phugl · kurser og arbejdsgange med kunstig intelligens
Fra at skrive med ChatGPT til at lade agenter løse opgaver
De fleste har prøvet at skrive frem og tilbage med ChatGPT, Claude eller Copilot. Jeg begyndte også i chatfeltet. I dag arbejder jeg mest med agenter, der kan arbejde direkte med den konkrete opgave: læse materialet, finde relevante filer, rette tekster, køre tjek og komme tilbage med et resultat, jeg kan tage stilling til.
Jeg bruger kunstig intelligens i stort set hele min egen virksomhed. Det er mit faglige udgangspunkt. Jeg sætter retningen, vurderer kvaliteten og træffer beslutningerne. Men meget af det arbejde, jeg før selv skulle holde styr på mellem ide og færdigt resultat, klarer agenterne nu.
Det, der ændrede sig for mig
Den største forskel er ikke modellen. Det er, om den kun svarer, eller om den også kan løse opgaven.
Bag teknologien ligger ofte den samme type sprogmodel. Forskellen er, om den kun svarer i et chatvindue, eller om den kan arbejde direkte med de filer, dokumenter og systemer, opgaven handler om.
I en chat skal du selv flytte tekst, filer og beslutninger frem og tilbage. En agent kan tage flere skridt i træk, køre de tjek, den har adgang til, og vende tilbage med status eller et færdigt resultat. Derfor bruger jeg sjældent den almindelige chatflade i mit eget arbejde.
Start med den rigtige opgave
Ret forsiden. Forbered et kursus. Find kvitteringerne. Gennemgå en analyse. Agenten skal arbejde med den opgave, der allerede ligger på bordet, ikke med en kunstig øvelse.
Lad den løse opgaven inden for rammerne
Når målet og rammerne er tydelige, må den selv finde relevante filer, foreslå en rækkefølge, rette oplagte fejl, tjekke arbejdet og tage næste skridt. Hvis et menneske skal godkende hvert lille valg undervejs, forsvinder en stor del af gevinsten.
Giv den det, den mangler
Når resultatet ikke er godt nok, mangler den ofte noget: en fil, et eksempel, en tidligere beslutning eller en bestemt tone. Så giver man den materialet og beder den arbejde videre.
Bed den huske, hvad der virkede
Når agenten løser opgaven godt, skal erfaringen ikke gå tabt. Jeg beder den notere, hvilke valg, instruktioner og fremgangsmåder der virkede. Så starter den næste lignende opgave med mere viden og rammer oftere rigtigt første gang.
Metoden
Vælg arbejdsformen før værktøjet.
Mange spørger, om de skal vælge ChatGPT, Copilot, Claude, Gemini, Codex eller noget helt andet. Det er et relevant spørgsmål, men sjældent det første. Først bør man finde ud af, hvordan man vil arbejde. Skal kunstig intelligens kun bruges i et chatvindue, eller skal den også kunne arbejde med filer, dokumenter og materialer i et konkret projekt?
Chatfeltet
Du skal selv samle trådene
Du skriver en besked, indsætter materiale og får et svar. Derefter skal du selv vurdere svaret, flytte materialet videre og tage næste skridt. Det er et godt sted at begynde, men du driver stadig arbejdet selv.
Agentmiljøet
Den kan arbejde med materialet
I Codex, Claude Code og lignende miljøer kan modellen læse filer, foreslå ændringer, rette i materialet og løse flere delopgaver inden for de rammer, du har sat. Bagefter kommer den tilbage med et resultat, du kan vurdere.
Sådan holder jeg tærsklen lav på kurser
Vi starter med de opgaver, deltagerne allerede har
Det kan være en mail, et dokument, et oplæg, et regneark eller en konkret opgave fra hverdagen. Målet er ikke at lære et bestemt værktøj udenad, men at forstå, hvilken information og hvilke materialer der skal til, før et svar bliver brugbart.
Når svaret ikke rammer plet
Så ser vi på, hvad der mangler. Måske skulle en tidligere tekst, en intern regel, et eksempel, en bestemt målgruppe eller mere baggrundsviden have været med. Det er ofte her, de vigtigste erfaringer opstår.
Når det virker, gør vi det nemt at gentage
Vi samler erfaringerne: Hvilke filer blev brugt? Hvilke valg gav et godt resultat? Hvilke tjek fungerede? Hvad skal modellen eller agenten gøre næste gang?
Rammer og risiko
Jo bedre rammer, jo mere kan agenten gøre selv.
Mere viden og mere kontekst gør ofte agenten bedre til at løse opgaven. Risikoen afhænger ikke kun af, hvad den ved, men især af, hvad den må gøre, og hvilke konsekvenser det kan få.
Rammer før forbud
Når opgaven er tydelig, og det er klart, hvilke filer agenten må bruge, hvilke systemer den har adgang til, og hvad den må ændre, kan den få mere ansvar. Det giver ofte bedre resultater end brede forbud.
Risikoen afhænger af opgaven
Et tekstudkast, et bilagsoverblik, en kundemail og en ændring i et system har ikke samme konsekvenser. Derfor skal frihed og krav om godkendelse passe til den konkrete opgave.
Godkend dér, hvor det betyder noget
Noget kan agenten klare selv. Andet kræver en godkendelse, før det må ske, for eksempel at sende noget ud af huset, publicere indhold, bogføre, ændre i systemer eller dele følsomme oplysninger med eksterne tjenester. Det skal være tydeligt, hvor grænsen går.
Min egen praksis
Jeg bruger selv kunstig intelligens i det daglige arbejde.
