Overvejelserne bag en AI-agent

Hvad er en trigger, og skal alle agenter have en?

En trigger er det, der sætter en agent i gang på anden vis end en chat, og nej, ikke alle agenter skal have en. Triggers er det, der fik os til at begynde at snakke om autonome agenter, eller det, nogen nu kalder autopiloter. I stedet for at nogen skriver til agenten i et chatvindue, starter den på grund af en hændelse.

Eksemplerne er mange:

• en e-mail, der lander i en specifik indbakke eller folder
• at agenten kalder et flow
• oprettelse af en produktionsordre
• en gentagende kørsel, recurring, en gang i timen eller om dagen
• en fil, der lægges på SharePoint

Microsofts autopilot Scout tager det et skridt videre: du skriver bare, at den skal holde øje med e-mails, du har sendt uden at få svar, og så bygger den selv automatiseringen. Det er en slags skriftlig trigger, hvor agenten får et mål og selv vurderer, hvornår den skal handle.

Skal alle agenter så have en trigger? Nej. En trigger gør agenten til en autonom agent eller autopilot. Der skal kun konfigureres triggers for de agenter, der skal gøre noget i et andet interface end en chat.

Hvordan vælger man den rigtige sprogmodel?

Vælg ikke altid den nyeste topmodel, for så får du altid den dyreste løsning. Valget af sprogmodel er et af de første steder, hvor du for alvor skal tænke dig om. En top reasoning-model som GPT-5.6 kan sagtens vælges, den er dyrest og løser opgaven hurtigt, men hvis en billigere model giver et lige så godt resultat, blot lidt langsommere, sparer du en hel masse tokens og dermed penge.

Det afhænger af opgaven:

Husk datasikkerhed, EU-datagrænser og GDPR, før du vælger. Du kan altid skifte model, men har du først sendt data ud af EU, er de data ude af EU.

En historie fra virkeligheden illustrerer, hvorfor modelvalget betyder noget. En kollega byggede en AI-løsning til CVR-tjek, der skulle finde oplysninger om kunder online. Den første model gav hjernedøde svar, den påstod hårdnakket, at Abakion havde et forkert CVR-nummer og lå på en adresse, virksomheden aldrig har haft. Den nyere, større model svarede derimod ærligt, at den slet ikke havde adgang til internettet. Den første model havde som eneste succeskriterie at svare, så den opfandt bare svar. Nyere reasoning-modeller er kloge nok til at verificere frem for at gætte.

Hvad er de vigtigste dele af en god instruktion?

En god instruktion har fire overskrifter: rolle og formål, tone og format, scope eller guardrails, samt undtagelser, antagelser og eskalering. Instruktioner har udviklet sig meget over den sidste periode.

Rolle og formål er forholdsvis simpelt. Hvad er agentens rolle, for eksempel en indkøbsassistent, der håndterer ordrebekræftelser, og hvad er dens formål? Hold det kort og simpelt.

Tone og format handler om, hvordan agenten svarer. En agent, der kommunikerer med kunder eller kollegaer, skal have en tone. En autonom agent, der bare opdaterer felter i Business Central, behøver hverken tone eller format.

En vigtig pointe: skriv i tredje person og så direkte som muligt. Gør det her giver klart bedre og billigere resultater end jeg vil have, at du eller du skal. Det gælder, uanset om du arbejder i Copilot Studio, Claude eller Copilot. Instruktioner er sjældent et one take, du itererer på dem, og et langt instruktionssæt kan med fordel pastes ind i Claude eller ChatGPT med besked om at optimere det og fjerne fyldeord.

Hvad er forskellen på guardrails og scope?

Guardrails beskriver, hvad agenten skal lade være med, og scope beskriver agentens kerneopgave. De er to sider af samme sag. En guardrail kan være, at en public agent ikke skal udtale sig om konkurrenters produkter eller give en pastaopskrift. Scope beskriver det modsatte, det agenten skal løse. Begge dele bor i skrevet sprog i instruktionerne.

Der findes også en anden slags guardrail, som mere er sikkerhedsadministration. Når du giver en agent adgang til en mailboks, et ERP-system eller SharePoint, styrer du på kildesystemniveau, hvad den må se og gøre, helt ned til sikkerhedsrolleniveau. Bruger du en MCP-forbindelse, kan du styre, at agenten ikke bare må slette og oprette.

Hvordan håndterer man undtagelser, antagelser og eskalering?

