AI-agenterne kommer!

Faktisk er de her allerede. For mens mange af os stadig er ved at vænne os til at bruge ChatGPT, Claude og andre AI-værktøjer som en slags meget avanceret sparringspartner, er næste skridt allerede taget ude på arbejdspladserne.

AI skal ikke længere bare svare på spørgsmål. Den skal også kunne gøre noget og være udførende.

Booke et møde. Hente oplysninger fra et system. Sortere kundehenvendelser. Opdatere et regneark. Søge efter information. Sende en sag videre til den rigtige medarbejder.

Og den skal kunne gennemføre flere af disse handlinger i samme arbejdsgang.

_Annonce:

Forestil dig en virksomhed, som hver dag modtager 100 henvendelser gennem en fælles mailadresse.

Med traditionel automatisering kan virksomheden måske opstille nogle regler:

• Hvis emnefeltet indeholder ordet "faktura", send mailen til økonomi.
• Hvis emnefeltet indeholder "reklamation", send den til kundeservice.

Det fungerer fint, indtil kunderne begynder at skrive noget andet end det, reglerne forventer.

Og det gør mennesker jo som bekendt.

En AI-agent kan i stedet læse henvendelsen, forsøge at forstå hvad kunden vil, hente relevante oplysninger, baggrundsinformationer og stamdata.

Dernæst kan den beslutte, hvad næste skridt skal være.

• Måske skal sagen sendes til økonomiafdelingen.
• Måske kan agenten selv finde svaret i virksomhedens dokumenter og skrive et udkast.
• Måske skal en medarbejder kigge på sagen, før noget bliver sendt.

Det interessante er altså ikke kun AI'en. Det interessante er forbindelsen mellem AI og virksomhedens øvrige værktøjer.

Jo. Og nej.

Almindelig automatisering følger typisk en på forhånd fastlagt opskrift:

Gør A. Derefter B. Hvis C sker, så gør D. Og så videre.

Det kan være både avanceret og meget nyttigt. Men systemet følger stadig de regler, nogen har bygget.

En AI-agent kan i højere grad vurdere situationen undervejs og vælge mellem forskellige handlinger. Den kan dermed afgøre, hvordan den vil løse en opgave og hvilke værktøjer den skal bruge.

Mange af de løsninger, som i dag kaldes AI-agenter, består dog af en blanding af faste workflows og steder, hvor AI får lov til selv at træffe en beslutning.

Og det er ikke nødvendigvis nogen dårlig idé.

Det kan nemlig være ganske fornuftigt ikke at give AI mere frihed, end opgaven kræver.

Man behøver ikke forstå hele teknikken for at forstå princippet. En typisk AI-agent har tre grundlæggende ingredienser:

Først en AI-model.

Det kan eksempelvis være en model fra OpenAI, Anthropic eller Google. Modellen hjælper agenten med at forstå information, ræsonnere og vælge næste handling.

Dernæst værktøjer.

Det kan være adgang til en kalender, et CRM-system, en database, virksomhedens dokumenter, et regneark, en mailkonto eller en webservice.

Og endelig instruktioner og grænser.

Agenten skal vide, hvad dens opgave er. Men mindst lige så vigtigt: hvad den ikke må gøre.

Må den sende en mail uden godkendelse? Må den ændre kundedata? Må den købe noget? Hvilke oplysninger må den læse? Hvornår skal den stoppe og bede et menneske om hjælp?

Her begynder arbejdet med AI-agenter at ligne almindeligt godt IT-arbejde mere, end det ligner science fiction.

Listen bliver hurtigt lang.

En virksomhed kan eksempelvis bruge agenter til at behandle henvendelser fra kunder, samle information fra flere systemer, undersøge potentielle kunder, lave research, bearbejde dokumenter eller hjælpe medarbejdere med at finde intern viden.

En agent kan også holde øje med, om noget sker, og reagere på det.

Der kommer en ny ordre. En formular bliver udfyldt. En kunde sender en mail. Et dokument bliver lagt i en mappe.

Så starter et workflow, hvor AI indgår i en eller flere af beslutningerne.

Det er blandt andet derfor, værktøjer som n8n og Zapier er blevet interessante i forbindelse med AI. De benyttes til at forbinde forskellige systemer og bygge workflows, mens en AI-model kan stå for de dele af processen, som kræver fortolkning eller valg.

Hvis agenten skal opsummere dagens branchehistorier og lægge dem i et dokument, er risikoen forholdsvis beskeden.

