Agenten skal have sin egen nøgle

Mange virksomheder er efterhånden fortrolige med ChatGPT og Copilot.

Man stiller et spørgsmål, får et svar, retter til og bruger det som sparringspartner, skrivehjælp, analyseværktøj eller første udkast. Det er en god begyndelse.

Men det er ikke det samme som agentarbejde.

Forskellen er, at en chatbot primært svarer på det, du spørger om. En agent får en opgave. Den kan læse materiale, hente oplysninger, bruge værktøjer, foreslå næste skridt og i nogle tilfælde udføre handlinger på tværs af systemer.

Når kunstig intelligens bevæger sig fra samtale til opgaveløsning, ændrer ledelsesopgaven sig også.

Spørgsmålet er ikke længere kun:

"Hvilket værktøj skal vi købe?"

Det bliver snarere:

"Hvilken nøgle får agenten? Hvad må den gøre? Hvad må opgaven koste? Og hvor skal den stoppe og bede et menneske om at tage over?"

En chatbot låner din opmærksomhed. En agent får adgang til arbejdet

Med en almindelig chatbot er det stadig medarbejderen, der sidder ved roret.

Hvis svaret er forkert, kan man ignorere det. Hvis teksten er dårlig, kan man lade være med at bruge den. Hvis analysen ikke holder, kommer den ikke videre.

Agentarbejde er noget andet, fordi opgaven ofte består af flere trin.

For eksempel:

• find kundens seneste henvendelse
• slå aftalegrundlaget op
• sammenlign med lignende sager
• lav et svarudkast
• markér usikkerheder
• foreslå næste handling

Det er ofte langt mere nyttigt end et enkelt svar i en chat.

Men det giver også flere risici.

Hvis agenten arbejder med medarbejderens fulde adgang, kan en lille opgave hurtigt få et meget stort handlerum. En agent, der skulle finde en faktura, kan måske også refundere penge, ændre stamdata eller sende beskeder. En agent, der skulle finde afvigelser i økonomien, kan komme tættere på betalinger eller bogføring, end virksomheden egentlig ønsker.

Derfor bør udgangspunktet ikke være maksimal adgang.

Udgangspunktet bør være en rolle.

Rollen skal være smallere end medarbejderens ansvar

En medarbejder kan have bred adgang, fordi vedkommende også har dømmekraft, erfaring, ansvar og mulighed for at spørge kolleger eller ledelse.

En agent bør styres langt mere præcist.

Den skal kun kunne se de oplysninger, opgaven kræver. Kun bruge de værktøjer, opgaven kræver. Og kun udføre de handlinger, virksomheden på forhånd har besluttet.

Det handler ikke om mistillid til kunstig intelligens.

Det handler om almindelig drift.

En ny medarbejder får heller ikke adgang til hele økonomisystemet den første dag, hvis opgaven blot er at klargøre bilag til gennemgang. Man afgrænser rollen, adgangen og ansvaret.

Det samme princip gælder her.

Kunstig intelligens kan for eksempel godt:

• læse relevante sager
• samle oplysninger
• finde afvigelser
• lave udkast
• forklare usikkerheder
• foreslå næste skridt

Men den bør ikke uden videre:

• sende mails til kunder eller samarbejdspartnere
• love rabatter
• ændre kontrakter
• bogføre betalinger
• slette data
• publicere indhold
• træffe myndighedslignende afgørelser

Det er stadig mennesker, der skal sætte retningen og tage ansvaret.

Prisen følger opgaven, ikke abonnementet

Der er også en mere jordnær grund til at sætte rammer.

Forbruget.

Når kunstig intelligens bruges som skrivehjælp, opleves prisen ofte som et abonnement. Men agenter kan bruge væsentligt flere ressourcer, fordi de arbejder længere, henter flere oplysninger og bruger flere værktøjer undervejs.

En agent, der arbejder i 15 minutter på en kompleks opgave, bør vurderes anderledes end et kort svar i en chat.

Virksomheden bør derfor kunne se:

• hvilken opgave agenten løste
• hvor længe den arbejdede
• hvilke systemer den brugte
• hvilke trin der kostede mest
• om resultatet var godt nok
• om et menneske godkendte næste skridt

Ellers bliver forbruget usynligt.

Og det er svært at styre noget, man ikke kan se.

Det relevante spørgsmål er ikke kun, hvad værktøjet koster om måneden. Det er også, hvad en konkret opgave koster at få løst, og om kvaliteten står mål med udgiften.

