Vælg mellem automatisering generativ AI og agenter
Brug en fast automatisering, når forløbet og reglerne er kendte. Brug generativ AI, når opgaven kræver fortolkning eller formulering. Brug en agent, når løsningen har brug for at vælge næste skridt undervejs, og virksomheden kan kontrollere dens handlinger. Mere autonomi skal begrundes i en bedre samlet løsning.
Ordet agent bruges bredt. Her mener vi en løsning, hvor en model kan vælge værktøjer og næste trin ud fra en opgave og de resultater, den får tilbage. Et fast workflow kan også bruge AI, men rækkefølgen er i højere grad bestemt på forhånd. Anthropic skelner mellem disse to konstruktioner. [1]
Ledelsens vigtigste spørgsmål er, hvor meget frihed den konkrete opgave kræver. Hvis en regning altid skal gennem de samme kontroller, er en fleksibel agent måske unødvendig. Hvis en teknisk undersøgelse kræver forskellige opslag afhængigt af fundene, kan agentens valg have værdi.
Skeln mellem teknologi og forretningsmandat
| Tilgang | Typisk anvendelse | Nødvendig styring |
|---|---|---|
| Regler og automatisering | Flyt data og udfør kendte beregninger | Datavalidering, fejl og undtagelser |
| Generativ AI i et fast forløb | Fortolk en mail og skriv et forslag | Kvalitet, databrug og menneskelig kontrol |
| Agent med værktøjer | Vælg opslag og gennemfør flere trin | Afgrænset mandat, rettigheder og stop |
Tilgangene kan kombineres. En model kan læse en mail, mens et almindeligt system kontrollerer kundens identitet og beregner prisen. En agent kan vælge at hente en ordre, mens ordresystemet afgør, om en ændring er tilladt. Den opdeling gør det lettere at se, hvor en fejl kan opstå.
Microsofts AI-arkitektur beskriver modeller som en del af en større applikation. [2] Vores anbefaling er at placere faste forretningsregler i kontrollerbare systemer. Modellen kan foreslå en handling, men bør ikke alene afgøre, om den har lov til at udføre den.
Vurder fire egenskaber ved opgaven
Undersøg først variationen. Er input ensartet, eller kræver hver sag fortolkning? Se derefter på forløbet: Kan næste trin fastlægges med kendte regler, eller afhænger det af en vurdering, som først kan foretages undervejs?
Vurder også, hvor let resultatet kan kontrolleres. En korrekt summering kan efterprøves automatisk. Et godt rådgivningssvar kan kræve fagligt skøn. Jo vanskeligere kontrollen er, desto vigtigere bliver en begrænset anvendelse og en tydelig menneskelig rolle.
Til sidst vurderes konsekvensen ved fejl. Et forkert internt udkast kan rettes. En afsendt kontrakt, en forkert kreditnota eller en ændring i produktionsudstyr kan være svær at gøre om. Agentens frihed skal følge den konkrete konsekvens og muligheden for at opdage fejl i tide. Fastlæg menneskelig kontrol med AI agenter (Q25) behandler dette mandat.
Begynd med støtte før større handlefrihed
En praktisk start er læseadgang og forslag. Løsningen kan finde oplysninger, forklare muligheder og klargøre en ændring. Når virksomheden har et stabilt grundlag, kan den tillade afgrænsede handlinger med kontroller før og efter udførelse.
OWASP beskriver blandt andet værktøjsmisbrug og for brede rettigheder som agentrisici. [3] En instruks til modellen om at være forsigtig er derfor utilstrækkelig. Adgang, beløbsgrænser, tilladte modtagere og forretningsregler skal kunne håndhæves uden for modellen.
Hvis en agent arbejder i flere trin, skal systemet kunne holde styr på, hvad der er gennemført. Et timeout må ikke føre til en dobbelt ordre. Et afbrudt forløb skal kunne overtages af et menneske. Systemmodenhed klar til agentisk AI (AI-03-001) og Hold AI stabil og håndtér fejl i drift (Q27) beskriver grundlaget for sikre handlinger og drift.
Et eksempel med ordreændringer
Kunden i dette eksempel skriver, at en ordre skal leveres til en anden adresse. Generativ AI kan fortolke beskeden og identificere de oplysninger, der mangler. Et fast workflow kan kontrollere kundens identitet, hente ordren og undersøge, om den allerede er afsendt.
Hvis alle regler er tydelige, kan det faste workflow være tilstrækkeligt. En agent kan være relevant, hvis den skal vælge mellem flere systemer eller afklare forskellige typer undtagelser. Den må stadig kun bruge godkendte værktøjer og kan ikke selv give sig et større mandat.
Ved adresseændring efter afsendelse kan løsningen klargøre en sag til en medarbejder. Den behøver ikke løse enhver undtagelse autonomt for at skabe værdi. En god overtagelse kan være mere værdifuld end flere automatiske forsøg med usikkert resultat.
Regn også på kompleksiteten
Flere modelkald og værktøjsvalg kan øge svartid, forbrug og fejlmuligheder. Flere agenter kan være nyttige til særskilte opgaver, men overdragelser kræver fælles identitet, kontekst og ansvar. To modeller, som er enige, kan stadig bygge på samme fejlagtige kilde.
I eksperimentet sammenlignes den enkle løsning med den mere autonome. I MVP’en måles hele opgaven inklusive kontrol og overtagelse. Ved skalering skal ekstra frihed give dokumenteret nytte, som opvejer den øgede indsats og risiko. Find de AI anvendelser der kan forbedre arbejdet (Q03) hjælper med opgavevalget, og Forbind AI med virksomhedens eksisterende systemer (Q15) med forbindelsen til de eksisterende systemer.
RAG er en metode til at hente relevant viden og kan bruges i både en simpel assistent og en agent. Det giver ikke i sig selv ret til at ændre data eller udføre handlinger. Brug virksomhedens viden med RAG (Q14) forklarer denne adskillelse.
Næste ledelsesbeslutning: Beskriv den mindste nødvendige handlefrihed for den valgte opgave. Afprøv, om et fast forløb med AI-støtte kan løse den, før I investerer i mere autonomi.
Kundeeksempel med mål og opfølgning
Økonomieksemplet har 10.000 fakturaer månedligt og et mål om at reducere fejl fra 4 % til 1,5 %. Faste kontroller af fakturanummer og beløb kan håndteres med regler; fortolkning af et uklart bilag kan kræve en anden løsning.
Hvis et forslag senere skal udløse betaling, er det en ny handling med egne rettigheder og kontroller. Valget mellem regler, generativ AI og agentadfærd styres af opgaven og konsekvensen. Mål 250 færre fejl som en hypotese, ikke som en følge af at have valgt en agent.
Brug den samlede VP/SE-model, VP-vejledningen og SE-vejledningen. Begge estimater revurderes før Hypotese, MVP og Skalering. VP/SE er et lokalt præferenceindeks, ikke økonomisk ROI eller WSJF. Lær anvendelsen på halvdag 1 om VP og halvdag 2 om SE og prioritering, hver fire timer inklusive pause.
Kilder og videre læsning
Eksempler og handlingsforslag er EnableAIs faglige vurdering. Virksomhedseksempler og regnetal er illustrative. Artiklen er opdateret med konkrete regneeksempler og henvisninger den 15. september 2026.
[1] Anthropic · Building effective agents