Hvis den skal overføre penge, slette kundedata eller sende et juridisk svar på virksomhedens vegne, ser sagen unægtelig lidt anderledes ud.

Derfor taler man blandt andet om "human in the loop".

Det betyder ganske enkelt, at et menneske bliver sat ind på bestemte punkter i processen.

Agenten kan eksempelvis finde oplysningerne og skrive svaret. Men en medarbejder skal trykke godkend, før svaret bliver sendt.

Eller agenten kan selv håndtere simple sager, mens usikre eller usædvanlige sager bliver sendt videre til et menneske.

Det er mindre futuristisk. Til gengæld er det ofte mere brugbart.

Sikkerhed fylder heldigvis også i højere og højere grad mere i arbejdet med AI-agenter. For når et AI-system får adgang til rigtige værktøjer og kan foretage handlinger, får fejl pludselig andre konsekvenser, end når en chatbot skriver et forkert svar i et vindue.

Nogle arbejdsopgaver vil næsten helt sikkert ændre sig. Det gør de allerede. Men "job" og "arbejdsopgave" er ikke det samme.

En økonomimedarbejder laver ikke én opgave. En marketingmedarbejder laver ikke én opgave. Det gør en projektleder, sælger eller HR-medarbejder heller ikke.

De fleste jobs består af en blanding af vurderinger, kommunikation, faglig viden, koordinering, rutinearbejde og myriader af ad hoc-opgaver og småting.

AI-agenter er særligt interessante, fordi de kan begynde at tage sig af kæder af disse små opgaver.

Det kan eksempelvis være at hente information, kontrollere den, lægge den ind et andet sted og gøre en medarbejder opmærksom på resultatet.

Det behøver ikke betyde, at medarbejderen forsvinder.

Men det betyder helt sikkert, at jobbet vil ændre sig.

Det er nok her, emnet bliver mest interessant, for dig som er jobsøgende.

Vi skal lige starte med at banke en antagelse ned: Du behøver ikke at have en specialiseret jobtitel som eksempelvis "AI Agent Developer" for at få brug for at forstå AI-agenter.

Forestil dig i stedet, at du arbejder med økonomi, administration, salg, marketing, HR eller kundeservice.

Du kender allerede arbejdsopgaverne. Du ved, hvor informationerne kommer fra. Du ved, hvor du bruger det meste af din arbejdstid. Du ved måske også, hvilke manuelle rutiner alle bander over mandag morgen.

Den viden er vigtig. For den svære del er ikke altid at få AI til at skrive et svar.

Den svære del kan være at opdage, hvor en automatisering giver mening. Hvilke data må bruges? Hvad skal ske først? Hvad kan gå galt? Hvornår skal et menneske involveres?

Her er kombinationen af faglig erfaring og AI-kompetencer interessant.

En regnskabsmedarbejder, som forstår automatisering, kan se andre muligheder end en udvikler uden regnskabserfaring.

Det samme gælder sælgeren, kommunikationsmedarbejderen eller HR-konsulenten.

Måske skal du lære at bruge dit fag på en lidt anden måde, men dig, som har faglig erfaring har en fordel i forhold til dig, som lige nu er på vej ud på arbejdsmarkedet.

Ikke nødvendigvis.

Der findes i dag værktøjer, som gør det muligt at bygge ret avancerede workflows uden traditionel programmering.

n8n er et eksempel. Lovable er et andet værktøj, som kan bruges til at bygge brugerflader og applikationer ved hjælp af AI.

Men "no-code" betyder ikke "no-thinking". Du skal stadig kunne forstå processen. Du skal kunne beskrive, hvad systemet skal gøre. Teste det. Opdage fejl. Og stille det irriterende spørgsmål: Hvad nu hvis...?

Det er ofte her, forskellen mellem en flot demonstration og en løsning, man faktisk tør bruge, viser sig.

En AI-agent er ikke en digital kollega, som pludselig har fået sund fornuft, virksomhedskendskab og 15 års erfaring.

En AI-agent arbejder med de instruktioner, data og værktøjer, den får adgang til. Og AI-modeller kan stadig misforstå, gætte og lave fejl.

Derfor er gode AI-agenter ikke bare et spørgsmål om at vælge den nyeste model.

De handler mindst lige så meget om at forstå arbejdsprocessen, sætte de rigtige grænser og afgøre, hvor mennesket stadig skal være med.

Det lyder måske mindre spektakulært end en fuldautomatisk digital medarbejder.

Til gengæld er det langt mere interessant, hvis løsningen faktisk skal fungere mandag morgen.