Mange virksomheder har efterhånden prøvet en chatbot og opdaget, at den kan formulere et pænt svar, men ikke gøre noget ved sagen. AI-agenter er det næste skridt: software, der ikke bare svarer, men slår op, vurderer og udfører en opgave i flere trin. Spørgsmålet for de fleste IT-ansvarlige er derfor ikke længere, om teknologien virker, men hvilke opgaver den reelt kan få ansvaret for.

Svaret afhænger mindre af modellen og mere af opgaven. Nogle arbejdsgange passer næsten perfekt til en agent, mens andre bliver dyrere og mere risikable af at blive automatiseret.

Hvad adskiller en agent fra en chatbot

En AI-agent er et program, der bruger en sprogmodel til at forstå en opgave, planlægge løsningen og bruge værktøjer som opslag, API-kald og dokumenter for at komme i mål. En chatbot stopper ved svaret, hvor agenten fortsætter til handlingen.

Det lyder som en lille forskel, men den ændrer, hvad der står på spil. Når en chatbot tager fejl, får brugeren et forkert svar. Når en agent tager fejl, kan der blive sendt en mail, ændret en ordre eller registreret noget forkert i et system. Derfor handler valget af opgaver lige så meget om konsekvens som om teknisk mulighed.

Opgaver, der passer godt til en agent

Den bedste kandidat er en opgave, der kræver en vis vurdering, men som følger et genkendeligt mønster. Den slags arbejde er for varieret til klassisk regelbaseret automatisering og for ensartet til at kræve en specialist.

• Kundehenvendelser med opslag: agenten læser henvendelsen, finder ordren og lagerstatus og forbereder eller sender et svar.
• Dokumentbehandling: fakturaer og kontrakter bliver læst, klassificeret og ført videre til det rette system.
• Databerigelse: produkt- eller kundedata bliver suppleret med oplysninger fra flere kilder.
• Klassificering og routing: indkomne sager bliver sorteret og sendt til den rigtige afdeling.
• Rapportering: tal fra forskellige systemer bliver samlet til en fast rapport.

Fælles for dem er, at en erfaren medarbejder kan forklare reglerne for, hvordan opgaven løses, selv om hver enkelt sag ser lidt anderledes ud.

Hvor grænsen går

Agenter er dårlige til opgaver, hvor der ikke findes et mønster at følge. Strategiske beslutninger, forhandlinger, sager med store menneskelige eller juridiske konsekvenser og situationer, hvor svaret afhænger af viden, der ikke står nogen steder, hører stadig hjemme hos mennesker.

Der er også en mellemkategori, som ofte bliver overset: opgaver, agenten godt kan løse, men hvor fejl koster for meget til at lade den gøre det alene. At sende, ændre og betale er typiske eksempler. Her er løsningen sjældent at droppe automatiseringen. Agenten forbereder handlingen, og et menneske godkender den, så medarbejderen bruger sekunder på at sige god for resultatet frem for minutter på at lave det.

Den sidste grænse er data. En agent kan kun arbejde med det, den har adgang til, og den bør kun have adgang til det, opgaven kræver. En agent med for bred adgang er også sværere at holde styr på.

Sådan vælger man den første opgave

Et godt første projekt er afgrænset, gentages ofte og har et resultat, man kan måle. Hvor mange gange om ugen bliver opgaven løst, og hvor lang tid tager den hver gang? Ganget sammen giver de to tal et groft billede af, hvor meget tid der kan frigøres i løbet af et år.

Det næste spørgsmål er, hvad agenten må gøre på egen hånd. Skriv det ned, før der bygges noget. En klar liste over tilladte handlinger, og over hvilke handlinger der kræver et menneske, er den vigtigste sikkerhedsforanstaltning i hele projektet.

Når agenten skal bygges

For virksomheder uden egne udviklere med erfaring på området giver det mening at hente hjælp udefra. Bureauet humane bygger AI-agenter til konkrete arbejdsgange som kundehenvendelser, ordrehåndtering, databerigelse og dokumentbehandling. Agenten arbejder med virksomhedens ERP, webshop, CRM og dokumenter via sikre integrationer, der er klare regler for, hvad den må gøre selv, og alle handlinger bliver logget.

Forløbet starter med en kortlægning af opgaven og en afgrænset pilot på rigtige data til fast pris, med menneskelig godkendelse undervejs. Først når værdien er bevist, bliver agenten sat i drift med overvågning og udvidet til næste opgave. Valget af model sker teknologineutralt efter opgaven, blandt andet mellem OpenAI, Anthropic, Google og open source, og modellerne kan køre i EU, uden at virksomhedens data bruges til træning. Prisen på den fulde løsning afhænger af integrationer og kompleksitet og kommer først efter piloten.

Begynd med én arbejdsgang

Den mest almindelige fejl er at ville automatisere for meget på én gang. En agent, der løser én opgave stabilt, lærer organisationen mere end et stort projekt, der aldrig kommer i drift. Find den arbejdsgang, hvor medarbejderne bruger mest tid på gentagelser, og undersøg, om den følger et mønster. Gør den det, er den et oplagt sted at begynde, og hos humane kan man få den vurderet, før der bliver brugt penge på at bygge.