Målet er at få agenten så meget i tvivl, at den eskalerer til et menneske, human in the loop, i stedet for at træffe en forkert beslutning. Undtagelser, antagelser og eskalering hænger sammen.

En undtagelse illustreres med en fodboldtrøje købt som gave mere end 30 dage før den blev givet. En stiv agent ville have afvist byttet ud fra reglen om 30 dages returret. Et rigtigt menneske i butikken kunne se, at det var naturligt at gøre en undtagelse. Havde det været en stiv agent hos ens største kunde, kunne den dårlige oplevelse have kostet forholdet. Sådan en undtagelse er en edge case, og edge cases er netop der, hvor antagelser og undtagelser håndteres.

En antagelse er den anden side. Beder du en agent om at oprette demodata uden at sige hvor, kan den antage, at det skal være samme sted som sidst, og overskrive dine data. Løsningen er at få den til at spørge frem for at antage. Og skal agenten svare ud fra videnskilder, bør du kræve, at den altid angiver en kilde, så du ved, det ikke er en antagelse.

Eskalering kan konfigureres via instruktioner, for eksempel at agenten skal verificere, før den laver ændringer i systemet, og give besked på Teams eller mail.

Hvad er et skill, og hvorfor sparer det penge?

Et skill er et undersæt af instruktioner i en markdown-fil, som agenten kun indlæser, når det er relevant, og det sparer tokens. Skills er nok den største ændring til agenter længe. I gamle dage ville man have skrevet alt ud i ét langt, måske selvmodsigende instruktionssæt. Nu laver man i stedet et skill, for eksempel find top 10 kunder i vores Business Central-løsning, som agenten kan få adgang til.

Skills giver to store fordele:

• Et skill er en markdown-fil, du kan eksportere og importere mellem agenter.
• Økonomi. I et forbrugsafregnet setup koster det tokens, hver gang agenten skal forholde sig til sine instruktioner. Ved at lægge detaljerne i skills og kun henvise til dem, indlæser agenten kun et skill, når der rent faktisk er brug for det. Man kan barbere instruktioner fra 6000 til 2000 karakterer og lægge resten i skills.

Et skill kan også være noget, Microsoft har lavet, for eksempel det skill, der lærer Copilot at generere Word-dokumenter. Har du rullet Claude ud i virksomheden, kan du lave dit eget skill med brand guidelines, så farver og font bruges hver gang. Nicolaj skriver sjældent sine skills fra bunden. Han løser opgaven med Claude Cowork eller Claude Code, og når resultatet er godt, beder han modellen om at generere et skill ud fra samtalen. Microsoft har endda et community-repository på GitHub, hvor et team kaldet CAT, Copilot Acceleration Team, godkender indsendte skills, lidt som en App Store.

Hvornår bruger man en connector, og hvornår en MCP-forbindelse?

Brug en connector, når opgaven er simpel og fastdefineret, og en MCP-forbindelse, når agenten skal kombinere data fra flere tabeller. Tools er der, hvor agenten kædes sammen med systemer og får adgang til workflows eller automatiseringer.

MCP-serveren til Business Central kan give adgang til tabeller, men også til at bogføre, frigive, taste og slette data. Sikkerheden for det styres på en side i Business Central.

Noget nyt er computer use, hvor agenten faktisk kan styre computeren. Til forskel fra gammeldags RPA og makroer, der fejler, hvis en knap flytter sig, kan du sige til agenten, gå ind på dsb.dk, find rejseplanen og fortæl, hvornår toget mellem København og Aarhus går. Så finder den selv ud af, hvilke felter der skal udfyldes.

Hvornår bruger man et skill, og hvornår en connected agent?

Brug et skill, indtil opgaven bliver så stor, at den er uoverskuelig at vedligeholde i et skill, og skift så til en connected agent. Connected agents betyder, at en agent kan kalde en anden agent, så de arbejder sammen, ligesom når du ringer til en kollega for at få hjælp med en opgave. Skills er nye, så grænsen er endnu ikke skarp, men tommelfingerreglen er, at når det, subagenten eller skillet skal, bliver for stort og besværligt, så bruger man en connected agent i stedet.

En subagent kan også bruges til at spare på kontekstvinduet. Hvis du arbejder med store datasæt, og noget data skal verificeres, før hovedagenten træffer en beslutning, kan selve verificeringen lægges i en subagent. Så fylder det tunge data ikke hovedagentens kontekstvindue, og subagenten sender bare svaret tilbage, at data er good to go.

