Lær at udvælge AI-projekter med størst potentiale

Hvad er de fire ambitionsniveauer for AI?

De fire ambitionsniveauer er AI-chat, uddelegering af en opgave, en agent der overtager en proces, og en gentænkning af et helt område. Det hjælper at have en trappe at tale ud fra.

Det basale niveau er AI-chatten, hvor du taler med en AI-assistent, der svarer og hjælper dig i dit arbejde. Næste niveau er at uddelegere en opgave, hvor du stadig er i personlig produktivitet, men sætter en opgave videre til en agent, der udfører den for dig. Så kommer det niveau, hvor agenter overtager en hel proces. Agenterne bygget ind i Business Central fra Microsofts side er et godt eksempel, fordi de kan tage en enkelt delproces og udføre den i sin helhed. Og øverst er det vildt ambitiøse niveau, hvor du gentænker et helt område og bygger det med mange agenter, der er vævet sammen.

Hvor skal du starte på AI-rejsen?

Alle bør starte på det basale niveau med AI-chat, fordi du er nødt til at vide, hvad det er for et dyr, du har med at gøre. De fleste har prøvet ChatGPT og bruger det til alt muligt, men du skal opdage, at du kan bruge det som en ven. Rådet er enkelt: gå ind og lav alt muligt, det er ligegyldigt hvad, for så får du et begreb om værktøjet. Du kan ikke starte på niveau fire og blive en succes uden at have været igennem det andet først. Du er nødt til at kunne kravle, før du kan gå.

Ofte har virksomheden ikke selv taget beslutningen. Groft sagt sidder måske halvdelen af medarbejderne allerede med fuldstændigt styr på AI, fordi de bruger det privat, til alt fra at omskrive en mail til at visualisere en ny indkørsel ud fra et billede af huset. Det behøver ikke være virksomheden, der starter det. Men man er nødt til at have et fælles, basalt sprog at tale ud fra, hvis man skal bevæge sig længere op ad trappen. Og den bedste agent, du bygger, er faktisk oftest den lille, for det er der, du lærer, hvad den er god til, og hvad den fejler på.

Hvordan ser et lavpraktisk agent-eksempel ud?

Et konkret eksempel ligger et sted mellem en delegeret opgave og en procesagent. Mads byggede en simpel agent i Agent Playground, som dagligt løber alle produktionsordrer i Business Central igennem og tjekker forbrug og færdigt antal produceret, præcis som et menneske ville gøre det. Det er vigtigt, at produktionsordrer bliver lukket, både for månedsluk, regnskab og kostpriser. Agenten melder tilbage, at ud af 20 produktionsordrer er der måske tre, der er klar til at blive lukket. Den funktion findes ikke i Business Central i dag.

Eksemplet er godt, fordi det er enkelt og tager udgangspunkt i, at et rigtigt menneske har tænkt, det her gider jeg ikke gøre hver dag. Det er også her, human in the loop giver mening. Inden agenten ændrer noget i systemet, vil man gerne verificere, at det, den har læst, er korrekt.

Hvordan flytter skills folk fra chat til en styret proces?

Skills flytter folk fra den åbne AI-chat til en styret proces ved at aktivere den viden, virksomheden allerede har skrevet ned. Rigtig mange virksomheder har procedurer og dokumentation, som sjældent er blevet læst. Vælger du en platform, kan du bygge skills, der flytter medarbejderne fra den åbne AI-assistent-prompt over til en styret proces. Abakion har bygget en, der bruges, når en kunde ringer ind: den henter automatisk, hvad man talte med kunden om sidst, og hvilken dokumentation der findes på produktet, og giver modspørgsmål tilbage, så kunden får hurtigere hjælp. Det kræver, at virksomheden har taget et valg om, hvilken platform alle arbejder i.

Færdigbygget eller selvbygget. Der findes to veje. Der er de præbyggede værktøjer fra Microsoft eller Anthropic, som GitHub Copilot, Claude Code, Copilot Cowork og Claude Cowork, hvor du får et færdigt værktøj, du kan give adgang til dine systemer. Og der er den, hvor du bygger noget selv. Vil du nemt i gang, er Cowork et rigtig godt sted at starte. Beder du en AI-assistent om hjælp til en PowerPoint, fortæller den dig, hvad du skal gøre. Beder du Cowork, laver den PowerPointen for dig.

