Overalt udråbes “AI-agenternes år”. På YouTube, X og i konferenceoplæg overgår løfterne hinanden: Agenter skulle erstatte hele afdelinger og snart gælde som fuldgyldige medarbejdere. Meget af det er ganske enkelt forkert eller i det mindste stærkt overdrevet. I en samtale i podcasten “Marketing Against the Grain” beskriver Joe Mora, CEO og grundlægger af crewAI, situationen nøgternt – inklusive en ærlig vurdering af, hvad der virker i dag, og hvad der netop ikke gør. For beslutningstagere i SMV’er er præcis den skelnen mellem substans og markedsføring afgørende, før budgetterne ruller.
- En AI-agent er mere end en chatbot: Den får en opgave, arbejder autonomt og bruger undervejs hukommelse (memory) og værktøjer (tools) til at få adgang til systemer som CRM eller ERP.
- Agenter er reelt i brug – men langsommere og mere fejlbehæftede, end hypen antyder. Vi er i afprøvningsfasen, ikke i fuld automatisering af hele afdelinger.
- At starte rigtigt betyder: vælg enkle anvendelsestilfælde med lave krav til præcision, ikke højkritiske processer som skatteblanketter.
- Flere mennesker bliver i processen (“human in the loop”), end mange forventer. Kontrol og sporbarhed er helt centralt.
- Kun omkring 15 procent af de adspurgte virksomheder har agenter i produktiv drift – starter du nu, er du blandt dem, der bevæger sig tidligt.
Hvad en AI-agent overhovedet er
Store sprogmodeller som dem bag ChatGPT eller Claude er i kernen meget gode til at forudsige det næste ord og frembringe indhold. De skriver en e-mail, gør den mere afslappet på opfordring og kan endda vælge mellem to varianter med en begrundelse – en slags rudimentær bedømmelse.
En agent bruger netop den evne til selvstændigt at tænke et problem igennem. Forskellen fra chatten: Du giver agenten en opgave og kan forlade lokalet. Den forsøger så autonomt at nå et mål over flere skridt. Mora sammenfatter det: En agent har brug for agency, altså handlekraft.
To byggesten er typiske for det:
- Memory (hukommelse): Så agenten fastholder information på tværs af de enkelte skridt – på kort og på langt sigt.
- Tools (værktøjer): Grænseflader til andre systemer som CRM, ERP eller researchtjenester, så agenten kan handle på dine vegne.
Virkelighedstjekket: langsom, men nyttig i baggrunden
Som eksempel bruges OpenAIs “Operator”, tilgængelig i ChatGPT Pro-varianten for omkring 200 US-dollar om måneden. Agenten styrer en browser og kan for eksempel undersøge hoteller, flyafgange eller restauranter. Dommen i samtalen er nøgtern: Operator er langsom og til tider besværlig – anslået ti gange langsommere end et menneske ved den samme opgave.
Det afgørende: Ved opgaver, der gerne må køre i baggrunden, betyder langsomheden næsten intet. Mora beskriver, hvordan han bruger agenter til sine opslag på sociale medier: taste idéen ind, hente kaffe, arbejde videre – og udkastet er færdigt, når han kommer tilbage. Sådan får han jævnligt gjort noget, han ellers lod ligge af tidsmæssige grunde.
Kerneidé: Latens er ukritisk, når en lille “hær” af agenter afvikler opgaver i baggrunden, mens du beskæftiger dig med noget vigtigere.
Tillid og kontrol: hvorfor mennesket skal forblive synligt
Et centralt spørgsmål ved autonome agenter er betjeningslogikken: Skal agenten blot melde en bordbestilling som “udført”, eller skal man kunne se den arbejde? Operator satser på at lade agenten arbejde synligt, så man til enhver tid kan gribe ind.
Det har to grunde: sikkerhed og tillid. Man ser, hvad der sker, og kan korrigere. Et advarende eksempel fra samtalen: En tidlig e-mail-agent skulle kun oprette udkast, men begyndte selv at sende til dels kuriøse mails af sted. Særligt i virksomheder gælder: Automatiserer du en kritisk proces, vil du kunne visualisere, kontrollere og senere efterprøve den.
Sådan starter du rigtigt: lav præcision først
Den nok mest praktiske anbefaling handler om valget af de første anvendelsestilfælde. Mora skelner mellem lave og høje krav til præcision:
- Lav præcision (omkring 90 procents nøjagtighed rækker): for eksempel en agent, der laver udkast til salgspræsentationer ud fra samtaletransskriptioner eller CRM-data. Fejl er til at bære her og nemme at rette.
- Høj præcision (99,99 procent nødvendigt): for eksempel udfyldning af skatte- eller myndighedsblanketter. Mora nævner blanketter på over 70 sider og manualer på 620 sider – her må intet gå galt.
Den klare melding: Start ikke ved høj præcision, ellers brænder du fingrene. Begynd enkelt, og skalér derfra.
Fire retningslinjer til at komme i gang
- Tag den til dig tidligt: Skaf dig et forspring i stedet for at vente.
- Vent ikke på andres anvendelsestilfælde: Se ikke på, hvad koncern X gør – find dit eget, enkle startpunkt.
- Begynd enkelt: Del en rolle op i enkeltopgaver, og tag fat i dem med lave præcisionskrav.
- Byg ud mod “low risk, high impact”: Udvid trin for trin til tilfælde med lav risiko og høj nytte.