Da jeg startede phugl, havde jeg en enkel regel: Jeg ville bruge kunstig intelligens overalt, hvor det gav mening. I starten foregik det meste i chatvinduer. Det fungerede fint, men jeg brugte for meget tid på selv at holde styr på filer, materiale og opfølgning. I dag arbejder jeg næsten kun i miljøer, hvor agenter kan arbejde direkte med projekter, filer og systemer.
Mit spørgsmål er sjældent, om jeg selv kan løse opgaven. Det er, hvor langt en agent kan tage den, før jeg skal sætte retning, rette til og træffe beslutninger.
Kurser og undervisning
Jeg bruger agenter til at gennemgå deltagerinput, kommunale retningslinjer og tidligere kursusmateriale. De kan forberede cases, øvelser, slides og forslag til kursusforløb. Jeg sætter retningen og vurderer, hvad der er godt nok til undervisning.
Hjemmeside, artikler og tekst
Denne forside er et eksempel. Jeg giver retning og kritik. Agenten finder filerne, retter teksten, bygger siden, åbner et udkast i browseren og viser, hvad der er ændret. Derefter vurderer jeg, om resultatet faktisk lyder som mig.
Bilag, kvitteringer og bogføring
Når en opgave er klart afgrænset, lader jeg også agenter tage det praktiske arbejde omkring økonomi: finde kvitteringer i mails og på leverandørers sider, samle dem som bilag, matche dem med posteringer og pege på det, der mangler. Jeg gennemgår materialet, før noget bliver bogført.
Status, beslutninger og næste skridt
Når et projekt er i gang, kan agenter samle status: Hvad er gennemført? Hvad mangler? Hvilke beslutninger afventer stadig? Hvad er næste fornuftige skridt? Det gør det lettere at bevare overblikket uden selv at skulle holde hele processen i hovedet.
Eksempler fra arbejdet
Udpluk af opgaver og samarbejder
Her er nogle eksempler på opgaver og samarbejder. Fælles for dem er, at kunstig intelligens først bliver rigtig brugbar, når den arbejder med relevant materiale, klare rammer, nødvendige tjek og viden om tidligere beslutninger.
Jimco
Oprydning i indhold og strukturGennemgang af eksisterende tekster, sider og arbejdsmaterialer med fokus på dubletter, uklar struktur og indhold, der med fordel kunne samles, opdateres eller organiseres bedre.
Komponent
Kommunale kursusforløbKursusforløb via Komponent for kommunale medarbejdere med udgangspunkt i deres egne opgaver, kildematerialer, datagrænser og behov for faglig godkendelse.
Haderslev Erhvervsråd
Virksomheder med egne opgaverDeltagerne arbejdede med egne hjemmesider, salgsmaterialer, regneark og kundekommunikation, så de kunne tage konkrete udkast og løsninger med hjem.
Middelfart Erhverv
Oplæg og workshopsMorgenmøder, minikurser og workshops for lokale virksomheder med eksempler og øvelser, der tager udgangspunkt i deltagernes hverdag og opgaver.
NCAS
Fortrolig foranalyseForanalyse med datatjek, scenarier, beregninger og rapportudkast. Nævnt her kun på opgaveniveau, da indholdet er fortroligt.
Kort forklaret
Tre spørgsmål, der ofte afgør næste skridt
Hvad hjælper phugl med?
phugl hjælper virksomheder, kommuner og organisationer med at bruge kunstig intelligens til konkrete opgaver. Det kan være alt fra kurser i ChatGPT og Copilot til arbejde med egne dokumenter, kvalitetssikring og løsninger, der gør det nemmere at finde og bruge eksisterende viden.
Hvad er en agent?
En agent er en løsning baseret på kunstig intelligens, som kan håndtere flere dele af en opgave. Den kan for eksempel læse dokumenter, finde oplysninger, skrive udkast, rette tekst, samle status og arbejde videre med det materiale, den har adgang til. Et menneske sætter retningen og godkender resultatet.
Skal vi vælge værktøj først?
Nej. Begynd med selve opgaven. Hvad skal løses, hvilke materialer må bruges, og hvad skal et menneske godkende? Når det er på plads, er det langt lettere at vurdere, om ChatGPT, Claude, Gemini eller et andet værktøj passer bedst.
Kuraterede nyheder
Udviklingen går hurtigt. Jeg sorterer i det.
Udvalgte nyheder og ændringer inden for kunstig intelligens med relevans for danske virksomheder, kommuner og organisationer.
Agenten skal have sin egen nøgle
Mange virksomheder er efterhånden fortrolige med ChatGPT og Copilot.
Cohere overtager Aleph Alpha og satser på et europæisk alternativ med kunstig intelligens
Canadiske Cohere vil overtage tyske Aleph Alpha. Aftalen er stadig betinget af myndigheds- og aktionærgodkendelse, men sigtet er klart: at bygge et suverænt alternativ med kunstig intelligens for virksomheder og offentlige organisationer i et landskab, der i dag er domineret af amerikanske spillere.
OpenAI lukker Codex igen og folder kodning ind i GPT-5.5
OpenAI har endnu en gang lukket sin dedikerede Codex-model for programmering. Funktionerne er rullet direkte ind i hovedmodellen, og ifølge Romain Huet fra OpenAI findes der ikke længere en separat Codex-modellinje. GPT-5.3, lanceret i begyndelsen af februar 2026, beskrives som den sidste standalone Codex-model.
Næste skridt
Har I en opgave, I gerne vil have løst?
Beskriv kort jeres situation, eller book 30 minutter i kalenderen. Tag gerne en konkret opgave med. Det kan være en bestemt type mail, et dokument, kursusmateriale, en arbejdsgang eller noget andet, der tager mere tid end nødvendigt.