Hvad er en AI-agent til virksomheden? Komplet guide til kategorien

Hvad er en AI-agent til virksomheden, og hvordan adskiller den sig fra chatbots?

En AI-agent til virksomheden er software, der kan forstå en opgave beskrevet i almindeligt sprog, selv planlægge hvordan den skal løses, og derefter udføre den ved at arbejde i virksomhedens systemer som CRM (systemet til kunderelationer), økonomisystem, mail og dokumenter. En AI-agent kan have en chatbot som samtalegrænseflade. Adgang til virksomhedsdata og handlinger afhænger af integrationer og tilladelser.

En AI-agent til virksomheden er et stykke software, der kan forstå en opgave beskrevet i almindeligt sprog, selv planlægge hvordan opgaven skal løses, og derefter udføre den ved at arbejde i virksomhedens egne systemer: CRM, økonomisystem, mail, dokumenter og databaser. En AI-agent kan have en chatbot som samtalegrænseflade. Adgang til virksomhedsdata og handlinger afhænger af integrationer og tilladelser.

AI-agent til virksomheden er betegnelsen for en AI-drevet softwareassistent, der med adgang til virksomhedens data og systemer selvstændigt kan udføre flertrinsopgaver, fra at besvare kundehenvendelser med korrekt kontekst til at samle rapporter på tværs af systemer, inden for de rammer og tilladelser, virksomheden selv sætter.

Kategorien er ny, og begreberne flyder stadig. Derfor starter denne artikel med en ordentlig definition, forklarer hvordan en AI-agent adskiller sig fra de teknologier, I måske allerede kender (chatbots, RPA, altså software-robotter, og almindelig SaaS, altså software leveret over nettet) og gennemgår derefter, hvordan det fungerer i praksis, hvad det kan bruges til, hvornår det ikke giver mening, og hvordan man kommer i gang.

Hvad er en AI-agent til virksomheden, definitionen foldet ud

Ordet "agent" bruges i AI-verdenen om software, der ikke bare svarer, men handler. Tre egenskaber skal være til stede, før man meningsfuldt kan tale om en AI-agent i virksomhedssammenhæng:

1. Den forstår opgaver i naturligt sprog

En AI-agent bygger på en stor sprogmodel. Det betyder, at opgaven ikke skal oversættes til kode, regler eller flowdiagrammer, før agenten kan arbejde med den. "Find alle kunder, der ikke har svaret på vores tilbud fra sidste måned, og lav et udkast til en opfølgningsmail til hver" er en fuldt gyldig instruks. Det er den egenskab, der flytter automatisering fra IT-afdelingen ud til de medarbejdere, der faktisk kender opgaverne.

2. Den har adgang til virksomhedens systemer og data

En sprogmodel alene ved intet om jeres kunder, ordrer eller aftaler. Det, der gør en agent til en virksomheds-agent, er koblingen til virksomhedens egne systemer: CRM, ERP (økonomi- og ressourcestyring), mail, kalender, fildrev, databaser og fagsystemer. Koblingen kan ske gennem såkaldte connectors, færdigbyggede integrationer til de gængse systemer. Undersøg, hvilke af jeres systemer der findes færdige integrationer til, og hvad de giver adgang til.

3. Den kan planlægge og udføre i flere trin

Det tredje kendetegn er selvstændighed inden for rammer. En agent, der får opgaven "lav ugens salgsrapport", skal selv kunne finde ud af: hent tallene fra CRM'et, sammenhold med sidste uge, formatér som dokument, og læg det klar til mødet. Regelbaserede værktøjer kan også udføre flere trin og vælge mellem foruddefinerede grene. Det, der kendetegner en agent, er, at den selv planlægger trinnene ud fra en opgave beskrevet i almindeligt sprog.

Når alle tre egenskaber er til stede, taler nogle om, at virksomheden får et internalOS: et internt "styresystem" for virksomhedens viden og arbejdsgange, hvor agenter, data og processer bor samme sted, i stedet for at være spredt over snesevis af uafhængige cloud-værktøjer. Begrebet internalOS er ikke et produkt, men en måde at beskrive målet på: ét samlet lag, hvor virksomhedens AI arbejder på virksomhedens egne præmisser.

Interessen for området er ikke teoretisk. Ifølge Danmarks Statistik steg andelen af danske virksomheder med mindst ti ansatte, der bruger kunstig intelligens, fra 15 pct. i 2023 til 28 pct. i 2024: næsten en fordobling på ét år. I den citerede 2024-undersøgelse var tekstproduktion og tekstanalyse udbredte anvendelser.

Hvordan adskiller en AI-agent sig fra en chatbot, RPA og almindelig SaaS?

