Kort sagt
- En AI‑agent består af en sprogmodel, klare instruktioner, værktøjer til at få adgang til dine systemer, viden og grænser.
- Der er tre måder: assistenter i kontorplatforme, automatiseringsplatforme som n8n eller Make og agentframework i kode.
- Den første prototype bygges hurtigt. Det reelle arbejde ligger i test med reelle sager, rettigheder, godkendelser og overvågning.
- Start med en snævert defineret opgave og benchmark agenten mod eksempler, før du rører kunder eller data.
Hvad en AI‑agent består af
En AI‑agent er et program, der bruger en sprogmodel til at beslutte, hvilket trin der kommer næste gang og bruger værktøjer til at gøre det. Vores artikel forklarer, hvad en agent er, og hvordan den adskiller sig fra chatbots og klassisk automatisering AI‑agenter for virksomheder. Teknisk set har hver agent brug for de samme byggeklodser:
- Model: sprogmodellen, der læser, planlægger og formulerer.
- Instruktioner: Opgave, tone, regler og vigtigst af alt, hvornår agenten afleverer til et menneske.
- Værktøjer: Grænseflader, hvormed han læser data eller gør noget, såsom at kontrollere en ordre eller oprette en billet.
- Viden: Dokumenter, som han tilgår, for eksempel prislister, manualer eller tidligere svar.
- Grænser: Rettigheder, frigivelser, maksimumbeløb og omkostningsgrænser.
- Protokol og test: Hver beslutning er forståelig, hver ændring kontrolleres ved hjælp af rigtige eksempler.
Tre måder i sammenligning
| måde | Eksempler | Velegnet til | Grænser |
|---|---|---|---|
| Assistenter i Office platforme | Microsoft Copilot Studio, brugerdefinerede GPT'er i ChatGPT, Gems i Gemini | Interne hjælpere med adgang til dokumenter, hurtig introduktion til eksisterende licenser | Bundet til platformen, begrænset kontrol over drift og test |
| Automatiseringsplatforme | n8n, Make, Zapier | Processer på tværs af mange programmer, agenter som byggesten i en større proces | Kompleks logik bliver forvirrende, test og versionering kræver disciplin |
| Agent rammer i kode | OpenAI Agents SDK, LangGraph, Claude Agent SDK, Google Agent Development Kit | Fuld kontrol, brugerdefinerede grænseflader, automatiserede tests, høj belastning | Har brug for udvikling, drift og vedligeholdelse |
I praksis kombineres stierne ofte: En agent i koden håndterer den krævende check, n8n forbinder ham med postkassen, lagerstyring og CRM. Hvilken platform der er den rigtige afhænger mindre af værktøjet end af hvor dine data er placeret, hvem der senere skal vedligeholde agenten og hvilke databeskyttelseskrav der er. Eksempelvis kan n8n drives på egne servere i EU, mere om dette i n8n selvvært.
Forbindelsesværktøjer: hvad MCP er
For at en agent kan gøre noget, skal de have adgang til dine systemer. Model Context Protocol (MCP) er en åben standard, hvormed AI‑applikationer er ensartet forbundet med værktøjer og datakilder. Anthropic introducerede det i slutningen af 2024, og mange udbydere og værktøjer understøtter det nu. For virksomheder betyder det, at når der er opbygget en forbindelse, for eksempel til varestyringssystemet, kan den bruges med forskellige modeller og platforme. MCP er nyttigt, men ikke et krav. Mange agenter klarer sig med kun få, direkte programmerede grænseflader.
Byg en AI‑agent i seks trin
- Vælg en smal opgave: For eksempel "Besvar spørgsmål om leveringsstatus" i stedet for "Lever kundeservice".
- Saml rigtige eksempler: 30 til 50 typiske tilfælde med det rigtige svar. De er din prøvesten for enhver forandring.
- Værktøjer med minimale rettigheder: Agenten har lov til at læse ordrer, men ikke at bogføre kreditnotaer. Skrivetilladelser kun, hvor de virkelig er nødvendige.
- Indstil instruktioner og overdragelse: Hvad agenten må, hvad må han ikke, og hvornår han afleverer til en person, fx ved klager eller usikkerhed.
- Test og mål: Kør agenten mod eksemplerne, sorter fejl efter type, forbedre instruktioner og værktøjer, test igen.
- Gå i drift med godkendelse: Først frier agenten, og et menneske godkender det. Først når resultaterne er korrekte over en periode på uger, kan han gøre mere selv. Omkostningsgrænser og protokoller kører fra starten.
Sikkerhed og jura
Agenter læser tekster, der kommer udefra, såsom e-mails eller websteder. Der kan være skjulte instruktioner, der har til formål at narre agenten til at gøre noget. OWASP angiver denne såkaldte prompt-injektion som den største risiko for AI‑applikationer, blandt andet efterfulgt af beføjelser, der er for brede. De vigtigste midler er minimale tilladelser, tilladelser til handlinger med konsekvenser og en adskillelse mellem læsning og skrivning.
De fleste agenter i virksomheden er juridisk ukritiske. Hvis en agent taler direkte til folk, skal det være klart, at det er en AI (Art. 50 AI‑forordningen). For operationer inden for følsomme områder såsom personaleudvælgelse vil forpligtelserne for højrisiko AI gælde fra december 2027. Personoplysninger kræver en kontrakt for ordrebehandling og om muligt servere i EU.
Byg det selv eller få det bygget?
At bygge det selv er umagen værd for interne hjælpere med lille risiko, hvis nogen i teamet har lyst og tid til at involvere sig. Support er umagen værd, hvis agenten arbejder med kundedata, forbinder flere systemer eller skal køre pålideligt på lang sigt. Hvordan vi gør det står skrevet på siden Få udviklet AI‑agenter. Som AI agentur Vi følger dig fra første prototype til drift.
Kilder
- Modelkontekstprotokol: Dokumentation og specifikation
- OWASP: Top 10 for LLM-applikationer 2025
- OpenAI: Agents SDK
- Microsoft Lær: Microsoft Copilot Studio
- n8n Docs: AI agent node
- Forordning (EU) 2024/1689 om kunstig intelligens, art. 50: EUR-Lex