Company skills og personlige skills. Skills ændrer måden, agenter bygges på. Der bliver company skills, som er lagt på virksomhedens platform, så en Cowork kan slå op i Abakions branding skill eller design skill for at estimere en opgave, lave en præsentation i det rigtige design eller designe en teknisk IT-løsning. Ved siden af dem bygger den enkelte sine egne skills, for eksempel et, der hjælper med at skrive mails i ens eget sprog. Man vil jo nødig have, at den ene medarbejder pludselig kommunikerer som en anden.

Hvorfor er implementering så vigtig?

Implementering er afgørende, fordi erfaringen ellers går tabt, når medarbejderen forlader virksomheden. Bygger en medarbejder en god assistent eller agent, risikerer man at træde år tilbage på AI-rejsen, hvis medarbejderen tager det med sig ud af døren, brugerne lukkes, og intet virker. Det er ikke bare ambitionsniveauer for et enkelt tiltag. Det er en rejse, og både Brunata og Diabetesforeningen har beskrevet netop den rejse: få alle medarbejdere til at bruge AI, og bevæg jer så stille og roligt over i agenter.

Rejsen kan tages flere gange. Står du med en ny proces, går du tilbage til starten og verificerer i det små, hvad det koster, og hvor lang tid det tager, og bygger videre derfra. Du kan ikke springe til det øverste niveau uden at have styr på din forretning, for deroppe tænker systemet for dig, og har du ikke styr på den del, kan du sætte hele forretningen over styr.

Hvordan vælger du det rette AI-projekt?

Vælg det rette projekt ved at finde den mest kedelige opgave og spørge medarbejderne, hvad der dræber deres energi. Du får svar som tidsregistrering eller at læse alle mails efter ferien. Der er medarbejderen motiveret. Prøver du derimod at automatisere det, en medarbejder synes er det fedeste i verden, får du dem ikke med. Start med det kedeligste, for så er der medvind hele vejen igennem projektet. Dokumentation er et oplagt sted, fordi mange ikke er så gode til det, og fordi der kommer meget værdi ud af det.

Der er flere tilgange. Du kan tage det, der er træls, sætte ekstra turbo på det, du er god til, eller bruge AI til at udføre ting, du egentlig ikke selv har kompetencen til, men klarer med lidt hjælp. Frygten for at miste sit arbejde lever, når man taler procesagenter. Derfor handler det om at få medarbejderen med og forklare, at man frigør tid fra de kedelige opgaver.

Hvornår slår AI den gamle automatisering?

AI slår automatisering, når en opgave kræver et fagligt input eller en faglig beslutning, som en klassisk automatisering ikke kunne håndtere. Vi har kunnet automatisere længe. Nu kan du definere grundlaget i en fil og sende det step videre til en AI-model, hvor det før krævede et menneske til at vurdere og beslutte. Det er her, reasoning-modellerne skinner igennem. Det er det, der i denne videoserie er blevet kaldt synsninger og tolkninger: situationer, hvor svaret stadig er A, B eller C, men hvor der ikke findes en fast regel for hvornår. For seks måneder siden kunne man slet ikke have forestillet sig, at det kunne lade sig gøre.

Og succesen kommer nedefra. Det hjælper ikke, at en direktør presser AI ned i halsen på medarbejderne. Det har man prøvet i to år ved at give alle licenser og håbe, de fandt ud af det, men hvorfor skulle de dog det, hvis det føles som en sparerunde? Du skal starte med at have medarbejderen med.

Hvordan bygger du en procesagent med human in the loop?

Du bygger den, så agenten opdaterer i en kladde, og et menneske verificerer bagefter. Et konkret eksempel fra et webinar er indkøbsordre-håndtering. En medarbejder brugte 25-30 timer om ugen på at sammenholde udgående indkøbsordrer med indkommende ordrebekræftelser: vi bestilte 15, de kunne levere 12, jeg retter til eller finder en ny leverandør. Mads og Nicolai byggede en agent, der læser e-mailen med ordrebekræftelsen og opdaterer data direkte i Business Central.

