AI agents – hvad er en AI agent, og hvordan bruger du den i praksis?

AI agents – rigtig mange taler om dem her i 2025, men hvad er en AI agent egentlig for en størrelse, og hvordan skaber du helt konkret værdi med AI agents i hverdagen?

Det er sådan med de fleste koncepter, metaforer og sproglige begreber her i verden, at de løbende er til debat. Jeg nævner nogle gange i mine foredrag og workshops om AI og AI-agenter eksemplet med en skov, for hvor mange træer skal der egentlig til for, at vi definerer noget som en skov?

Det er ikke noget, vi tænker over i hverdagen, men sådanne regler og koncepter bliver væsentlige, når vi skal lære maskinerne den slags. Af samme grund vil nogle læsere af denne artikel om AI agents formentlig udfordre, hvordan jeg definerer AI-agenter. Det er i øvrigt mere end velkomment. Derudover vil nogle også nørde ned i forskellen på ‘agentic AI’ og ‘AI agents’, men i denne artikel har jeg valgt at holde det jordnært frem for akademisk.

 

AI agents – Hvad er en AI-agent?

For at forstå min tilgang til AI agents / AI-agenter så skal man også forstå, at jeg er iværksætter og praktiker. Ikke akademiker eller teoretiker. Jeg lægger mig bl.a. op at Google’s definition af AI agents, men nuancerer den nedenfor … 

”En applikation der forsøger at opnå et mål ved at observere verden og handle på den ved hjælp af de værktøjer, den har til rådighed. Agenter er autonome og kan handle uafhængigt af menneskelig indgriben, især når de får klare mål eller opgaver, de skal opnå. Agenter kan også være proaktive i deres tilgang til at nå deres mål. Selv i fraværet af eksplicitte instruktioner fra et menneske kan en agent ræsonnere over, hvad den bør gøre næste gang for at opnå sit endelige mål.”

Googles definition er ganske bred, for den kunne principielt beskrive alle reaktive systemer, som min gode ven Thomas Hildebrandt (professor i softwareudvikling på KU) påpegede det i en nørdet debat om emnet på LinkedIn tidligere i år. Derfor bør man tilføje, at systemerne skal anvende én eller anden form for AI for at være AI-agenter.

Samtidig vil AI-agents på mange måder komme til at minde om apps. Ikke i teknologisk forstand, men fordi de i fremtiden vil blive bygget ind i og ovenpå alle de værktøjer, vi anvender i forvejen.

Der vil formentlig også komme helt nye agenter og måder at arbejde på, som vi dårligt kan forestille os i dag, men hvad eksperterne i hvert fald er enige om er, at vi går imod en fremtid med millioner af agenter. Angiveligt flere end der vil være mennesker indenfor blot 10 år fra nu.

Af samme grund bliver det sikkert en diskussion i mange år fremover, hvad en AI agent egentlig er for en størrelse, men ovenstående er altså denne artikels udgangspunkt.

 

Hvilke typer AI-agenter findes der?

Ovenfor fik du et kort svar på spørgsmålet: AI agents – hvad er det? Hvis man dernæst ser man på AI-agenter ud fra deres funktionalitet og mest velkendte use-cases, så vil jeg fremhæve fem typer:

1. Simple refleks-agenter

Disse agenter reagerer direkte på input fra omgivelserne uden at tage tidligere erfaringer i betragtning. De følger foruddefinerede regler og fungerer godt i forudsigelige miljøer. Et eksempel er en termostat, der tænder for varmen, når temperaturen falder under en bestemt grænse.

 

2. Modelbaserede refleks-agenter

De modelbaserede refleks-agenter har en intern model af verden, som de bruger til at træffe beslutninger. De forstår ikke kun aktuelle input, men kan også tage højde for tidligere hændelser. Eksempler inkluderer AI-baserede chatbots, der kan huske tidligere samtaler for at forbedre interaktionen.

