AI-agenter er årets mest omtalte og mest oversolgte begreb. De findes, de virker, og de er ikke det, LinkedIn-opslagene lover. Her er, hvad AI-agenter faktisk er, hvad de kan i dag, hvad der stadig er demo, og hvad der skal til, før de giver værdi i en dansk virksomhed.
Hvis du har siddet til et netværksmøde det seneste halve år, har du hørt det: AI-agenter overtager arbejdet, virksomheder skalerer uden at ansætte, og den, der ikke er i gang nu, er bagud. Samtidig har du sikkert også en fornemmelse af, at demoen på scenen ikke helt ligner den hverdag, dit team har.
Den fornemmelse er berettiget. Teknologien er reel, men afstanden mellem demo og drift er stor lige nu, og de fleste artikler om emnet er skrevet af nogen, der sælger agenter. Denne er ikke.
Hvad er AI-agenter?
En AI-agent er et AI-værktøj, der ikke kun svarer på et spørgsmål, men selv udfører en opgave i flere trin. Den lægger en plan, bruger værktøjer undervejs (søger, åbner filer, henter data, skriver i et dokument) og arbejder videre, indtil opgaven er løst eller den går i stå.
Den korte version: du beder ikke agenten om et svar, du beder den om et resultat. Ikke “hvordan finder jeg de her tal”, men “find tallene, saml dem i et regneark og skriv et resumé”.
Det er skiftet fra et værktøj, du betjener, til et værktøj, der arbejder. Og det er præcis dét skifte, der gør både begejstringen og skepsissen forståelig.
Forskellen på en chatbot og en AI-agent
Forskellen er ikke intelligens, det er handlerum. En chatbot kan være lige så klog som en agent, men den kan kun tale med dig. Agenten har fået lov til at gøre noget.
| Chatbot (fx ChatGPT som de fleste bruger det) | AI-agent | |
|---|---|---|
| Leverer | Et svar eller et udkast, du selv bruger videre | Et færdigt stykke arbejde, fx en fil eller en opdateret liste |
| Antal trin | Ét ad gangen, du styrer hvert skridt | Mange trin i træk, uden at du sidder med |
| Adgang | Kun det, du selv indsætter i chatten | Filer, mail, systemer og web, hvis I giver adgang |
| Din rolle | Du er operatøren | Du er den, der afgrænser opgaven og godkender resultatet |
I praksis er grænsen glidende. De værktøjer, I allerede betaler for, har fået agent-funktioner ovenpå: OpenAI lancerede ChatGPT Work i juli 2026, Anthropic har Claude Cowork, og Microsoft har lagt agenter ind i Copilot i Microsoft 365. I skal altså sjældent købe noget nyt for at komme i gang. I skal beslutte, hvad I vil lade dem lave.
Hvad AI-agenter faktisk kan i dag, og hvad de ikke kan
Her er det, sælgerne springer over. Da forskere i 2026 testede de førende modeller på rigtige professionelle opgaver i APEX-benchmarken, løste de bedste agenter under en fjerdedel. Selv efter otte forsøg på samme opgave toppede de omkring 40 procent. Til sammenligning forventer Gartner, at 40 procent af virksomhederne har agenter i drift ved udgangen af året.
Der er altså et hul mellem, hvad der bliver købt, og hvad der virker. Men tallet skjuler den vigtige nuance: agenterne fejler på komplekse, sammensatte opgaver. På afgrænsede, gentagne opgaver med et output, et menneske kan tjekke på et minut, klarer de sig markant bedre.
| Virker i dag | Stadig demo |
|---|---|
| Afgrænsede opgaver med et tydeligt slutprodukt | Lange kæder af opgaver uden opsyn, hvor små fejl vokser |
| Opgaver hvor et menneske godkender, før noget sendes | Agenter der selv træffer beslutninger med konsekvenser udadtil |
| Arbejde på data, I allerede har samlet ét sted | Arbejde på tværs af systemer, der ikke taler sammen |
| Opgaver hvor en fejl opdages med det samme | Bogføring, kontrakter og indberetninger, hvor fejl er dyre og usynlige |
Mønsteret er det samme hver gang: en agent er pålidelig i præcis den grad, opgaven er afgrænset. Det er ikke en midlertidig børnesygdom, det er sådan teknologien fungerer lige nu.
