Agenten skal have en erfaringsbog, ikke bare mere hukommelse

Mange virksomheder kender efterhånden den første generation af kunstig intelligens. Man skriver et spørgsmål i ChatGPT eller Copilot, får et svar, retter lidt til og går videre.

Det er nyttigt. Men det er stadig primært en samtale.

Agentarbejde er noget andet. Her skal den kunstige intelligens løse en opgave over flere trin. Den skal måske læse materiale, finde mønstre, lave et udkast, rette efter feedback, gennemføre en beregning, aflevere en fil og dagen efter fortsætte samme type arbejde med afsæt i det, den allerede har lært.

Så opstår et nyt spørgsmål:

Hvad må agenten egentlig tage med sig videre?

Det handler ikke kun om, hvilke dokumenter den må læse, eller hvilke værktøjer den må bruge. Det handler også om, hvilke erfaringer fra arbejdet der skal danne grundlag for næste opgave.

Her kommer mange hurtigt til at tale om "hukommelse".

Det lyder umiddelbart som en fordel. Hvis agenten kan huske virksomhedens skrivestil, tidligere fejl, kundetyper, godkendte formuleringer og faste forbehold, slipper medarbejderne for at forklare det samme igen og igen.

Men mere hukommelse er ikke automatisk bedre.

Hvis agenten husker en gammel pris, bliver den gamle pris gentaget hurtigere. Hvis den husker en midlertidig undtagelse som en generel regel, bliver undtagelsen til praksis. Hvis den husker en rettelse, som aldrig blev godkendt, kan fejlen leve videre længe efter den oprindelige opgave.

Derfor er opgaven ikke bare at give agenten mere hukommelse.

Opgaven er at give den en erfaringsbog.

Fra glemt chat til erfaring, der kan genbruges

Flere aktuelle initiativer peger i samme retning.

OpenAI annoncerede 11. juni 2026, at selskabet vil købe Ona for at udvide Codex med sikre, kundekontrollerede cloudmiljøer til langvarigt agentarbejde. OpenAI beskriver selv, hvordan Codex-opgaver i stigende grad strækker sig over timer eller dage, og hvordan agenten skal kunne fortsætte arbejdet på tværs af sessioner.

Stack Overflow lancerede 10. juni 2026 Stack Overflow for Agents som en beta. Her kan agenter søge efter svar, dele læring og få løsninger verificeret. Det interessante er ikke kun, at agenter får endnu et sted at lede efter information. Pointen er også, at sandsynlige svar er lette at producere, mens verificeret viden stadig kræver arbejde.

Xiaomi beskriver i MiMo Code, hvordan en kodeagent til længerevarende opgaver bruger projekthukommelse, checkpoints og løbende vedligeholdelse af det, den husker. Et vigtigt princip er, at brugeren skal kunne se, rette og slette det, der gemmes, når hukommelsen påvirker fremtidige handlinger.

Det er en væsentlig forskel.

En lukket hukommelse kan være endnu en måde at miste overblikket på.

En erfaringsbog kan derimod læses, rettes og vedligeholdes. Den kan indeholde noter med udløbsdato. Og den kan skelne mellem det, agenten foreslår, og det, mennesker faktisk har godkendt.

En virksomhed lærer ikke kun før opgaven

Forestil dig en virksomhed, der bruger kunstig intelligens til at forberede tilbud.

Første gang skal medarbejderen forklare det hele:

• Sådan ser et godt tilbud ud.
• Disse ydelser må ikke loves uden nærmere afklaring.
• Denne type kunde foretrækker korte svar.
• Prisintervallet er kun vejledende.
• Følsomme oplysninger må ikke bruges i eksterne værktøjer.

Anden gang sker der måske noget mere interessant. Agenten laver et udkast. Medarbejderen retter det. En formulering bliver godkendt. En anden bliver afvist. Et forbehold viser sig at være vigtigt. Noget tekst bliver for teknisk og skal skrives mere jordnært.

Tredje gang bør agenten ikke starte helt forfra.

Men den bør heller ikke gemme alt ukritisk.

Det er her, erfaringsbogen kommer ind.

Efter en opgave kan agenten eksempelvis foreslå:

"Når vi skriver tilbud til denne type kunde, skal leveringstid altid angives som et interval og ikke som en fast dato."

Men det forslag skal ikke automatisk blive en ny regel.

En medarbejder skal kunne vælge:

• Ja, den må bruges igen.
• Nej, den gjaldt kun i denne sag.
• Gem den som forslag, men ikke som regel.
• Slet den, fordi den bygger på en fejl.
• Sæt en udløbsdato på, fordi prisen ændrer sig.