 

3. Målorienterede agenter

De målorienterede har et specifikt mål og evaluerer forskellige handlinger for at finde den bedste vej til at opnå det. De anvender ofte søgealgoritmer og beslutningstræer. Selvstyrende biler er et godt eksempel, da de analyserer omgivelserne og vælger den sikreste rute.

 

4. Utility-baserede agenter

For de utility-baserede agenter gælder det, at deres beslutninger er baseret på en nyttefunktion, der vægter forskellige muligheder. De prioriterer handlinger med den højeste sandsynlighed for succes. Det kunne fx være finansielle AI-systemer, der analyserer investeringsrisici og foreslår strategier baseret på afkast og risiko.

 

5. Lærende agenter

Endelig kan man tale om lærende agenter, som formår at forbedre deres præstationer over tid ved at bruge machine learning. De justerer deres adfærd baseret på erfaringer og feedback. AI-værktøjer som Operator fra OpenAI eller virksomheders AI-drevne anbefalingssystemer anvender denne teknologi for at blive mere præcise over tid. 

Der findes andre former for agenter end de fem nævnte, og det vigtigste at forstå er, at vi kommer til at kombinere dem i rigt omfang fremover.

For at vise dig, hvad det vil indebære i praksis, så lad mig gøre det med en lavpraktisk case i form af en chatbot …

 

Sådan fungerer en AI agent i praksis

Hvad er AI agents, og hvilke typer findes der? De to spørgsmål skulle gerne være besvaret nu, så den næste ting at forstå må være: Hvordan fungerer en sådan AI agent så i praksis?

Lad mig illustrere det igennem et eksempel og en konkret use-case: Du vil gerne lave en intern chatbot, som medarbejderne skal kunne stille spørgsmål.

Til det formål og flow har du først brug for en såkaldt supervisor-agent. Det er den, der kan koordinere processer og beslutte, hvordan en brugers spørgsmål skal behandles. For at den skal kunne fungere effektivt, har den brug for en RAG agent. Det er en agent, som har adgang til vidensdatabaser, hvor den kan finde svar på ex. de oftest stillede spørgsmål.

Når din supervisor agent nu modtager et spørgsmål fra en medarbejder, vurderer den først, om den allerede kan finde svaret i vidensdatabasen via RAG-agenten.

Hvis den ikke er i stand til det, så aktiverer den det, vi kunne kalde for en research agent. Den er sat til at søge efter informationer på enten nettet og/eller jeres interne systemer.

Den går ud de steder og henter et relevant svar, og det svar sender den så til supervisor-agenten. Sidstnævnte agent gør herefter to ting:

1. Den svarer medarbejderen.
   2. Den giver RAG-agenten besked, der herefter opdaterer research agenten og vidensdatabasen, så det ikke er nødvendigt at søge svar på det samme spørgsmål i fremtiden.

På den måde klarer agenterne i fællesskab alt arbejdet autonomt samtidig med, at din vidensdatabase løbende opdateres og forbedres. 

 

AI agents vil arbejde sammen på kryds og tværs i fremtiden

I det lille eksempel ovenfor arbejdede agenterne sammen omkring en intern chatbot, men de kunne lige så vel have samarbejdet om fx at koordinere alle jeres møder; screene nye ansøgninger og matche dem med jeres kriterier og historik; automatisk omdanne alt jeres content til andre formater (og publicere det) eller researche på konkurrenter og opdatere jeres forskellige strategier og dokumenter på baggrund af denne nye viden.

Agenterne kan altså kombineres på kryds og tværs, så hvor AI-assistenter som ChatGPT eller Copilot skal fodres med dine input løbende, så arbejder agenterne mere eller mindre autonomt for dig 24 timer i døgnet. Og ja – så er de altid i godt humør 😊

 

Anvendelsesmuligheder for AI agenter – jordnære eksempler

Selvom AI-agenter langt fra er så udbredte, som de vil blive over de kommende år, så bliver de allerede i dag brugt i mange lande, industrier og fagområder.