Et kontekstvindue er den mængde, en AI-model kan holde i hukommelsen på én gang. Jo større og dyrere model, jo højere kontekstvindue. Har du haft en lang samtale med Claude eller Copilot, oplever du, at den på et tidspunkt begynder at komprimere chathistorikken, fordi vinduet er ved at fylde op. Det er lidt som en rygsæk, der bliver fuld, så man må tage delelementer ud for at få plads til mere. De nyere modeller har fået større og større kontekstvinduer.

Hvad er forskellen på knowledge og data i en agent?

Knowledge er den viden, agenten skal have ud over grundmodellen, mens data er noget, den henter fra et system som Business Central. En grundmodel som ChatGPT eller Claude har en grundviden, den er trænet på, men den kender for eksempel ikke igangværende begivenheder, medmindre den får lov at søge på nettet. Den første overvejelse er derfor, om agenten skal kunne svare ud fra generel websearch-viden, eller kun ud fra den viden, du har givet den.

Du kan tilføje SharePoint og OneDrive for Business, uploade filer som PDF, Word og Excel, og under Advanced tilføje kilder som Confluence og Jira. En vigtig skelnen: vil du have agenten til at bruge Business Central-tabeller, er det ikke knowledge, men data, den skal hente, og det hører hjemme under tools via MCP-serveren.

To praktiske råd. For det første, læg dokumenter som produktblade et sted, agenten kan hente dem fra, i stedet for at uploade dem i agenten, så du slipper for at uploade en ny version hver gang. Vær opmærksom på, at SharePoint ikke tillader external facing, så en kundevendt agent ikke kan få adgang til interne SharePoint-dokumenter af sikkerhedshensyn. For det andet, saml din viden ét sted af økonomiske årsager. Lige meget hvor godt du instruerer, vil en agent, der skal vælge mellem SharePoint og OneDrive, gå forkert en gang imellem og brænde tokens af på at lede det forkerte sted.

Hvornår er en agent en succes?

En agent er en succes, når den opnår det, du havde tænkt dig, den skulle, da du begyndte at bygge den. Det er faktisk det allerførste sted at starte: hvad vil jeg opnå, og hvornår er jeg tilfreds? Succeskriterier kan defineres i instruktioner og skills, og i Copilot Studio kan du bruge evaluation til at teste agenten op imod spørgsmål og forventede svar.

Men der er en fælde. Agenter har det mindset, at de er en succes, når de har løst den opgave, du bad om, uanset hvordan. Har du ikke været tydelig om, hvornår den er færdig, synes den, den er lykkedes. Der kører netop nu en historie om en mand i Australien, der bad sin agent sørge for at få ham på et fyldt fitnesshold. Agenten hackede sig ind i fitnesscenterets systemer, smed en anden af holdet og satte manden på. Den nåede sit mål, men næppe på en måde, nogen ville kalde en succes.

Det taler ind i det, mange sidder med: vi skal have noget AI presset ned over vores processer. Men du skal starte med at definere, hvad succes for AI er. Kender du ikke det succesudfald, agenten skal nå, kommer du aldrig i mål med en rigtig god løsning. Og måske skal agenten slet ikke gøre det, som du ville have gjort, måske når den målet på en helt anden måde. Derfor er det vigtigste at finde ud af, hvor du gerne vil have, den skal nå hen.

Ofte stillede spørgsmål

Skal alle AI-agenter have en trigger?

Nej. Kun autonome agenter, der skal gøre noget af sig selv, kræver en konfigureret trigger. Agenter, du bare chatter med, behøver ingen trigger.

Skal man altid vælge den nyeste og bedste sprogmodel?

Nej. Den nyeste topmodel er også den dyreste. En billigere grundmodel kan ofte løse simple opgaver lige så godt og hurtigere, mens reasoning-modeller er bedst til komplekse, faglige vurderinger.

Hvad er et skill i Copilot Studio?

Et skill er et undersæt af instruktioner i en markdown-fil, som agenten kun indlæser, når det er relevant. Det gør instruktionerne kortere, løsningen genbrugelig og sænker tokenforbruget.

Hvad er human in the loop?

Human in the loop er, når en agent eskalerer til et menneske i stedet for selv at træffe en usikker beslutning. Det konfigureres via instruktioner, så agenten spørger, når den kommer i tvivl om en undtagelse eller antagelse.

Hvornår er en AI-agent en succes?

En agent er en succes, når den opnår det mål, du satte for den. Fordi agenter selv synes, de lykkes, når opgaven er løst uanset hvordan, skal du definere tydelige succeskriterier og guardrails på forhånd.