Loggen er arbejdets hukommelse

Når en medarbejder afleverer en opgave, kan man spørge:

Hvad byggede du din vurdering på?

Hvad var du i tvivl om?

Hvorfor valgte du den løsning?

De samme spørgsmål bør man kunne stille til en agent.

Ikke fordi al dokumentation skal være tung eller juridisk. Men fordi det ellers bliver svært at forstå, hvad der faktisk skete.

Hvis en agent forbereder et kundesvar, bør den kunne vise:

• hvilke kilder den brugte
• hvilke oplysninger den lagde til grund
• hvilke antagelser den gjorde
• hvor den var usikker
• hvilke handlinger den ikke havde lov til at udføre
• hvor den stoppede og ventede på godkendelse

Det gør arbejdet lettere at gennemgå.

Det gør fejl lettere at finde.

Og det gør det muligt at forbedre agenten på et oplyst grundlag i stedet for blot at håbe på bedre svar næste gang.

De store leverandører bevæger sig i samme retning

Det mest interessante ved de seneste nyheder er ikke de enkelte produktnavne.

Det er retningen.

OpenAI beskriver Codex som en bredere arbejdsflade med rollespecifikke funktioner til blandt andet dataanalyse, salg, produktdesign og finans. Microsoft taler om agenter som produktionssystemer med evaluering, kontroller, observation af drift, adgangsstyring og indsigt i omkostninger. Workday og Google Cloud vil bringe agenter tættere på HR- og økonomiarbejde, hvor regler, rettigheder og godkendelser allerede spiller en central rolle. Meta udruller en Business Agent til kundedialoger, hvor virksomheden fortsat kan definere regler og lade et menneske tage over.

Det handler ikke længere kun om at skrive bedre tekster.

Det handler om kunstig intelligens, der arbejder tættere på virksomhedens daglige opgaver.

Og jo tættere den kommer på arbejdet, desto vigtigere bliver rammerne.

En enkel ramme at starte med

Det behøver ikke være kompliceret.

Vælg én tilbagevendende opgave, hvor medarbejdere i dag bruger tid på at samle oplysninger fra flere steder, og hvor konsekvensen stadig kan stoppes, før noget sendes eller ændres.

For eksempel:

"Forbered svar på kundehenvendelser om abonnement og faktura. Læs den seneste dialog, find relevant aftalegrundlag, lav et svarudkast, markér usikkerheder og stop før afsendelse."

Beskriv derefter rammerne:

1. Rolle: Hvad er agentens opgave?
2. Adgang: Hvilke systemer, filer og oplysninger må den bruge?
3. Handlinger: Hvad må den gøre selv?
4. Stop: Hvad må den aldrig gøre uden menneskelig godkendelse?
5. Log: Hvilke trin, kilder og usikkerheder skal dokumenteres?
6. Test: Hvilke tidligere sager skal den afprøves på først?
7. Forbrug: Hvor meget tid og beregning må opgaven bruge?
8. Godkendelse: Hvem skal sige ja, før noget sendes, ændres, betales eller publiceres?

Det lyder måske mindre spændende end den nyeste model eller den nyeste funktion.

Men det er ofte her, værdien begynder.

Mennesket er stadig leder

Agentarbejde betyder ikke, at virksomheden giver slip på kontrollen.

Det betyder, at kontrollen skal beskrives tydeligere.

En chatbot kan godt være nyttig, selv om rammerne er løse. En agent kan ikke arbejde på samme måde, hvis den skal tæt på kunder, økonomi, HR, data, aftaler eller publicering.

Derfor er næste skridt ikke nødvendigvis at give kunstig intelligens adgang til mere.

Næste skridt er ofte at vælge én konkret opgave og definere rammen omkring den.

Hvad skal løses?

Hvilken nøgle får agenten?

Hvad må den koste?

Hvad skal logges?

Hvor stopper den?

Hvem godkender?

Når de spørgsmål er besvaret, kan kunstig intelligens få mere ansvar.

Ikke fordi den er fri.

Men fordi den arbejder inden for nogle rammer, virksomheden selv har valgt.

Kilder

• OpenAI om Codex som arbejdsflade
• Microsoft Foundry om åbne evalueringer og kontrolstandard for agenter
• Microsoft om Agent 365 og styring af agentsystemer
• Workday og Google Cloud om agenter til HR og økonomi
• Meta Business Agent
• RSS- og TLDR-kilder fra 2.-4. juni 2026, herunder The Verge, TechCrunch, The Decoder og Artificial Intelligence News.