 

Johnson & Jonhson

Starter vi en lille agent-rundtur i USA, så anvender den globale medicinalvirksomhed Johnson & Johnson AI-agenter til at optimere det, man kalder for kemisk syntese i udvikling af nye lægemidler. Kemisk syntese vil sige, at du kombinerer to eller flere kemiske stoffer for at skabe nye forbindelser.

Hos Johnson & Johnson bruger de agenterne til at analysere forskellige variabler for at bestemme det optimale tidspunkt for solventskift – dvs. det tidspunkt, hvor opløsningsmidlet i en kemisk reaktion eller opløsning erstattes med et andet.

Brugen af AI-agenterne hjælper her Johnson & Johnson med at reducere deres behov for gentagne manuelle processer markant, ligesom det på den måde bidrager til at fremskynde udviklingen af nye lægemidler.

 

Moody’s

Nu tænker du måske, at det var et meget teknisk eksempel, så lad mig gøre det lidt mere jordnært med et andet amerikansk firma – kreditvirksomheden Moody’s.

Moody’s bruger AI-agenter til at udføre finansielle analyser autonomt. Agenterne sættes til at gennemgå virksomheders økonomiske data og komme med forskellige vurderinger, og det hjælper Moody’s til at identificere potentielle risici og muligheder uden konstant menneskelig indgriben.

AI-agenter gør imidlertid hos Moody’s mere end blot at analysere data. De fungerer samtidig som intelligente rådgivere, der kan forudse trends og mønstre på tværs af enorme mængder information. For eksempel bruger agenterne avancerede algoritmer til at overvåge markedsforhold i realtid, identificere økonomiske signaler og vurdere virksomhedernes kreditværdighed mere præcist.

På den måde kan de også bruge deres AI-agenter til at advare om en mulig økonomisk krise i en branche ved at analysere en kombination af økonomiske nøgletal, nyhedsdata og aktiemarkedsbevægelser. Den samme agent kan foreslå justeringer i Moody’s analyser baseret på nye, opståede markedsforhold, hvilket gør Moody’s lang mere agile i hverdagen. På den måde automatiserer de altså ikke kun processer, men får også agenterne til at levere dybere indsigter, som tidligere krævede teams af eksperter – og det på en langt mere effektiv måde. 

 

Fra amerikanske eksempler på AI agents til Europa

En anden virksomhed, som godt nok også er fra USA, men måske bedre kendt herhjemme, er eBay.

 

eBay

Hos eBay bruges AI-agenter både til tekniske og kreative opgaver. For eksempel bruger eBay AI-agenter til at skrive kode, der opdaterer og vedligeholder deres enorme platform, hvilket tidligere krævede store udviklerteams. Agenterne kan også hjælpe med at identificere fejl og optimere funktioner i realtid, hvilket gør, at eBay kan reagere hurtigere på brugerproblemer og forbedre kundeoplevelsen.

Samtidig bruger man AI-agenter i marketingafdelingen. Her målretter agenterne kampagner kundegrupper, baseret på data som købsadfærd og søgehistorik. Det gør det meget nemmere for eBay at lancere personlige kampagner hurtigt og med større præcision.

 

Deutsche Telekom

Zoomer vi tættere endnu på Danmark, så finder man i vores naboland Tyskland et andet udmærket eksempel hos Deutsche Telekom.

De har en intern AI-agent, der er blevet døbt “askT.” askT kan besvare spørgsmål om interne politikker, HR-opgaver og procedurer – fx hvordan man ansøger om ferie, indberetter udgifter eller finder oplysninger om virksomhedens retningslinjer. I praksis betyder det, at medarbejderne slipper for at vente på svar fra HR-afdelingen og i stedet får hjælp på få sekunder.