"Har vi ikke allerede en chatbot?" og "vi har jo automatiseret med RPA" er rimelige indvendinger, men de tre teknologier løser forskellige problemer.

Chatbot: en samtalegrænseflade

En chatbot er en samtalegrænseflade. Den kan besvare spørgsmål, fx på baggrund af en videnbase. Om den også kan handle, fx oprette en sag eller opdatere et kundekort, afhænger af de værktøjer og tilladelser, den er koblet til.

RPA: foruddefinerede trin

RPA (Robotic Process Automation) er software-robotter, der efterligner museklik og tastetryk efter en fast opskrift: åbn skærmbillede, kopiér felt 3, indsæt i system B. RPA følger foruddefinerede trin og betingelser, og ændringer i brugerflader kan kræve vedligehold. En AI-agent arbejder ud fra indholdet, fx en faktura eller en mail, og kan afprøves, hvor trinnene varierer.

Almindelig SaaS: en leveringsform

SaaS (software leveret som en tjeneste over nettet) beskriver leveringsformen. Hvilken automatisering og hvilke integrationer et SaaS-værktøj har, afhænger af produktet; HubSpot har fx egne workflows. En AI-agent kan arbejde på tværs af de systemer, I allerede har, hvis den får adgang til dem. Hvis I vil have en grundigere gennemgang af, hvad automatisering i selve CRM-laget kan, har vi skrevet en samlet guide til hvad CRM-automatisering er.

Sammenligning af AI-agent, chatbot, RPA og almindelig SaaS på de dimensioner, der betyder noget i praksis

Dimension	AI-agent	Chatbot	RPA	Almindelig SaaS
Forstår naturligt sprog	Ja, opgaver beskrives på dansk	Ja, i samtalen	Afhænger af værktøjet	Afhænger af produktet
Udfører flertrinsopgaver	Ja, planlægger selv trinnene	Afhænger af tilknyttede værktøjer og tilladelser	Ja, foruddefinerede trin og betingelser	Afhænger af produktets workflows
Håndterer variation og undtagelser	Arbejder ud fra indholdet; afprøv på jeres egne eksempler	Inden for videnbasen og de tilknyttede værktøjer	Inden for de foruddefinerede betingelser	Afhænger af produktet
Arbejder på tværs af systemer	Ja, hvis den får adgang via integrationer	Afhænger af tilknyttede værktøjer	Ja, via brugerflader eller integrationer; ændringer kan kræve vedligehold	Via produktets integrationer

Mål vedligehold, integrationer og kontrol i den konkrete løsning.

Pointen med tabellen er ikke, at AI-agenten "vinder" på alle punkter: det gør den ikke i alle situationer, hvilket vi vender tilbage til i afsnittet om, hvornår en agent ikke giver mening. Pointen er, at de fire kategorier ikke er konkurrenter på samme hylde. En agent kan sagtens arbejde sammen med jeres eksisterende SaaS-systemer og kan afprøves på de opgaver, hvor jeres RPA-robotter kræver meget vedligehold.

Hvordan virker det i praksis?

Teori er fint, men det afgørende spørgsmål er: hvordan ser det ud, fra en virksomhed beslutter sig, til medarbejderne faktisk bruger en agent i hverdagen? Her er forløbet i fire faser.

Fase 1: Behovet beskrives på dansk

Udgangspunktet er ikke et teknisk kravdokument, men en beskrivelse af det arbejde, der i dag tager tid: "Vores bogholder bruger hver mandag to timer på at afstemme indbetalinger mod fakturaer." "Kundeservice svarer på de samme ti spørgsmål igen og igen, men skal hver gang slå kundens ordrehistorik op først." "Salgschefen vil have en ugentlig oversigt, som i dag klippes sammen manuelt fra tre systemer."

Fordi agenten bygger på en sprogmodel, er den beskrivelse i sig selv det halve af specifikationen. Der er ingen oversættelse til flowdiagrammer eller kode som forudsætning: de medarbejdere, der kender opgaven bedst, kan formulere den direkte.

Fase 2: Løsningen co-skabes

Herefter bygges løsningen i samarbejde, det, man kan kalde co-skabelse. Virksomheden bidrager med domæneviden: hvilke systemer er involveret, hvad er en god og en dårlig løsning af opgaven, hvor går grænserne for, hvad agenten må gøre selv, og hvornår skal et menneske godkende. Leverandøren eller jeres egne udviklere bidrager med selve opsætningen: adgange til systemerne, instrukser, sikkerhedsrammer og test.