Den mest holdbare måde at bruge en AI-agent på i 2026 er som en, der forbereder, ikke som en, der beslutter. Agenten gør arbejdet klar, mennesket trykker på knappen. Det lyder mindre imponerende end demoen, og det er også dét, der rent faktisk holder efter tre måneder.
Tre opgaver hvor AI-agenter holder i praksis
Det er nemmere at forstå AI-agenter ud fra eksempler end ud fra definitioner. Her er tre, der er afgrænsede nok til at virke, og almindelige nok til at findes i de fleste virksomheder.
1. Research og markedsovervågning
Agenten holder øje med et afgrænset område og samler det, der er nyt: konkurrenters prisændringer, nye udbud i jeres branche, ændringer i regler, der rammer jer. Den søger, læser og leverer et kort notat med kilder, så en medarbejder kan bruge fem minutter i stedet for to timer.
Det virker, fordi opgaven er tydeligt afgrænset, og fordi fejl er lette at opdage: kilden står der, eller også gør den ikke.
2. Oprydning og sammenstilling af data
Alle virksomheder har lister, der er rodede. Kundenavne stavet på fire måder, dubletter, manglende felter, tal fra to systemer der skal sammenholdes. En agent kan gå rækkerne igennem, foreslå rettelser og samle det i én fil.
Her er godkendelsestrinnet vigtigt. Lad agenten foreslå ændringerne i en kopi, ikke skrive direkte i jeres CRM.
3. Triagering af indgående henvendelser
Mails, formularer og henvendelser sorteres efter type og hastværk, får et forslag til svar hæftet på, og lander klar til et menneske. Medarbejderen læser, retter og sender.
Den model, hvor agenten forbereder og mennesket sender, er hverken den mest ambitiøse eller den mest omtalte. Den er til gengæld den, der overlever kontakten med en almindelig arbejdsuge.
Bemærk hvad de tre har til fælles: opgaven er afgrænset, resultatet kan tjekkes på under et minut, og et menneske godkender, før noget forlader huset. Det er de tre kriterier, I kan bruge til at vurdere ethvert forslag om en AI-agent, I får præsenteret.
Hvad der skal være på plads, før en AI-agent giver værdi
Den almindelige indvending er, at jeres data ikke er klar. Den er delvist rigtig, men bliver ofte brugt som en større bremse, end den behøver være.
- Data skal være samlet, ikke perfekte. En agent kan arbejde med rodede data, hvis de ligger ét sted, den kan komme til. Den kan ikke arbejde med pæne data spredt over syv systemer og en fællesdrev-mappe, ingen har ryddet op i siden 2019.
- Adgange skal være bevidst afgrænsede. Giv agenten adgang til dét, opgaven kræver, og ikke mere. En agent med adgang til alt er både en sikkerhedsrisiko og en dårlig medarbejder.
- GDPR skal håndteres, ikke frygtes. Behandler agenten persondata, gælder de samme regler som for alt andet: lovligt grundlag, databehandleraftale med leverandøren, og ingen personoplysninger i værktøjer, I ikke har en aftale med. Bruger I allerede Microsoft 365 eller en betalt ChatGPT- eller Claude-aftale, er rammen typisk på plads. Det er sjældent jura, der stopper det, det er uklarhed om, hvem der har taget stilling.
- Nogen skal eje opgaven. En agent uden en ansvarlig ender som en tilfældig automatisering, ingen tør røre, når den fejler.
Er I i tvivl om, hvor jeres data og adgange reelt står, er det den slags, en uvildig AI-rådgivning kan afklare på nogle få timer, før I bruger måneder på et projekt.
Sådan kommer I i gang uden at starte et projekt
Den anden indvending er tid og mennesker. Den er velbegrundet, men peger på en løsning frem for en forhindring: gør det lille i stedet for at lade være.
