---
title: "AI-agenter til de faste opgaver"
url: "https://mikkeltschentscher.dk/services/ai/ai-agenter"
language: "da"
updated: "2026-11-01"
---

# AI-agenter til de faste opgaver

AI-agenter er en form for kunstig intelligens, hvor en sprogmodel har fået adgang til værktøjer og kan løse en opgave i flere trin. Jeg bygger dem afgrænset, med log på hvert skridt og et menneske ind over der, hvor det betyder noget. Erfaringen kommer fra 400+ projekter siden 2010.

[Få et tilbud](https://mikkeltschentscher.dk/services/ai/ai-agenter#inquiry "Lad os tage en uforpligtende snak")[+45 22 51 31 79](tel:+4522513179 "Ring til Mikkel Tschentscher på +45 22 51 31 79")

-   Få svar samme dag
-   Få en fast pris på din opgave

![Mikkel Tschentscher](https://mikkeltschentscher.dk/images/derived/speaking.ae4c8c8ab739.png)

stjernede anmeldelser

[Læs alle anmeldelser](https://mikkeltschentscher.dk/anmeldelser)

-   Fører projektet helt til dørs
    
    > Når du samarbejder med Mikkel, er du sikker på at projektet bliver fuldt 100% til dørs.
    
    Simon Bille Hjort MartinsenKollega hos Bigum&Co
    
-   Den mest løsningsorienterede udvikler
    
    > I Mikkels verden er der tale om udfordringer frem for problemer.
    
    Michael Roscoe PedersenEntreprenør
    
-   Kompetent, præcis og en kæmpe støtte
    
    > Han er bare prof… super kompetent og præcis, har gode indspark, og er en kæmpe støtte.
    
    Carrsten Johan Thessen
    

## AI-agenter

### Hvad agenter er gode til

Agenter fungerer bedst på arbejde, hvor trinene er kendte, men rækkefølgen afhænger af, hvad man finder undervejs. Et menneske ville kigge tre steder i den rækkefølge, der giver mening ud fra det, der dukker op, og det kan en agent efterligne.

De fungerer dårligt på arbejde uden et rigtigt svar, eller hvor en fejl først opdages langt senere. Skøn, prioritering mellem kunder og alt der kræver dømmekraft bør blive hos mennesker, og det siger jeg fra starten.

### Typiske opgaver for en agent

-   Kundeservice: undersøge en sag på tværs af ordresystem, fragt og mailhistorik og lægge et svarudkast klar til godkendelse.
-   Dokumenthåndtering: journalisere, navngive og fordele indkommende filer efter indhold.
-   Interne værktøjer: vedligeholde data ved at finde dubletter, udfylde huller og markere det, der ser forkert ud.
-   Integration med eksisterende systemer: arbejde gennem API'er i jeres CRM, økonomisystem eller webshop.

### Godkendelse og kontrol

Den mest brugbare opsætning er sjældent den mest autonome. Ofte er det den, hvor agenten gør arbejdet færdigt og lægger det til godkendelse, så et menneske bruger to minutter i stedet for fyrre.

Den model er også lettere at komme i gang med, fordi ingen behøver slippe noget løs på dag ét. Tilliden vokser, i takt med at man kan se i loggen, hvad agenten gør, og hvorfor.

### Eksempler på AI-agenter i en virksomhed

AI-agenter kan bruges langt uden for kundeservice. Eksemplerne herunder er sat op efter afdeling, og fælles for dem er, at agenten samler og forbereder, mens et menneske træffer beslutningen. Brug dem som inspiration, når I skal finde jeres egen første opgave.