Et praktisk tip fra samtalen: Tag en konkret rolle – for eksempel en sælgers (BDR) – og få opgaverne delt op i lav og høj præcision. Netop de lavpræcise opgaver er ideelle forsøgsmarker. Til selve bygningen findes der i dag flere veje: no-code-platforme til mindre tekniske brugere såvel som frameworks til udviklere, der programmerer agenter i Python.
Sådan bruger virksomheder agenter rigtigt
Den forkerte tilgang er at bygge agenter som en ren 1:1-kopi af et menneskeligt job. Mere vellykket er det at automatisere enkelte mikroopgaver, så mennesker bliver frigjort til noget vigtigere – en slags forfremmelse: Ansvaret for slutresultatet bliver hos mennesket, agenten overtager forarbejdet.
Et eksempel fra praksis: Et teleselskab automatiserer kontraktanalysen. Før en kontrakt lander hos juridisk afdeling, leverer agenter allerede anbefalinger og markerede ændringer (“red lines”). Sådan kan man skalere ting, der før var for dyre.
Med hensyn til forankringen i virksomheden tegner der sig et mønster: væk fra enkelte medarbejdere, der i smug bruger ChatGPT og undervejs måske afgiver følsomme data og låser viden inde i siloer – hen mod en central styring, ofte under CIO, CTO eller en Head of AI. Det giver kontrol over, hvilke modeller der bruges, og hvordan personoplysninger håndteres. Den virkelig store værdi hentes af tekniske hold, fordi komplekse automatiseringer skal bindes dybt sammen med ustrukturerede data og virksomhedens egne systemer.
Konkrete anvendelsestilfælde i marketing og salg
Tre eksempler fra samtalen viser, hvad agenter duer til i dag:
- Lead-berigelse med hypoteser: Tilmelder nogen sig for første gang på en hjemmeside, undersøger agenter personen og virksomheden. Derudover danner de hypoteser om, hvordan netop den person kunne bruge produktet, strukturerer resultatet som JSON og sender det videre til HubSpot og ind i produktdatabasen. Resultat: hyperpersonaliserede e-mails og målrettede produktforhåndsvisninger.
- Salgsforberedelse: Agenter undersøger kunder på forhånd – for eksempel via researchværktøjer som Perplexitys Sonar. Dermed forbereder en sælger sig ikke nødvendigvis hurtigere, men bredere og bedre og kan tage flere møder. Tillokkende er også tanken om at kopiere den bedste sælgers fremgangsmåde, så alle er forberedt på det niveau.
- SEO- og konverteringsoptimering: Agenter tager screenshots af ens egen hjemmeside, analyserer tekster og konkurrenter og udleder heraf hypoteser om, hvad der kunne ændres. Det menneskelige input forbliver slankt: ens egen hjemmeside, en branchebeskrivelse og målet med optimeringen. Resten klarer agenterne, og de leverer forslag til A/B-test.
Hvor forventning og teknik ikke mødes
Det største mismatch mellem hype og virkelighed ligger ifølge Mora i to punkter:
- Mere menneske i processen end antaget: Netop nu er der brug for markant mere “human in the loop”. Fuldt gennemgående end-to-end-automatisering – især ved højpræcise processer – er ikke nået dertil endnu. Agenter går stadig ofte i stå undervejs.
- Integrationen er mere krævende end ventet: I virksomheder sidder der meget “lim” mellem systemerne. For at agenter kan navigere de stier korrekt, kræves der klar kode og klare instruktioner. Det er ikke tilfældigt, at branchen begynder ved browseren – der findes en fælles grænseflade. Mange firmaer bruger dog desktop-software, som ikke engang er online.
Adoptionstallet er bemærkelsesværdigt: Af omkring 4.000 til 4.500 adspurgte personer havde kun cirka 15 procent agenter i produktiv drift, i store virksomheder omkring 23 procent. Da de adspurgte i forvejen er teknisk orienterede, ligger tallet formentlig lavere i økonomien som helhed. Budskabet til beslutningstagere: Det er meget tidligt – og starter du nu, hører du stadig til dem, der bevæger sig hurtigt.
Agenter som fremtidigt ansættelseskriterium
Et perspektiv, der får en til at spidse ører: Microsofts CEO Satya Nadella skitserede, at mennesker fremover også kan blive ansat på grund af de agenter, de har bygget – i stedet for kun på grund af certifikater og tidligere erhvervserfaring. Mora er enig, mindre på grund af agenterne i sig selv, men fordi de siger noget om personen. Hos crewAI må ansøgere udtrykkeligt bruge alle AI-værktøjer under engineering-interviewet – den, der ikke gør det, falder igennem. Hvor godt nogen bruger de værktøjer, vejer tungt i ansættelsesbeslutningen.
Konklusion
Lige nu er det fasen, hvor mange virksomheder afprøver agenter og sætter dem i produktion – men ikke fasen, hvor agenter overtager medarbejderstaben. Den nøgterne virkelighed: Agenter er i dag ofte langsommere end mennesker, kræver opsyn og går stadig jævnligt i stå. Deres værdi folder sig ud ved baggrundsopgaver, ved mikroopgaver inden for en rolle og alle de steder, hvor fejl er til at bære. For beslutningstagere i SMV’er betyder det: start småt og enkelt, begynd ved lave præcisionskrav, hold mennesket synligt i sløjfen, og byg trin for trin ud mod tilfælde med lav risiko og stor virkning. Går du sådan til værks, samler du praktisk erfaring i dag – uden at falde for hypen.