 

Sådan har jeg selv hjulpet danske virksomheder med AI agents

Vender vi nu fra det store udland tilbage til lille Danmark, så lad mig dele et meget jordnært eksempel fra en mindre dansk virksomhed, jeg selv hjælper i hverdagen med at få mest muligt ud af AI agents.

Jeg har lovet den pågældende virksomhed at anonymisere casen, men må stadig gerne dele historien om, hvordan de/vi gør.

I deres tilfælde handler det om at klæde sælgerne bedre på til kundemøder samt spare tid på opfølgning, mailskrivning, referater etc.

Her har vi sat et system og integration om, som hjælper dem på følgende måder:

• Når en ny uge starter, scanner en agent Outlook kalenderen og laver en liste over ugens episoder.
• Til hvert møde slår en AI agent op i virksomhedens kundesystem og finder oplysninger om den pågældende kunde.
• Der laves en kort intro på 30 ord til sælgeren med de vigtigste punkter fra samarbejde hidtil.
• Der foreslås relevante spørgsmål til kundemødet, som sælgeren kan bruge.
• På det pågældende møde spørger sælgeren kunden, om de må opgave mødet. Hvis de får et ja, optages mødet, og en agent transkriberer det automatisk og opsummerer de vigtigste emner, aftaler og action-punkter.
  Hvis de får et ja, indtaler sælgeren selv et referat på vej hjem fra mødet, som agenten då opsummerer.
• Agenten laver et mødereferat og en update, som automatisk opdateres inde i kundesystemet. Derudover laver den udkast til en opfølgningsmail, som gøres klar i Outlook. Denne kunne også sendes automatisk, men virksomheden foretrækker selv at godkende den manuelt, inden det sker.
• Agenten kan derudover foreslå kunden tidspunkter for et opfølgende møde; den kan justeres kundens materiale ud fra noter etc.

Som du kan se af ovenstående eksempel, er der altså kæmpe forskel på fx at bruge den ’gammeldags’ ChatGPT assistent (her taler jeg ikke om Tasks eller om ChatGPT’s egen AI-agent Observator) til noget sparring eller Copilot til mødereferater og så at automatisere dette fuldstændig og berige det med de yderligere ting, som AI og generativ AI kan.

Ovenstående eksempel er fra en salgsafdeling, men det kan du hurtigt anvende på lignende måder i andre områder – fx HR, hvor du kunne forestille dig følgende scenarie og forskellen på en assistent og en agent:

Med en AI-assistent (ChatGPT/Copilot): HR-afdelingen skal manuelt stille spørgsmål til assistenten, kopiere svar, oprette opgaver og sikre, at medarbejderen får den nødvendige information.

Med en AI-agent: AI-agenten overtager hele processen. Den sender automatisk velkomstmateriale, registrerer medarbejderen i de relevante systemer, opsætter adgangskoder, planlægger introduktionsmøder og sørger for opfølgning, uden at en medarbejder skal guide den manuelt.

 

 

7 trins guide til at lave og implementere AI-agenter

Det har i mange årtier været et plusord i Danmark at tale om at være forandringsparat. Jeg forstår imidlertid ikke, at vi er så begejstrede for ordet, for det at være parat signalerer jo reelt passivitet. Vi venter på, at noget nyt skal komme og påvirke os. Giver det nødvendigvis det bedste udgangspunkt for forandringer?

Jeg foretrækker i hvert fald personligt begrebet forandringsSKABENDE, for på den måde tager vi selv ansvaret og handler. Det er ikke noget, der bliver påduttet os fra andre.

Derfor er denne 7-trins guide skrevet ud fra ønsket om, at flere danske organisationer bliver forandringsskabende, når det kommer til AI-agenter.

 

1. Definér behovet og fastlæg målet

Før AI-agenter kan implementeres, bør I som organisationen identificere det eller de problemer, I ønsker at løse, eller det uudnyttede potentiale, I gerne vil udfolde.