-   Salg: forberede et kundemøde ved at hente ordrehistorik, åbne sager og den seneste korrespondance fra CRM og mail og skrive et kort overblik.
-   Økonomi: afstemme indbetalinger mod åbne fakturaer, finde dem, der ikke passer, og forberede en rykker til godkendelse.
-   Indkøb: sammenholde ordrebekræftelser med indkøbsordrer og markere afvigelser i pris, antal eller leveringsdato.
-   Logistik: holde øje med forsendelser, der er gået i stå hos fragtfirmaet, og forberede en besked til kunden, før kunden selv spørger.
-   E-handel: finde produkter med manglende beskrivelser, billeder eller specifikationer og foreslå rettelser ud fra leverandørens datablade.
-   IT-support: lave den første undersøgelse af en supportsag ved at tjekke brugerens konto, kendte fejl og tidligere sager, inden en tekniker tager over.
-   HR: sørge for, at en ny medarbejders konti og adgange bliver bestilt og introduktionsmøderne booket, og følge op på det, der mangler.
-   Marketing: samle tal fra annonceplatforme, webanalyse og nyhedsbrev til den ugentlige rapport og skrive et udkast til kommentarerne.
-   Kontrakter: gennemgå indkomne kontrakter mod jeres standardvilkår og markere de punkter, en jurist bør se på.

### Hvad er en AI-agent?

En AI-agent er en sprogmodel, der har fået adgang til nogle værktøjer og lov til at bruge dem flere gange i træk, indtil den vurderer, at opgaven er løst. Det er hele forskellen fra en almindelig chatbot, og der gemmer sig ingen skjult intelligens indenunder. Til gengæld åbner det for opgaver, hvor man ikke kan skrive rækkefølgen ned på forhånd.

Agenter er relevante for virksomheder, hvor medarbejdere jævnligt undersøger sager på tværs af flere systemer, samler information fra spredte kilder eller vedligeholder data, der er tastet ind gennem mange år. Er svaret på et spørgsmål altid fordelt over ordresystemet, mailboksen og et regneark, er der en oplagt agentopgave.

Mange kan forklare hvad agenter er, men det er i selve byggearbejdet, de svære beslutninger ligger: hvilke værktøjer agenten må bruge, hvad der kræver godkendelse, og hvordan man tester noget, der kan tage forskellige veje til samme mål. Jeg har bygget den slags i praksis og har været udvikler siden 2010, så de beslutninger tager jeg på baggrund af erfaring frem for teori.

Min tilgang er at give hver agent ét ansvar. En agent der skal kunne alt, bliver umulig at teste, fordi mængden af mulige forløb eksploderer, og umulig at fejlsøge, fordi man ikke kan se hvilket trin, der gik galt. Flere små agenter er kedeligere at fortælle om og langt lettere at leve med i drift.

### Sådan arbejder en AI-agent, trin for trin

En AI-agent arbejder ud fra et mål, for eksempel at undersøge, hvorfor en kundes ordre ikke er leveret, og forberede et svar. Den har en liste over værktøjer, den må bruge: slå ordren op, spørge fragtfirmaets system og læse mailtråden. Til hvert værktøj hører en beskrivelse af, hvad det gør, og agenten vælger selv, hvilket den bruger først.

Derefter kører den i en løkke. Den bruger et værktøj, læser resultatet og beslutter næste skridt ud fra det, den har fundet. Viser ordresystemet, at pakken er sendt, spørger den fragtfirmaet. Viser fragtfirmaet en forsinkelse, læser den mailtråden for at se, hvad kunden allerede har fået at vide. Undervejs husker den, hvad den har set i den aktuelle opgave, og det er den hukommelse, der gør, at den ikke spørger om det samme to gange.

Løkken stopper, når agenten vurderer, at målet er nået, eller når den rammer en grænse for antal trin. Resultatet er typisk et udkast eller en foreslået handling, som lægges til godkendelse, og hvert trin står i loggen med begrundelsen. Hukommelse på tværs af opgaver er noget, man bygger bevidst, for eksempel som noter i jeres eget system. Det er ikke noget, modellen har af sig selv.

### AI-agenter til virksomheder i hele Danmark

Fra min base i Glostrup ved København bygger jeg AI-agenter for virksomheder i hele landet. Kunderne sidder i Aalborg, Aarhus og Odense, enkelte i udlandet, og langt det meste af samarbejdet foregår over video og på skrift.