Co-skabelsen er vigtig, fordi en agent, der er sat op uden virksomhedens egen viden, risikerer at svare generisk og handle forkert i kanttilfældene. Det er i mødet mellem virksomhedens "sådan gør vi faktisk her" og den tekniske sides "sådan sættes det sikkert op", at en brugbar agent opstår.

Fase 3: Løsningen skal køre et sted, I kan stå inde for

Når agenten er bygget og testet, skal den køre et sted, og hvor er ikke en detalje. Spørg leverandøren, hvor jeres data ligger, om de ligger adskilt fra andre kunders, og om løsningen kan køre på jeres egen infrastruktur. Mere om det i næste afsnit. Vi bygger Agent360 OS, så hver virksomhed kan få sin egen instans med egen database. Indtil da bygger vi løsningen i jeres egne systemer.

Fase 4: Medarbejderne bruger den i hverdagen

Planlæg, hvordan medarbejderne skal bruge løsningen i hverdagen. Afprøv, hvor medarbejderne skal møde agenten, og mål, om placeringen understøtter deres arbejde. Det kan fx betyde, at agenten besvarer opgaver, hvor de opstår: den forbereder svar-udkast i kundeservicekøen, lægger den færdige rapport i den kanal, hvor mødet forberedes, og svarer på opslag ("hvad har vi aftalt med kunde X?") uden at medarbejderen skal jonglere fem systemer.

Et sundt tegn på en vellykket indførelse er, at medarbejderne holder op med at tale om "AI-projektet" og bare taler om, hvordan opgaven løses nu. Står agenten ubrugt, mens folk arbejder som før, så undersøg, om løsningen matcher det faktiske arbejde, og gå tilbage til fase 1 og 2.

Dataejerskab: GDPR i praksis

GDPR er EU's databeskyttelsesforordning. For danske virksomheder er databeskyttelse ikke et appendiks til AI-diskussionen, det kan være det spørgsmål, der afgør, om et projekt kan godkendes. Og med god grund: en AI-agent med adgang til CRM, mail og dokumenter behandler i sagens natur personoplysninger.

Hvorfor arkitekturen afgør GDPR-samtalen

I GDPR-vurderingen af en AI-løsning skal man kunne svare klart på tre spørgsmål: Hvor ligger data? Hvem har adgang? Og blandes vores data med andres? Det er her, arkitekturen bliver konkret. Spørg leverandøren om:

• Adskilte data: Ligger jeres data i en database, der kun rummer jeres data, eller i et datalag, der deles med andre kunder? Hvordan er adskillelsen sikret?
• Egen infrastruktur: Har I skærpede krav, så spørg, om løsningen kan køre på jeres egen infrastruktur, og hvad det kræver af drift.
• Gennemsigtighed: Kan det efterprøves, hvad løsningen gør med data, fx gennem dokumentation, revision eller adgang til koden?

Ingen arkitektur fritager for det juridiske hjemmearbejde: der skal stadig være behandlingsgrundlag, databehandleraftaler hvor det er relevant, og en konsekvensanalyse ved højrisiko-behandling. Datatilsynet har en samlet indgang til vejledning om kunstig intelligens og databeskyttelse, inklusive skabeloner til konsekvensanalyser og en regulatorisk sandkasse, hvor virksomheder kan få vejledning om GDPR og AI-forordningen.

AI-forordningen kommer oveni

Ud over GDPR skal danske virksomheder forholde sig til EU's AI-forordning (AI Act), der arbejder med en risikobaseret tilgang: jo større risiko et AI-system udgør for sikkerhed og rettigheder, desto skrappere krav. AI-forordningen finder anvendelse trinvist. Kontrollér EU-Kommissionens aktuelle tidsplan og kravene til jeres konkrete anvendelse. Virksomheder, der bruger AI i fx rekruttering eller kreditvurdering, skal være særligt opmærksomme.

Den korte version af hele afsnittet: dataejerskab er ikke en marketingfrase, men et arkitekturvalg. Spørg enhver leverandør: egen instans eller delt cloud? Self-host muligt eller ej? Kan koden efterprøves? Svarene indgår i jeres vurdering efter GDPR og AI-forordningen.

Hvad kan en AI-agent bruges til? Konkrete hverdagseksempler

Her er fire eksempler på arbejdsgange at afprøve, valgt som hverdagsopgaver.

Kundeservice-svar med kontekst

Et eksempel fra kundeservice. Agenten læser den indkomne henvendelse, slår kunden op i CRM og ordresystem, og skriver et udkast til svar, der tager højde for kundens faktiske historik: hvad de har købt, hvad de tidligere har spurgt om, hvad der er aftalt. Medarbejderen godkender, justerer eller omskriver. I dette eksempel bygger svaret på kundedata fra de tilknyttede systemer. En chatbot kan også bruge sådanne data, hvis den har de nødvendige integrationer og tilladelser. Og forskellen fra fuld automatisering er mennesket i loopet, agenten forbereder, medarbejderen beslutter.

