Hver mandag morgen ligger der en prioriteret liste over ugens vigtigste opgaver til vores hjemmeside, før jeg har åbnet et eneste system. Den er lavet af en AI-agent. Her er vores AI-agent i praksis: hvad den gør, hvad jeg stadig selv beslutter, og hvad der gik galt, mens vi byggede den.

Vi har tidligere skrevet om, hvad AI-agenter er, og hvor de holder. Det her er den konkrete version. Ikke en demo, men en opgave, der har kørt hver uge siden sommeren, med de fejl og rettelser, det har krævet.

Opgaven: fire systemer og en mandag morgen

De fleste virksomheder har en opgave som vores. Nogen skal hver uge trække tal ud af flere systemer, sætte dem sammen, finde det, der har ændret sig, og beslutte, hvad der skal gøres. Hos os handler det om hjemmesiden: hvilke sider bliver fundet på Google, hvilke mister trafik, og hvad skal vi rette først.

Tallene ligger fire steder:

• Google Search Console: hvad folk søger på, og hvor vi står i søgeresultaterne
• Google Analytics: hvad de besøgende gør, når de lander på siden
• Hjemmesidens egne SEO-data: titler, beskrivelser og tekniske fejl på hver side
• ClickUp, vores opgavestyring: hvad vi allerede har prøvet, og hvad vi har besluttet

Hver kilde for sig er nem at åbne. Det tidskrævende er at holde dem op mod hinanden. En side, der taber visninger i Search Console, er kun et problem, hvis den også skaffer henvendelser, og hvis vi ikke allerede har en opgave på den. Det svar står ikke i ét system. Det er præcis den slags arbejde, vidensmedarbejdere bruger timer på hver uge, og som ofte ender som en statusrapport, ingen når at handle på.

Sådan arbejder vores AI-agent i praksis

Agenten er en planlagt opgave, der starter af sig selv hver mandag kl. 8. Den kører på Claude med en skrevet instruks på godt 200 linjer og en håndfuld små programmer, der henter data. Den arbejder i seks trin:

• Henter data. Den trækker de seneste tal fra Search Console, Google Analytics og hjemmesidens egne SEO-data
• Kombinerer kilderne. Den holder søgetal, adfærd og tekniske fejl op mod hinanden, side for side
• Analyserer. Den leder efter sider med mange visninger og få klik, søgninger hvor vi står lige under første side, og fald fra uge til uge
• Tjekker, om signalet er ægte. Før noget kaldes et problem, skal det igennem en række tjek. Mere om dem nedenfor
• Slår historikken op. For hver side slår den op i ClickUp, om vi allerede har en opgave eller har truffet en beslutning om den
• Prioriterer og serverer. Den opretter de fire vigtigste opgaver i ClickUp med tallene bag, en begrundelse og en frist, og bygger et dashboard med ugens tal

Den gør det samme for vores anden hjemmeside, Proptechguiden, i et eget spor med en egen opgaveliste. De to blandes aldrig.

Det er kombinationen af datakilder, der giver værdien

Hvis agenten bare hentede tal, ville den være et dashboard. Værdien opstår, når kilderne bliver kombineret. Tre eksempler på, hvad kombinationen fanger:

• Visninger, der ikke er mennesker. Search Console kan vise mange visninger på en søgning, vi aldrig får klik på. Holdt op mod hvilke enheder søgningerne kommer fra, viser det sig nogle gange, at næsten alle kommer fra computere og ingen fra mobiler. Det er et typisk tegn på robottrafik, ikke på mennesker, der søger
• Nul klik, der er helt normalt. En side uden klik ligner et problem. Holdt op mod vores egen kurve for, hvor mange der klikker på hver placering, er nul klik på plads 9 til 15 præcis det forventede. Så er der intet at rette
• Sider, der skal have ro. Historikken fra ClickUp afgør, om en side er midt i en måling. Uden den ville agenten foreslå at ændre en side, vi bevidst venter på

Det er analysen, der flytter noget. Selve udtrækket kunne man automatisere for ti år siden. At holde fire kilder op mod hinanden og vurdere, hvad der er vigtigst, er det, der før krævede en medarbejder med tid og overblik.

Fundene lander der, hvor vi arbejder

Agenten sender ikke en rapport på mail, som nogen skal læse og omsætte til opgaver. Den lægger opgaverne direkte i ClickUp, hvor vi i forvejen planlægger ugen. Hver opgave har en titel, der kan stå alene, de tal, der udløste den, hvad der konkret skal gøres, og en frist. Findes der tidligere opgaver om samme side, står de øverst, så man læser dem først.

For mig betyder det, at mandagen starter med at læse fire opgaver og vælge, ikke med at lede. Jeg kan tage en opgave og gå i gang, eller lukke den med en begrundelse. Begge dele bliver husket til næste uge, fordi agenten læser de lukkede opgaver med.

Det samme gælder for jeres medarbejdere. Et fund, der står i et separat dashboard, bliver sjældent brugt. Et fund, der står som en opgave i det system, hvor arbejdet bliver planlagt, bliver taget stilling til.

Hvad jeg stadig selv beslutter

Agenten ændrer ikke noget på hjemmesiden. Den læser data og opretter opgaver, og det er det. Alt, der rører siderne, går gennem mig.