Et agentprojekt kræver adgang til jeres systemer, ikke til jeres kontor. Derfor fungerer det fint på afstand: vi afklarer opgaven i et videomøde, jeg får API-adgang, og I følger med i en log af, hvad agenten laver, mens den testes. Er I i Københavnsområdet, mødes vi gerne fysisk undervejs.

De projekter jeg oftest bygger, er agenter til sagsbehandling i kundeservice, til fordeling af indkommende dokumenter og til oprydning i produkt- eller kundedata på tværs af systemer.

Fordelen ved en freelancer frem for et bureau er, at du taler direkte med den, der bygger. Beslutninger om afgrænsning og godkendelsesflows kræver mange små afklaringer, og de går hurtigt, når der ikke sidder en projektleder imellem.

### Sådan bygger man tillid til en agent

Ingen bør slippe en agent løs på deres ordresystem på dag ét. Den rækkefølge der virker, er den samme hver gang: først må agenten kun læse, og resultatet vises til et menneske. Så må den foreslå en handling, som godkendes med ét klik. Til sidst må den selv udføre de handlinger, hvor en fejl er billig at rette.

Undervejs vokser loggen til noget, man kan træffe beslutninger ud fra. Efter et par uger kan man se, hvor tit agenten havde ret, hvor den var i tvivl, og hvilke sagstyper den konsekvent fejler på. De sagstyper sender man videre til et menneske i stedet for at forsøge at gøre agenten god til alt.

Visse steder bør godkendelsesleddet aldrig forsvinde. Alt der sendes ud af huset til en kunde, og alt der flytter penge, hører til der. Det er en beslutning om, hvem der står på mål for resultatet, ikke en teknisk begrænsning.

## Det får du

Konkrete leverancer, ikke en rapport med anbefalinger nogen andre skal nå at udføre.

-   Én afgrænset agent
    
    En agent med ét klart ansvarsområde, en grænse for antal trin og en måde at stoppe den midt i en opgave.
    
-   Værktøjslag
    
    Adgang til jeres systemer, adskilt i læsning og skrivning, hvor skriveadgang først gives, når læsedelen har bevist sig.
    
-   Fuld log
    
    Hvert trin, hvert værktøjskald og begrundelsen bag, så I kan fejlsøge og altid svare på, hvad der skete.
    
-   Godkendelsesflow
    
    De steder hvor konsekvensen er stor, lægger agenten sit arbejde til godkendelse i stedet for at udføre det selv.
    

## Sådan foregår det

Fire trin. Du ved hvad der sker hvornår, og du kan stoppe efter hvert af dem.

1.  01 / 04
    
    ### Udpeg processen
    
    Sammen finder vi det stykke arbejde, der gentager sig ofte nok til, at automatisering kan betale sig. Jo mere afgrænset opgaven er, jo hurtigere kommer den første version i drift.
    
2.  02 / 04
    
    ### Sæt en baseline
    
    Vi noterer, hvor lang tid opgaven tager i dag, hvor ofte den forekommer, og hvor mange fejl der slipper igennem. Uden de tal kan ingen bagefter afgøre, om løsningen var indsatsen værd.
    
3.  03 / 04
    
    ### Byg mod et testsæt
    
    Jeg samler rigtige eksempler fra jeres hverdag og tester hver ændring af prompt og model op imod dem. Det holder kvaliteten stabil, når der senere bliver skruet på løsningen.
    
4.  04 / 04
    
    ### Drift med log og nødstop
    
    Løsningen bliver koblet på jeres eksisterende systemer med fuld logning og en kontakt, der kan slukke den. Jeg dokumenterer opsætningen og lærer en hos jer op i at vedligeholde den.
    