Dataopslag på tværs af systemer

"Hvad har vi aftalt med kunde X?" kan være et spørgsmål, der kræver opslag i CRM, mailarkiv, tilbudsdokumenter og måske økonomisystemet: fem minutter her, ti minutter der, mange gange om dagen, ganget med alle medarbejdere. En agent med connectors til de relevante systemer kan besvare spørgsmålet samlet: seneste aftale, åbne tilbud, betalingsstatus, seneste korrespondance.

Rapporter, der samler sig selv

Ugerapporten, månedsrapporten, bestyrelsesbilaget: tilbagevendende dokumenter, hvor selve indsamlingen og formateringen tager tid, mens den egentlige værdi ligger i vurderingen. En agent kan trække tallene fra kildesystemerne, stille dem op i det aftalte format og aflevere et udkast, hvorefter mennesket bruger sin tid på at vurdere og beslutte i stedet for at klippe-klistre. Kvaliteten afhænger dog direkte af datakvaliteten i kildesystemerne; en agent, der rapporterer på et rodet CRM, producerer velformaterede fejl. Derfor hænger denne anvendelse tæt sammen med CRM-datahygiejne, og oprydningen kan være det første skridt.

Automatiske arbejdsgange med dømmekraft

Den fjerde kategori er arbejdsgange, hvor der indgår et element af vurdering, hvor faste regler ikke rækker: indgående mails, der skal sorteres og videresendes til rette person med et resumé; leads, der skal beriges med offentligt tilgængelige oplysninger og oprettes korrekt i CRM; opfølgninger, der skal formuleres forskelligt alt efter kundens situation. Det er her, en agent kan afprøves som alternativ til manuelt arbejde og RPA-opskrifter. En samlet gennemgang af mulighederne på salgssiden findes i vores komplette guide til automatisering af salgsprocesser.

Fællesnævneren for alle fire: agenten fjerner ikke fagligheden: den fjerner transporten af information mellem systemer og mennesker. Beslutningerne bliver hos medarbejderne; slæbearbejdet flytter til agenten.

Hvornår giver en AI-agent IKKE mening?

En troværdig guide skal også tegne grænsen. Der er situationer, hvor en AI-agent er det forkerte svar, eller det rigtige svar på det forkerte tidspunkt.

Når processen er fuldt regelbaseret og stabil

Hvis en opgave kan beskrives fuldstændigt med faste regler, aldrig varierer og kører i høj volumen (ren dataoverførsel mellem to systemer med fast format, for eksempel), så sammenlign en klassisk integration eller et simpelt script med en agent på omkostning, hastighed og fejlfinding. AI-agentens styrke er dømmekraft og variation; er der ingen af delene i opgaven, betaler man for en egenskab, man ikke bruger.

Når fejlomkostningen er høj og kontrol umulig

Opgaver, hvor en enkelt fejl er dyr eller irreversibel (udbetalinger, sletning af data, juridisk bindende svar) bør ikke overlades til en agent uden menneskelig godkendelse i loopet. Det betyder ikke, at agenten er ubrugelig dér; den kan forberede og indstille. Men "fuldautomatisk" er det forkerte ambitionsniveau, og en leverandør, der lover andet, skal man være skeptisk over for.

Når grunddata er kaos

En agent forstærker det datagrundlag, den står på. Er CRM'et fyldt med dubletter, forældede kontakter og tomme felter, vil agentens svar og rapporter afspejle det. I den situation er det rigtige første projekt ikke en agent, men oprydning og struktur, eventuelt med agenten som oprydningsværktøj, men med det som eksplicit mål.

Når organisationen ikke er med

Afklar både tekniske og organisatoriske forudsætninger. Udpeg en ejer, inddrag medarbejderne, og aftal opgave, ansvar og mål for afprøvningen. Signalet at holde øje med: kan I formulere præcist, hvilken opgave agenten skal overtage, og hvem der bliver glad, når den gør det? Kan I ikke, er I ikke klar endnu.

Når det reelle behov er noget andet

Nogle gange er den ærlige konklusion, at behovet dækkes bedre af noget enklere: et standard SaaS-værktøj, en integration, en ændret arbejdsgang. En god leverandør (og en god intern projektejer) siger det højt i stedet for at bygge en agent, fordi agenter er det, alle taler om.