Det vigtige er human in the loop. Agenten opdaterer i en kladde, som indkøberen bagefter kan verificere, og giver en accuracy score på, hvor sikker modellen selv er på det, den har aflæst. Så kan man sortere på det, den er usikker på, og løbe listen igennem. En opsummeringsmail betyder, at man ikke selv behøver gå ind og kigge. Den mail er helt afgørende, for de første mange gange vil indkøberen sige, at agenten slet ikke kan finde ud af det. Det handler sjældent om agenten, det handler om at flytte medarbejderen, så de begynder at tro på det. Fejler den i starten, går man tilbage og ser på grundlaget, det input, den mangler, eller de instruktioner, der skal tilrettes.

Hvornår skal du bygge et tool i stedet for en agent?

Byg et tool, når reglerne er så veldefinerede, at du ikke vil have autonomi. I kundeservice kan man kategorisere og rute sager, og nu kan agenten læse indholdet, forstå det, opdage to sager i én mail og splitte dem ud til to afdelinger. HR og IT er også oplagte, fordi de i mange virksomheder længe har haft veldokumenterede processer. Så her er der et hav af use cases: find min resterende feriedag, bestil ferie, meld sygdom, nulstil min adgangskode, forny min licens.

Men er reglerne veldefinerede, så overvej, om du overhovedet skal bygge en agent. Skal en lønkørsel bare køre, vil du ikke have en autonom agent, der tolker. Så bygger du et tool med AI, som ikke bruger AI, når det kører. Interne værktøjer skal i øvrigt stressstestes. Der findes historier fra USA om en, der overtalte en bilsalgs-agent til at sælge en Ford til en dollar.

Løber virksomhederne tør for ideer eller har de for store ambitioner?

Begge dele findes. Nogle virksomheder løber tør for ideer. Andre har den omvendte udfordring: ambitionerne ligger oppe ved procesagenter og gentænkte områder, men de er ikke engang startet med en AI-assistent eller en simpel agent. De taler i et fluffy floskellag uden en konkret proces og siger bare, at hele forretningen skal køre på AI. De har ikke opbygget ordforråd og mindset, fordi de ikke er startet nedefra. Går de derned og arbejder sig op, er der hul i fantasien, og ideerne kommer.

Man skal huske, at medarbejdere, der aldrig har fået ideer, ikke pludselig bliver idébanke, fordi de får processer. Nogle er vanvittige til drift og bruger AI til at hæve driften til et nyt niveau, andre eksploderer med ideer. Ideerne kommer typisk, når man selv leger med et skill og opdager, at den faktisk kunne udføre noget mere. Da Nicolai lavede en template, kunne han bede Claude Code om at analysere en virksomhed og oprette et skræddersyet demo-dataset med 50 virksomheder, 200 kontaktpersoner og 40 produkter på 10 minutter. Den idé var aldrig kommet uden legen. Og næste skridt er at beskrive løsningen i et skill, så hele flokken kan flytte sig.

Hvilke rammer skal ledelsen sætte?

Ledelsen skal sætte rammer, guardrails og en fælles licens. Køber du en virksomhedslicens til platformene, kan du styre, hvilke data der sendes ind. Men lav ikke rammen så smal, at det bliver en fastlåsning, for så stikker konkurrenterne af. Du bygger en lille kasse rundt om medarbejderne. Med en virksomhedslicens følger også en masse lovgivning, for eksempel de kommende krav om vandmærker på AI-genereret indhold, som EU er på vej med, selv når du bare har fået hjælp til kommaerne.

Med guardrails og systeminstruktioner kan du stoppe medarbejdere, der begynder at gøre noget skadeligt, som Dennis fra Diabetesforeningen har fortalt. Og vær opmærksom på træning: kører du på en gratis model, er du med til at træne modellerne. Det kan man vælge, men man skal vide det.

Hvordan ser det vilde ambitionsniveau ud?

