan sagtens kombinere en klassisk automatisering til det forudsigelige med et AI-trin til det, der kræver forståelse af tekst.

AI-agenter i praksis – seks opgaver for en SMV

Her er eksempler på opgaver, hvor en AI-agent kan give mening i en mindre virksomhed. Fælles for dem er, at de sker ofte, følger et genkendeligt mønster og i dag kræver manuelt arbejde med ustruktureret tekst:

1. Ordrer fra e-mail. Kunder sender ordrer i fri tekst eller som vedhæftede PDF'er. Agenten læser ordren, finder kunden og varenumrene og laver et ordreudkast, som en medarbejder godkender.
2. Leverandørfakturaer. Agenten aflæser fakturaen, matcher den med indkøbsordre og følgeseddel og markerer afvigelser til bogholderiet.
3. Sortering af kundehenvendelser. Agenten læser indkomne mails, kategoriserer dem, henter ordrestatus og skriver et udkast til svar – eller sender sagen videre til rette person.
4. Tilbudsudkast. Ud fra en forespørgsel finder agenten relevante produkter, priser og tidligere tilbud og samler et udkast, som sælgeren gennemgår.
5. Forberedelse af salgsmøder. Agenten samler offentlig information om en virksomhed og tidligere korrespondance i et kort notat.
6. Første linje IT-support. Agenten svarer på gentagne spørgsmål, nulstiller ting, den har lov til, og opretter sager for resten.

Et tænkt eksempel trin for trin. Forestil dig en grossist, der modtager 40 ordremails om dagen – nogle i brødtekst, nogle som PDF, nogle på engelsk. En AI-agent kunne arbejde sådan her:

1. Læser mailen og eventuelle vedhæftninger og finder kunde, varer, antal og ønsket leveringsdato.
2. Slår kunden op i ERP-systemet via dets API og tjekker, at kundenummeret findes.
3. Matcher kundens varebeskrivelser med jeres varenumre – fx "de grå 40 mm skruer, som sidst" – ud fra kundens ordrehistorik.
4. Tjekker lagerstatus og opretter et ordreudkast, ikke en bekræftet ordre.
5. Sender udkastet til en medarbejder med de usikre linjer markeret og en kort begrundelse.
6. Når medarbejderen har godkendt, sendes ordrebekræftelsen via det eksisterende system.

Medarbejderen går fra at taste til at kontrollere. Om det sparer nok tid, er netop det, en pilot skal måle.

Et godt kandidat-spørgsmål er: "Hvilken opgave laver en kollega 20 gange om ugen, som består af at læse noget, slå noget op og skrive noget et andet sted?" Læs mere om, hvordan vi bygger AI-agenter og AI-automatisering.

Hvor går det galt – og hvilke kontroller hjælper?

AI-agenter er stærke, fordi de kan handle. Det er også derfor, de skal begrænses. De typiske risici:

• Forkerte handlinger med stor selvsikkerhed. En sprogmodel kan misforstå en ordre eller vælge det forkerte varenummer.
• For brede rettigheder. En agent med fuld adgang til ERP-systemet kan gøre mere skade end nødvendigt, hvis den fejler.
• Instruktioner gemt i indholdet. En e-mail kan indeholde tekst, der forsøger at få agenten til at gøre noget andet end tiltænkt ("prompt injection").
• Løbske omkostninger. En agent, der sidder fast i en løkke, kan bruge mange modelkald.
• Uklart ansvar. Hvem retter fejlen, når agenten har oprettet en forkert ordre?

Kontrollerne er velkendte fra almindelig IT-sikkerhed:

• Mindst mulige rettigheder. Agenten må kun det, opgaven kræver – fx oprette udkast, ikke bogføre.
• Menneskelig godkendelse af alt, der har økonomiske eller juridiske konsekvenser.
• Logning af hvert trin, så I kan se, hvad agenten gjorde og hvorfor.
• Grænser for antal trin, modelkald og beløb pr. opgave.
• Test på rigtige eksempler, inkl. de mærkelige, før agenten sættes i drift.

Behandler agenten personoplysninger, gælder GDPR, og træffer den afgørelser om personer, skal I også se på AI-forordningen. Digitaliseringsstyrelsen samler information om forordningen. Dette er generel information, ikke juridisk rådgivning.

Byg, køb – eller lad være

Det er ikke altid rigtigt at bygge en AI-agent selv. Flere standardsystemer har indbyggede AI-funktioner, og platforme som Microsoft Copilot Studio gør det pr. oktober 2026 muligt selv at sætte enkle agenter op.

Vælg et standardværktøj, når opgaven er almindelig, og det system, I allerede bruger, tilbyder en AI-funktion til den. Det giver opdateringer og support uden udviklingsomkostninger.

Vælg klassisk automatisering, når opgaven kan beskrives med faste regler. Det er billigere, hurtigere og mere forudsigeligt end en AI-agent.

Overvej en specialbygget AI-agent, når opgaven kræver forståelse af ustruktureret tekst, går på tværs af flere systemer, og I har brug for kontrol over data, logik og logning.

Lad være, når processen i sig selv er uklar. En agent automatiserer en dårlig proces lige så effektivt som en god.

Sådan kommer I i gang

1. Vælg én proces, der sker ofte og er nem at måle – fx antal ordremails pr. uge og minutter brugt pr. mail.
2. Mål udgangspunktet, før I bygger noget.
3. Saml 50–100 rigtige eksempler, også de svære.
4. Start med udkast, ikke automatiske handlinger. Agenten foreslår, et menneske godkender.
5. Udvid trinvist, når fejlraten er kendt og acceptabel.

Hvor lille en første agent kan være, viser en offentliggjort case fra NKKTech Global, en AI-udviklingsvirksomhed med base i Hanoi, Vietnam, for en voksende amerikansk teknologivirksomhed: en driftsagent i Slack, bygget på Claude API, RAG og Notion på 6 uger for USD 25.000. Kunden rapporterer 70 % mindre tid brugt på statusrapportering. Kunden er amerikansk, ikke dansk – mønsteret er det relevante: én afgrænset, gentagen opgave med klar måling.

Ofte stillede spørgsmål

Hvad koster en AI-agent? Det afhænger af, hvor mange systemer agenten skal arbejde i, og hvor meget kontrol der skal bygges ind. Som pejlemærke blev et af vores offentliggjorte agentprojekter – en driftsagent til én opgave – leveret på 6 uger for USD 25.000. Dertil kommer driften: forbrug af sprogmodel, hosting og vedligehold, som afhænger af antallet af opgaver.

Er AI-agenter sikre at bruge med vores data? De kan være det, hvis de er bygget med mindst mulige rettigheder, menneskelig godkendelse af vigtige handlinger, logning og en databehandleraftale med de leverandører, der behandler data. Start med en agent, der kun laver udkast, og giv den først flere rettigheder, når I kender fejlraten.

Hvad er forskellen på en AI-agent og RPA? RPA følger faste regler og klikker sig gennem skærmbilleder, så den er forudsigelig, men skrøbelig over for ændringer og ustruktureret input. En AI-agent bruger en sprogmodel til at forstå tekst og vælge næste skridt, så den håndterer variation bedre, men kan tage fejl og skal derfor kontrolleres.