RPA vs. agentic AI: fremtiden for automatisering

Kort fortalt: RPA (Robotic Process Automation) automatiserer faste, regelbaserede opgaver ved at følge et scriptet flow: klik her, kopiér der, indsæt i felt X. Det er hurtigt, billigt og pålideligt, når processen er stabil og inputtet struktureret. Agentic AI går et skridt videre: en AI-agent forstår et mål, læser kontekst, træffer beslutninger undervejs og håndterer også ustruktureret input og uventede ændringer. RPA gør præcis det, den får besked på. En agent finder selv ud af hvordan. I praksis er fremtiden ikke enten-eller, det er de to teknologier kombineret.

Hvad er RPA, regelbaseret automatisering af faste flows

RPA er software-robotter, der efterligner de klik og tastetryk et menneske ville lave i et system. En RPA-robot logger ind i et program, henter data fra ét felt, flytter det til et andet, sender en e-mail eller opdaterer en post, nøjagtigt som den er programmeret til. Teknologien har været en stor gevinst for danske virksomheder i over et årti, netop fordi den er forudsigelig og let at revidere.

Styrken ved RPA ligger i det regelfaste. Har du en proces, der ser ens ud hver eneste gang (fakturaer i samme skabelon, dataoverførsler mellem to systemer, natlige batch-kørsler) så er RPA ofte det rigtige og billigste valg. Robotten arbejder døgnet rundt, laver ikke slåfejl, og du kan følge hvert skridt, den tager. For opgaver med et klart “hvis A, så B”-mønster er der sjældent grund til at bygge noget mere avanceret.

Hvor RPA typisk bruges

• Overførsel af data mellem systemer, der ikke taler sammen (fx ERP og et ældre fagsystem)
• Udtræk og indtastning af strukturerede data fra faste skabeloner
• Rapport-generering og planlagte, gentagne kørsler
• Simple godkendelses- og notifikationsflows med klare regler

Begrænsningerne ved RPA

RPA’s største styrke (at den følger reglerne præcist) er også dens svaghed. En RPA-robot forstår ikke, hvad den laver. Den udfører instruktioner uden kontekst, og det giver tre tilbagevendende udfordringer.

Skrøbelig ved ændringer. Fordi robotten typisk er bundet til en bestemt skærmopbygning eller feltplacering, kan selv en lille ændring vælte den. Flytter en leverandør en knap, omdøber et felt eller opdaterer sit brugerinterface, stopper robotten, eller værre, den udfører skridtet forkert uden at opdage det. Det skaber et løbende vedligeholdelsesbehov, som mange undervurderer, når de regner på gevinsten.

Kun struktureret input. RPA fungerer bedst, når data kommer i et forudsigeligt format. Så snart inputtet varierer: en e-mail formuleret i fri tekst, en faktura i et layout robotten ikke kender, et dokument hvor oplysningerne står forskellige steder, falder den klassiske RPA-robot fra. Den kan ikke fortolke; den kan kun matche mønstre, den er sat op til at genkende.

Ingen dømmekraft. Møder robotten en undtagelse, der ikke er beskrevet i reglerne, kan den ikke selv finde en vej. Den stopper og venter på et menneske. I processer med mange kantsituationer betyder det, at “automatiseringen” i praksis stadig kræver en del manuel håndtering.

Hvad agentic AI tilføjer

Agentic AI bygger på store sprogmodeller og er designet til at arbejde mod et mål frem for at følge et fast script. Hvor RPA får en trin-for-trin-opskrift, får en AI-agent en hensigt (“afstem denne faktura mod ordren og markér afvigelser”) og finder selv ud af, hvordan opgaven løses.

Den forstår kontekst. En agent kan læse og fortolke ustruktureret information: e-mails i fri tekst, dokumenter i vekslende layout, kundehenvendelser formuleret på almindeligt dansk. Den udleder mening frem for blot at matche felter, og kan derfor håndtere input, der ville stoppe en traditionel robot.

Den tilpasser sig. Ændrer en proces sig, eller dukker en situation op, som ikke var forudset, kan agenten ræsonnere sig frem til et fornuftigt næste skridt i stedet for at gå i stå. Det gør automatiseringen mere robust over for netop de småændringer, der ellers vælter RPA.

Den træffer beslutninger undervejs. En agent kan vurdere, sammenholde flere kilder, vælge mellem handlemuligheder og bede om hjælp, når noget er reelt tvivlsomt. Det flytter automatiseringen fra “gør præcis dette” til “opnå dette resultat”.