• Om en opgave overhovedet skal laves. Nogle forslag lukker jeg med det samme, fordi jeg ved noget, tallene ikke viser
• Hvordan den skal løses. Agenten peger på, hvor problemet er. Den skriver ikke den nye tekst
• Hvornår noget skal have ro. Måler vi effekten af en ændring, rører vi ikke siden, før målingen er færdig

Det er en bevidst arbejdsdeling. Agenten er god til at holde mange tal op mod hinanden uden at blive træt. Den er dårlig til at vide, hvad vi besluttede på et møde for tre uger siden, medmindre det står skrevet et sted, den kan læse.

Hvad der gik galt undervejs

Agenten virkede ikke rigtigt de første uger. Her er de fire fejl, der lærte os mest.

Den genoplivede beslutninger, vi lige havde lukket

En mandag i juli oprettede agenten fire opgaver. Tre af dem gik imod beslutninger, vi havde truffet få dage før, fordi den kun havde fået en løs besked om at tjekke for dubletter. Alle tre måtte skrives om i hånden. Løsningen var at gøre historik-opslaget til en fast kommando i stedet for et skøn. Nu slår den hver side op, før den skriver noget.

Den så efterspørgsel, der ikke fandtes

Mange visninger ligner efterspørgsel. Men en del af visningerne på en hjemmeside kommer fra robotter og fra AI-søgninger, der afprøver mange varianter af det samme spørgsmål. Agenten tog dem for gode varer og foreslog indhold til søgninger, ingen mennesker lavede. Nu skal hvert signal igennem tre tjek, før det må kaldes et problem: er det mennesker, er der faktisk færre klik end forventet, og er siden gammel nok til, at tallene har lagt sig.

Den meldte succes uden at have lavet noget

En af vores planlagte AI-opgaver greb i august det forkerte værktøj til ClickUp, skrev pænt, at nogen skulle godkende forbindelsen, og stoppede efter 21 sekunder. Systemet meldte, at kørslen var gennemført. Ugens tjek udeblev, uden at nogen opdagede det. Nu skriver agenten en kvittering som sit allersidste trin, og den tjekker hver mandag, om sidste uges kørsler faktisk efterlod et spor.

Den arbejdede ud fra en gammel instruks

Instruksen findes to steder: den kopi, agenten kører fra, og en sikkerhedskopi, hvor alle ændringer bliver gemt. En beslutning blev kun skrevet ind i den ene. I september læste agenten den forældede version og oprettede en opgave om at fejlsøge en måling, vi havde slukket med vilje. Nu tjekker den som det første, om de to kopier er enige.

Fælles for alle fire: fejlen så ud som succes. Det er den vigtigste lektie, hvis I selv bygger en AI-agent. Den skal ikke bare gøre arbejdet. Den skal efterlade spor, så I kan se, at den gjorde det.

Hvad det kostede at bygge

Det er ikke bygget på en weekend. Den første version hentede bare tal og skrev et overblik. Siden juni er hovedprogrammet ændret mere end 30 gange, og instruksen er i dag på godt 200 linjer, hvor næsten hvert afsnit findes, fordi noget gik galt. Det meste af tiden er ikke gået med at bygge, men med at lære agenten, hvad den skal lade være med at konkludere.

Selve driften koster næsten ingenting ud over de licenser, vi i forvejen betaler for. Den egentlige pris er tiden til at bygge den og opmærksomheden de første måneder, hvor man skal læse forslagene kritisk. Det er også derfor, vi anbefaler at starte med én opgave og ikke ti.

Data og sikkerhed

Agenten arbejder kun med vores egne driftsdata: søgetal og besøgstal i samlet form, hjemmesidens egne indstillinger og vores opgaveliste. Der er ingen personoplysninger om kunder i de data. Den har kun læseadgang til kilderne og skriver ét sted: opgavelisten. Adgangsnøglerne ligger i lokale filer, ikke i instruksen.

Skal en agent hos jer arbejde med kundedata eller personaledata, gælder de samme regler som for alle andre AI-værktøjer: en erhvervsaftale, en databehandleraftale og adgang til præcis det, opgaven kræver, og ikke mere.

Find jeres egen første AI-agent

Den bedste første opgave til en AI-agent ligner vores. Kig efter opgaver, der:

• Kommer igen hver uge eller måned, så det, I bygger, bliver brugt mange gange
• Kræver data fra flere systemer, fordi det er kombinationen, der tager tid i dag
• Ender med en beslutning eller en prioritering, ikke bare en tabel
• Har et menneske, der hurtigt kan tjekke resultatet, så fejl bliver fanget, før de koster noget

Typiske eksempler er salgets ugentlige status fra CRM, mails og tilbud, økonomiens månedlige afvigelser fra regnskab og budget, eller kundeservicens overblik over sager fra flere indbakker. Er det selve tallene, der skal undersøges, så se vores guide til dataanalyse med AI. Vil I prøve en agent i de værktøjer, I allerede har, er Claudes agent-funktioner et godt sted at starte.

Handler det mere om, hvor I skal starte, og hvordan det bliver en fast del af hverdagen, så er det det, vi hjælper med i AI-rådgivning.

Ofte stillede spørgsmål om vores AI-agent