Sådan kommer I i gang

Til sidst det praktiske: hvordan bevæger en virksomhed sig fra nysgerrighed til en agent i drift uden at fare vild? Guiden foreslår fem trin.

Trin 1: Vælg én konkret, tilbagevendende opgave

Ikke "vi vil have AI i virksomheden", men "vores kundeservice bruger anslået en formiddag om ugen på at slå ordrestatus op manuelt". Den bedste første opgave er tilbagevendende (så gevinsten gentager sig), afgrænset (så succes kan vurderes) og lav-risiko (så en fejl ikke er dyr). Undgå at starte med den mest komplekse proces i huset, den kan blive projekt nummer tre.

Trin 2: Beskriv opgaven, som den faktisk udføres

Sæt den medarbejder, der udfører opgaven i dag, til at beskrive den: hvilke systemer, hvilke undtagelser, hvad er et godt resultat, hvad er et dårligt. Denne beskrivelse på almindeligt dansk er fundamentet for co-skabelsen, og øvelsen kan vise, at opgaven rummer mere eller mindre dømmekraft end antaget.

Trin 3: Afklar data- og adgangsspørgsmålene tidligt

Hvilke data skal agenten kunne læse, og hvilke skal den kunne skrive i? Hvor skal løsningen køre: hos leverandøren eller på jeres egen infrastruktur? Hvem godkender agentens handlinger i starten? Tag GDPR-spørgsmålene her, ikke til sidst; brug eventuelt Datatilsynets AI-vejledningsmateriale som tjekliste for jeres egen vurdering.

Trin 4: Kør en afgrænset pilot med mennesker i loopet

Lad agenten forberede, mens medarbejdere godkender, og mål på noget konkret: tid sparet, svartid, kvalitet af udkast, antal gange agenten måtte rettes. Afgræns piloten til én opgave og ét team, og mål læring og resultater undervejs. Justér instrukserne løbende, og afklar, hvilke ændringer der kan klares i instrukserne, og hvilke der kræver udvikling og test.

Trin 5: Udvid dér, hvor medarbejderne trækker

Når den første agent virker, så indsaml medarbejdernes ønsker, og vurder hver ny opgave særskilt. Udvid efter træk fra organisationen frem for tryk fra et roadmap. Og genbesøg undervejs grænserne fra forrige afsnit: hver ny opgave skal bestå samme test som den første.

Rækkefølgen er tænkt til at undgå to fælder: pilot-kirkegården (mange forsøg, intet i drift, fordi opgaverne var for store) og big bang-projektet (ét kæmpe projekt, der aldrig lander, fordi alt skulle med fra start).

Vil I have hjælp til at finde den første opgave, en AI-agent kan forberede hos jer, så kontakt os.

Ofte stillede spørgsmål om AI-agenter til virksomheden

Hvad er forskellen på en AI-agent og ChatGPT?

ChatGPT kan også forbindes til virksomhedens data og værktøjer og udføre flertrinsopgaver. Mulighederne afhænger af abonnement, opsætning og tilladelser. Sammenlign derfor konkrete funktioner og kontroller frem for produktnavne.

Kræver en AI-agent, at vi udskifter vores nuværende systemer?

Ikke nødvendigvis. Afklar, om jeres eksisterende systemer kan give den nødvendige adgang, og hvilke integrationer eller ændringer løsningen kræver.

Er en AI-agent GDPR-lovlig?

Det kan den være, når den indføres rigtigt. Det afgørende er arkitekturen (hvor ligger data, blandes de med andres?), adgangsstyringen og det juridiske grundlag, behandlingshjemmel, databehandleraftaler og eventuelt en konsekvensanalyse. Dataadskillelse og adgangsstyring skal indgå i vurderingen sammen med behandlingsgrundlag, aftaler og eventuelle overførsler til tredjeparter. Datatilsynet har samlet vejledning om AI og databeskyttelse.

Hvad betyder "internalOS"?

internalOS er en betegnelse for idéen om et internt "styresystem" for virksomheden: ét samlet lag, hvor AI-agenter, virksomhedens data og arbejdsgange bor sammen, i stedet for at være spredt over mange uafhængige cloud-værktøjer. Det er en beskrivelse af målet med en virksomheds-AI-platform, ikke et bestemt produkt.

Erstatter en AI-agent medarbejdere?

Guidens anbefaling er at lade agenten forberede opslag, sortering og udkast, mens medarbejderne beholder vurdering og beslutning.

Hvor lang tid tager det at komme i gang?

Det afhænger af opgavens kompleksitet og af, hvor hurtigt data- og adgangsspørgsmålene kan afklares. Varigheden afhænger af opgaven, systemadgangene, datagrundlaget og de nødvendige kontroller.