Her vil jeg anbefale at stille jer selv følgende spørgsmål:

• Hvilke opgaver er tidskrævende og repetitive?

• Hvor kan AI-agenter skabe størst værdi?
• Hvad er de vigtigste succesparametre (f.eks. tidsbesparelse, bedre service, reducerede omkostninger)?

Ét eksempel kunne være i en kommune: Vi ønsker at automatisere sagsbehandling for at reducere ventetiden for borgere.

 

2. Vælg den rette AI-agent type

Som du kan læse i denne artikel, findes der en lang række forskellige typer af AI-agenter afhængig deres funktionalitet:

• Automatiseringsagenter: Udfører gentagne opgaver, f.eks. databehandling eller dokumenthåndtering.
• Beslutningsstøtte-agenter: Analyserer data og foreslår handlinger (f.eks. risikostyring i finanssektoren).
• Chatbots og virtuelle assistenter: Håndterer kunde- og borgerservice.
• Autonome agenter: Udfører komplekse opgaver uden menneskelig indgriben (f.eks. optimering af energiforbrug).

Det handler altså i dette trin om at få valgt de agenter, som er relevante for jeres case.

 

3. Vælg de rette værktøjer og teknologier

Når AI-agentens funktion er defineret, skal den bygges på de rette teknologier. Nedenstående vil alt andet end lige være en ukomplet liste, ligesom udviklingen går så stærkt, at flere løbende kommer til. Se derfor kun disse som inspiration her anno 2025 …

 

Open-source AI-agent frameworks

• LangChain – Bruges til at bygge avancerede AI-agenter, der kan huske og tilpasse sig samtaler.
• Auto-GPT & BabyAGI – Skaber autonome AI-agenter, der kan udføre flerstegsopgaver uden konstant menneskelig input.

Low-code/no-code løsninger

• Zapier AI Agent – Automatiserer opgaver uden kode.
• Microsoft Power Automate – Brugervenlig AI-integrationsplatform for virksomheder og kommuner.

AI-platforme og API’er

• OpenAI GPT-4 API – Til chatbots og beslutningsstøtte.
• Hugging Face Transformers – Tilpassede AI-modeller til sprogforståelse.
• Google Vertex AI – AI-løsninger til virksomheder, bl.a. machine learning og analyse.

 

4. Pilotprojekt og testfase

Jeg anbefaler altid at starte i lille skala med et pilotprojekt ud fra et mindset, jeg har med mig fra iværksætter-verden: ”Tænk stort, handl småt, fejl hurtigt og billigt.”

• Implementér AI-agenten på én afdeling eller opgave.
• Opsæt succeskriterier: Hvor meget tid spares? Bliver resultaterne bedre?
• Inddrag medarbejdere og borgere for at teste funktionalitet og brugervenlighed.

 

5. Integration med eksisterende systemer

AI-agenter skaber størst værdi, når de arbejder sammen med eksisterende IT-systemer. Sørg derfor for, at AI-agenten fx kan trække data fra ERP, CRM eller andre databaser; integrere med interne workflows og e-mailsystemer samt overholder GDPR og datasikkerhedsstandarder.

 

6. Overvågning, optimering og skalering

AI-agenter lærer og forbedrer sig over tid, men kræver løbende overvågning. Jeg vil anbefale jer at bruge dashboards til performance tracking samt løbende at justere og finpudse agentens regler og beslutningsparametre.
Vent med at skalere til flere afdelingen, indtil pilotprojektet viser sig succesfuldt.

 

7. Skab en ’AI-venlig’ kultur i organisationen

For at sikre en succesfuld implementering er det vigtigt, at I uddanner medarbejderne i at arbejde sammen med AI-agenter. En del af den proces er at etablere klare ansvarsområder mellem AI og mennesker samt sikre, at I får kommunikeret fordelene til både medarbejdere, borgere og kunder.