Til gengæld kræver agentic AI en anden form for styring. Fordi en agent træffer egne valg, skal den have klare rammer, mulighed for menneskeligt tilsyn ved vigtige beslutninger og gode kontroller, så man kan følge, hvad den har gjort og hvorfor. En agent er kraftfuld, netop fordi den ikke er fuldt forudsigelig, og det stiller krav til, hvordan man indfører den ansvarligt.

RPA vs. agentic AI: direkte sammenligning

Dimension	RPA	Agentic AI
Regler vs. mål	Følger et fast, forudprogrammeret script trin for trin	Arbejder mod et defineret mål og vælger selv fremgangsmåden
Robusthed ved ændringer	Skrøbelig, små ændringer i systemet kan stoppe robotten	Fleksibel, kan ræsonnere sig igennem uventede ændringer
Ustruktureret input	Håndterer primært strukturerede, forudsigelige data	Læser og fortolker fri tekst, dokumenter og varierende formater
Vedligehold	Løbende opdatering hver gang et system eller layout ændrer sig	Mindre følsom over for småændringer, men kræver styring, tilsyn og evaluering
Hvornår vælger man hvad	Stabile, højvolumen, regelfaste opgaver med struktureret data	Opgaver med variation, fortolkning, dømmekraft eller ustruktureret input

Tabellen viser en vigtig pointe: der er ikke en vinder på tværs af alle felter. RPA vinder på simpelhed, forudsigelighed og pris i de rette opgaver. Agentic AI vinder på fleksibilitet og evnen til at håndtere det rodede input, som virkeligheden faktisk består af. Valget afhænger af opgavens karakter, ikke af, hvilken teknologi der er nyest.

Sådan kan de to kombineres

I praksis er det sjældent et spørgsmål om enten RPA eller agentic AI. De to teknologier løser forskellige dele af den samme proces, og de bedste løsninger sætter dem sammen.

Et typisk mønster: AI-agenten håndterer fortolkningen og beslutningen, mens RPA udfører den strukturerede handling. Forestil dig indgående fakturaer i alle mulige formater. En RPA-robot alene ville falde over de fakturaer, den ikke genkender. Sætter man en AI-agent foran, kan agenten læse og forstå hver faktura uanset layout, udtrække de rigtige oplysninger, vurdere om noget kræver menneskelig godkendelse, og derefter overlade selve indtastningen i økonomisystemet til en stabil, veltestet RPA-robot.

Fordelingen giver mening: agenten tager det, der kræver forståelse og dømmekraft; robotten tager det gentagne, regelfaste skridt, den udfører perfekt hver gang. Du får fleksibiliteten fra agentic AI dér, hvor virkeligheden er rodet, og pålideligheden fra RPA dér, hvor processen er fast.

For de fleste virksomheder er den realistiske vej derfor ikke at rive eksisterende RPA ned. Det er at beholde den, hvor den fungerer, og lægge et intelligent lag ovenpå til de dele af arbejdsgangene, hvor regler ikke slår til. Sådan modner man automatiseringen trin for trin frem for at satse alt på én omlægning.

Hvad betyder det for din virksomhed

Hvis du allerede kører RPA og oplever, at robotterne ofte går i stå på undtagelser, kræver konstant vedligehold eller ikke kan håndtere de e-mails og dokumenter, der kommer i fri form, så er det ofte dér, agentic AI giver mest værdi. Omvendt: har du en stabil, regelfast proces, der bare skal køre, er der sjældent grund til at gøre den mere avanceret, end den behøver at være.

Det rigtige første skridt er som regel at kigge på en konkret arbejdsgang: hvor er den regelfast, og hvor kræver den fortolkning og dømmekraft? Den opdeling afgør, hvad der skal automatiseres med hvad, og hvordan de to lag spiller sammen.

Book en AI-samtale

Hos Agent360 bygger vi AI-agenter, automatisering og rådgiver om, hvordan de spiller sammen med den automatisering, I allerede har. Vi hjælper med at afklare, hvor RPA er det rigtige, hvor agentic AI løfter, og hvordan de to kombineres til en løsning, der holder i drift.

Book en uforpligtende AI-samtale, så gennemgår vi jeres processer og peger på, hvor der er reel værdi at hente, uden overflødig teknologi.