- Vælg én opgave, ikke en strategi. Den skal være tilbagevendende, kedelig og have et resultat, der kan tjekkes hurtigt. Research-notatet er et godt sted at starte.
- Brug det værktøj, I allerede betaler for. Er I på Microsoft 365, ChatGPT eller Claude, har I agent-funktionerne. Køb ikke en platform, før I ved, hvad I vil bruge den til.
- Sæt en uge af, ikke et kvartal. Én person, nogle timer, én opgave. Virker det ikke, har I brugt en uge og lært noget konkret.
- Beslut på forhånd, hvad der tæller som succes. Sparet tid pr. uge, eller antal opgaver leveret uden rettelser. Uden et tal bliver evalueringen en fornemmelse.
Skal flere i teamet kunne det samme, er det typisk her et AI-firmakursus giver mening: I bygger de første agenter på jeres egne opgaver i stedet for at se dem demonstreret på en andens.
Er AI-agenter relevante hos jer, eller er det hype?
Det korte svar afhænger af, hvilke opgaver I har, og hvordan jeres data ligger. Book en gratis, uforpligtende snak, så kigger vi konkret på, om der er en opgave hos jer, der er afgrænset nok til at virke, og siger det ærligt, hvis der ikke er.
Vil I hellere klæde hele teamet på først? Se vores AI-firmakurser.
Paw Lundin
Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.
Ofte stillede spørgsmål om AI-agenter
Hvad er AI-agenter helt kort?
En AI-agent er et AI-værktøj, der selv udfører en opgave i flere trin i stedet for kun at svare på et spørgsmål. Den lægger en plan, bruger værktøjer undervejs som søgning, filer og data, og arbejder videre, til opgaven er løst. Du beder den ikke om et svar, men om et resultat.
Hvad er forskellen på en chatbot og en AI-agent?
Forskellen er handlerum, ikke intelligens. En chatbot svarer dig, og du bruger svaret videre. En agent har adgang til filer, systemer eller web og udfører selv flere trin, indtil der ligger et resultat. Du går fra at være operatør til at være den, der afgrænser opgaven og godkender resultatet.
Virker AI-agenter i praksis, eller er det hype?
Begge dele. På afgrænsede, gentagne opgaver med et resultat, et menneske kan tjekke hurtigt, virker de i dag. På komplekse, sammensatte opgaver fejler de stadig ofte: i APEX-benchmarken fra 2026 løste de bedste modeller under en fjerdedel af rigtige professionelle opgaver. Skepsis over for demoer er derfor velbegrundet, mens afvisning af teknologien ikke er.
Hvad er gode eksempler på AI-agenter til virksomheder?
Tre der holder i praksis: research og markedsovervågning, hvor agenten samler nyt om konkurrenter, udbud eller regler i et kort notat med kilder. Oprydning og sammenstilling af data, hvor den finder dubletter og uens stavemåder i lister. Og triagering af indgående henvendelser, hvor mails sorteres og får et svarudkast, som en medarbejder godkender.
Kræver AI-agenter, at vi køber nye systemer?
Sjældent. De værktøjer, de fleste virksomheder allerede betaler for, har fået agent-funktioner: ChatGPT Work kom i juli 2026, Claude Cowork findes, og Microsoft har lagt agenter ind i Copilot i Microsoft 365. Start med det, I har licens til, og køb først en platform, når I ved præcis, hvad den skal bruges til.
Hvad med GDPR og vores data?
Behandler agenten persondata, gælder de almindelige regler: lovligt grundlag, databehandleraftale med leverandøren, og ingen personoplysninger i værktøjer uden aftale. Bruger I allerede Microsoft 365 eller en betalt ChatGPT- eller Claude-aftale, er rammen typisk på plads. Giv desuden agenten adgang til præcis det, opgaven kræver, og ikke mere.
Hvor lang tid tager det at komme i gang?
En uge, ikke et kvartal, hvis I gør det rigtigt. Vælg én tilbagevendende opgave, sæt én person og nogle timer af, brug det værktøj I allerede betaler for, og beslut på forhånd hvad der tæller som succes. Virker det ikke, har I brugt en uge og lært noget konkret om jeres egne data.