Det kan lyde administrativt, men det er i virkeligheden meget praktisk.

Hvis agenten skal udføre den samme type arbejde igen og igen, bliver dens hukommelse en del af virksomhedens måde at arbejde på.

Hvad skal stå i erfaringsbogen?

En erfaringsbog behøver ikke være et stort system.

Den kan begynde som et enkelt dokument med seks felter.

1. Hvad lærte agenten?

Skriv det konkret. Ikke "kunden ønsker god service", men eksempelvis: "Ved tilbud om kursusforløb skal varighed, antal deltagere og forberedelsesmøde fremgå tydeligt i de første ti linjer."

2. Hvor kommer erfaringen fra?

Kommer den fra en konkret opgave, en kundemail, en godkendt tekst, en fejl, et møde eller en officiel kilde?

3. Er den verificeret?

Har et menneske gennemgået den? Er den afprøvet i praksis? Eller er det blot agentens eget forslag?

4. Må den bruges igen?

Nogle erfaringer er generelle. Andre gælder kun for én kunde, én periode eller én bestemt opgavetype.

5. Hvornår udløber den?

Priser, produkter, regler, kontaktpersoner og interne beslutninger ændrer sig. En gammel note må ikke blive behandlet som en evig sandhed.

6. Hvem kan rette den?

Hvis ingen har ansvaret for erfaringsbogen, bliver den hurtigt enten uoverskuelig eller risikabel.

Det vigtigste er ikke formatet.

Det vigtigste er at skelne mellem tre typer viden:

• forslag fra agenten
• verificeret erfaring
• forældet eller afvist viden

Agenten må gerne foreslå nye erfaringer. Men virksomheden skal beslutte, hvad der bliver til praksis.

Det handler ikke om at kontrollere alt

Det er let at få indtryk af, at mennesker nu skal kontrollere hvert eneste trin i arbejdet.

Det er ikke pointen.

Pointen er ledelse.

Når en ny medarbejder bliver oplært, kontrollerer man heller ikke alt for altid. Man retter de første opgaver, forklarer mønstre og gør det klart, hvad der er generelle regler, og hvad der var en undtagelse. Efterhånden bliver medarbejderen bedre.

Men man ville næppe sige:

Husk bare alt, hvad der skete i går, og brug det som regel i morgen.

Alligevel er det tæt på den måde, mange tænker om agenters hukommelse.

Hvis kunstig intelligens skal fungere som en digital kollega, skal den også oplæres ordentligt. Ikke med flere modeord, men med konkrete erfaringer, som kan ses, forklares og rettes.

Den gode agent husker ikke mest

Den bedste agent er ikke nødvendigvis den, der husker mest.

Det er den, der husker det rigtige, markerer usikkerhed og giver mennesker mulighed for at rette dens erfaringsgrundlag.

Det bliver særligt vigtigt, når agenten ikke kun svarer i et chatvindue, men arbejder med rigtige opgaver som:

• tilbud
• supportsager
• dokumenter
• hjemmesidetekster
• analyser
• interne procedurer
• beslutningsoplæg

Her kan en lille fejl hurtigt sprede sig.

En gammel formulering kan dukke op i mange nye udkast. En forkert antagelse kan blive gentaget i flere rapporter. En midlertidig kundeaftale kan ende med at blive behandlet som standard.

Derfor skal virksomheden kunne åbne erfaringsbogen og spørge:

• Hvad bygger agenten dette på?
• Hvem har godkendt det?
• Gælder det stadig?
• Må det bruges i denne opgave?
• Skal det slettes?

Det er ikke tung styring.

Det er almindelig ordentlighed i arbejdet.

Fra prompt til oplæring

ChatGPT og Copilot har lært mange at stille bedre spørgsmål.

Agentarbejde kræver noget mere. Det kræver, at virksomheder begynder at oplære kunstig intelligens i konkrete arbejdsgange.

Oplæring handler ikke kun om instrukser før opgaven. Den handler også om erfaringerne bagefter.

Hvad gik godt?

Hvad skulle rettes?

Hvad må bruges igen?

Hvad må aldrig blive en regel?

Når kunstig intelligens bevæger sig fra chatbot til agentarbejde, bliver hukommelse en ledelsesopgave.

Ikke fordi mennesker skal overvåge agenten hele tiden.

Men fordi virksomheden skal beslutte, hvilke erfaringer der skal danne grundlag for morgendagens arbejde.

Agenten skal ikke bare have mere hukommelse.

Den skal have en erfaringsbog.