## Brands jeg har arbejdet med

-   ![MT Højgaard Danmark](https://mikkeltschentscher.dk/logos/mt-hoejgaard.svg)
    
-   ![Egmont](https://mikkeltschentscher.dk/logos/egmont.svg)
    
-   ![NNIT](https://mikkeltschentscher.dk/logos/nnit.svg)
    
-   ![Visma](https://mikkeltschentscher.dk/logos/visma.svg)
    
-   ![Lomax](https://mikkeltschentscher.dk/logos/lomax.svg)
    
-   ![Pascal](https://mikkeltschentscher.dk/logos/pascal.svg)
    
-   ![able.](https://mikkeltschentscher.dk/logos/able.svg)
    
-   ![OOONO](https://mikkeltschentscher.dk/logos/ooono.svg)
    
-   ![Novo Nordisk Fonden](https://mikkeltschentscher.dk/logos/novo-nordisk-fonden.svg)
    
-   ![Energii](https://mikkeltschentscher.dk/logos/energii.svg)
    
-   ![Maersk Tankers](https://mikkeltschentscher.dk/logos/maersk-tankers.svg)
    
-   ![Nordkysten Entreprenørfirmaet](https://mikkeltschentscher.dk/logos/nordkysten.svg)
    

## Ofte stillede spørgsmål

Hvad er en AI-agent helt kort?

En sprogmodel med adgang til værktøjer, som må bruge dem i flere trin, indtil opgaven er løst. Den kan slå op i systemer, samle information og foreslå eller udføre handlinger. Forskellen fra en chatbot er, at den arbejder selv i stedet for kun at svare.

Hvad er forskellen på en AI-agent og en AI-assistent?

En AI-assistent svarer, når du spørger, typisk i en chat, og så er det dig, der beslutter, hvad der skal ske med svaret. En AI-agent udfører selv en opgave i flere trin og på tværs af systemer, inden for de grænser, den har fået. Begge bygger på den samme slags kunstig intelligens. Forskellen er, hvad den har adgang til og lov til at gøre.

Hvordan fungerer en AI-agent i praksis?

Agenten får et mål og en række værktøjer, for eksempel adgang til at slå op i ordresystemet eller læse mails. Den bruger et værktøj, læser resultatet og vælger næste skridt, indtil opgaven er løst, eller den rammer en grænse for antal trin. Resultatet er typisk et udkast eller en foreslået handling, som et menneske godkender, og alle trin bliver logget.

Hvad kan en AI-agent bruges til?

En AI-agent kan bruges til opgaver, hvor en medarbejder i dag samler information fra flere systemer, før der kan træffes en beslutning. Typiske eksempler er at undersøge en kundesag, afstemme indbetalinger mod fakturaer, følge op på forsinkede leverancer eller rydde op i produktdata. Agenten klarer indsamlingen og lægger resultatet frem, og det frigør tid, fordi medarbejderen kun skal tage stilling til det.

Kan vi bruge Copilot-agenter fra Microsoft?

Har I allerede Microsoft 365, kan Copilot-agenter være et godt sted at starte. De egner sig til standardforløb inde i Microsofts egne programmer som Teams, Outlook og SharePoint. Skal agenten arbejde på tværs af jeres egne systemer, for eksempel ordresystem, økonomisystem eller webshop, kræver det som regel en agent, der er bygget til opgaven. De to kan sagtens bruges side om side.

Hvordan laver man en AI-agent?

Man starter med opgaven, ikke teknologien: Hvad skal agenten gøre, hvilke systemer skal den have adgang til, og hvornår skal et menneske godkende? Derefter kobles en sprogmodel til de værktøjer, den må bruge, for eksempel jeres CRM eller mailsystem, med klare grænser for, hvad den må ændre. Det vigtigste trin er testen på rigtige eksempler, før den får lov at arbejde selv.

Hvilken opgave skal vores første AI-agent løse?