Det vilde niveau er en gentænkning af et helt område, som Lenes Lights Out Factory. Det er der få, der har brug for. De startede på det basale niveau, rykkede op, og så tænkte en medarbejder, at man kunne bruge de tokens om natten. Det, der først hed Dark Factory og siden Lights Out Factory, fungerer sådan, at når nogen melder en fejl ind på afdelingens Business Central-produkter, læser en agent fejlen igennem og vurderer, om den er beskrevet godt nok. Er den det, sætter en ny agent gang i at skrive arkitektur, et menneske tjekker, om det også kommercielt er en god idé, og så koder agenterne det. Når medarbejderen møder ind, skal de ikke længere kode, men reviewe. To agenter laver endda code review af hinanden. Derefter lægges det på AppSource, dokumentationen skrives, og det oversættes til de ønskede sprog. Det nyeste er en stor tavle, hvor viden samles op, så gentagne fejl kan bruges til at træne agenterne.

Rejsen startede i maj med én agent og tæller nu 10-12. Resultatet er de største releases nogensinde, nye muligheder og et lidt mindre hold. Det er en total gentænkning, men den var kun mulig, fordi afdelingen havde brugt tre år på at skrive ned og strukturere sit opgavesystem. Fordi strukturen var der, kunne de sætte ild til det.

Ambitionen blev sat højt. I august sidste år lød målet på, at 80 procent af kodearbejdet skulle laves med AI inden et år. Til jul syntes afdelingen, det var skørt. I december syntes de, målet var for uambitiøst, for hvorfor kun kode og ikke også dokumentation? Nu er kravet 100 procent AI, forstået sådan, at man skal kunne redegøre for, hvad man brugte AI til, eller hvorfor man valgte det fra. Nogle gange kaster man ting over bord og anerkender, at det var en dårlig idé. Det skal man turde.

Ofte stillede spørgsmål

Hvad er de fire ambitionsniveauer for AI?

De fire niveauer er AI-chat med en assistent, uddelegering af en opgave til en agent, en agent der overtager en hel proces, og en gentænkning af et helt område bygget med mange agenter, der arbejder sammen.

Hvor skal en virksomhed starte med AI?

Alle bør starte med AI-chat for at få et fælles sprog og forstå værktøjet. Du kan ikke springe til det øverste niveau uden at have været igennem de andre først.

Hvordan vælger man det rette AI-projekt?

Find den mest kedelige opgave og spørg medarbejderne, hvad der dræber deres energi. Så er medarbejderen motiveret, og der er medvind hele vejen. Undgå at automatisere det, folk synes er sjovest.

Hvornår skal man bygge et tool i stedet for en agent?

Byg et tool, når reglerne er så veldefinerede, at du ikke vil have autonomi, som ved en lønkørsel. Et tool med AI bruger ikke AI, når det kører.

Hvorfor er det vigtigt at implementere en agent, en medarbejder har bygget?

Fordi erfaringen ellers forsvinder ud af døren med medarbejderen. Lukkes brugerne, virker intet, og virksomheden kan træde år tilbage på AI-rejsen.

Hvad er synsninger og tolkninger?

Synsninger og tolkninger er situationer, hvor svaret stadig er A, B eller C, men hvor der ikke findes en fast regel for hvornår. Det er præcis her, AI slår den gamle automatisering, fordi en reasoning-model kan vurdere og træffe et valg på baggrund af et grundlag.

Hvordan sikrer du din virksomhed, når medarbejderne bruger AI?

Køb en fælles virksomhedslicens, så du kan styre, hvilke data der sendes ind, og sæt guardrails og systeminstruktioner op, der stopper skadelig brug. Med en virksomhedslicens følger også en masse lovgivning, og du undgår at træne de gratis modeller med jeres data.

Hvad er Lights Out Factory?

Lights Out Factory er Lenes eksempel på det vilde ambitionsniveau, hvor agenter læser indmeldte fejl, skriver arkitektur og koder om natten, mens mennesker reviewer. Det var kun muligt, fordi afdelingen først havde brugt tre år på at strukturere sit opgavesystem.

Bør du sætte AI til at svare på alle dine mails?

Nej, ikke nødvendigvis. Overvej din kerneydelse, for taler kunderne kun med agenter, mister du det, der gør dig særlig. Og lader du en agent svare for dig, opsamler du ikke længere viden i dit eget hoved.