Start med én sagstype, der kommer ind mange gange om ugen og kræver opslag i to eller tre systemer. I begyndelsen må agenten kun læse og lægge et udkast frem, og I måler, hvor meget tid det sparer. Når loggen viser, at den rammer rigtigt, er næste skridt at lade den foreslå handlinger, som godkendes med ét klik.

Hvilke AI-agenter er bedst?

Der findes ikke én bedste. De store sprogmodeller fra OpenAI, Anthropic og Google er alle gode nok til de fleste opgaver, og forskellen ligger mere i, hvordan agenten er bygget: hvilke værktøjer den har, hvilke grænser den arbejder inden for, og hvor godt den er testet. En færdig agent fra en platform kan være fin til et standardforløb, mens opgaver i jeres egne systemer som regel kræver, at den bygges til dem.

Hvad koster en AI-agent?

Prisen afhænger af, hvad agenten skal kunne. Det der betyder mest, er hvor mange systemer den skal arbejde i, om systemerne har et API, og hvor meget godkendelsesflow der skal bygges omkring den. Send en beskrivelse af opgaven, så vender jeg tilbage samme dag med afklarende spørgsmål og derefter et fast tilbud.

Hvad hvis agenten gør noget forkert?

Så skal fejlen kunne opdages og rulles tilbage. Netop derfor starter jeg med læseadgang og bygger skriveadgang på bagefter, én handling ad gangen, med log på det hele.

Hvilke systemer kan en agent arbejde i?

Alt med et API: Shopify, Google Workspace, HubSpot, e-conomic, Jira eller jeres eget system. Mangler API'et, kan der ofte bygges et lag imellem, men det skal med i estimatet, fordi det tit er den største del af opgaven.

Hvad med GDPR, når en agent har adgang til kundedata?

Agenten får kun adgang til de felter, den skal bruge, og alt den foretager sig bliver logget. Loggen hjælper i sig selv på dokumentationskravene. Persondata kan ofte maskeres, inden de sendes til modellen, og jeg gennemgår opsætningen med jer, inden noget går i drift.

Bygger du agenter for virksomheder uden for hovedstadsområdet?

Ja, det meste af arbejdet foregår alligevel på afstand. Jeg har kunder i Aarhus, Aalborg og Odense, som jeg primært mødes med over video. Sidder I i nærheden af København, tager jeg gerne ud til jer til opstartsmødet.

Hvor lang tid tager det at bygge en agent?

En afgrænset agent på ét system er typisk to til fire uger inklusive test. Skal den arbejde på tværs af flere systemer, sætter integrationerne tidsplanen snarere end AI-delen.

Kan agenten arbejde uden for arbejdstid?

Ja, og det er ofte pointen. Sager der kommer ind om aftenen, kan være undersøgt og forberedt, når nogen møder ind om morgenen. Selve afgørelsen kan stadig ligge hos et menneske.

Dit næste skridt

## Få et tilbud på AI-agenter

Fortæl kort om din opgave. Så vender jeg tilbage med spørgsmål, muligheder og et konkret næste skridt.

![Mikkel Tschentscher](https://mikkeltschentscher.dk/images/derived/speaking.ae4c8c8ab739.png)

### Mikkel Tschentscher

Webudvikler, konsulent og underviser

-   16+ års erfaring
-   Direkte dialog med mig
-   Fra rådgivning til implementering

[+45 22 51 31 79](tel:+4522513179)[hello@mikkeltschentscher.dk](mailto:hello@mikkeltschentscher.dk)

Mikkel Tschentscher ApS · CVR 46886712

stjernede anmeldelser

## Relateret

-   [AI-udvikling](https://mikkeltschentscher.dk/services/ai/ai-udvikling)
-   [AI-automatisering](https://mikkeltschentscher.dk/services/ai/ai-automatisering)
-   [AI-implementering](https://mikkeltschentscher.dk/services/ai/ai-implementering)
-   [AI-workshop](https://mikkeltschentscher.dk/services/kurser/ai-workshop)

Original: https://mikkeltschentscher.dk/services/ai/ai-agenter
