AI-agent eller klassisk automatisering? Sådan vælger I den rigtige løsning

AI-agenter er blevet et oplagt svar på næsten enhver proces. Men i mange løsninger er et klassisk workflow stadig både billigere, hurtigere og mere sikkert. Det interessante spørgsmål er derfor ikke, om I kan bruge AI – men præcis hvor AI skaber værdi.

Hos Uptime ser vi den stærkeste arkitektur, når vi kombinerer de to: faste regler styrer det, der skal være forudsigeligt, mens AI håndterer de dele, hvor der faktisk skal fortolkes, vurderes eller arbejdes med ustrukturerede data.

Den enkle tommelfingerregel: regler først, AI når der skal fortolkes

Hvis input A altid skal give resultat B, er almindelig software næsten altid det rigtige værktøj. Prisberegninger, obligatoriske felter, rettigheder, statusændringer og bogføringsregler skal være deterministiske. De skal kunne testes, forklares og give samme resultat hver gang.

AI bliver interessant, når processen ikke kan beskrives med et overskueligt sæt regler. Det kan være indgående mails, dokumenter, billeder, fritekst eller situationer, hvor løsningen skal forstå kontekst og vælge mellem flere rimelige næste skridt.

Et konkret eksempel: fra indbakke til handling

Forestil jer en servicevirksomhed, der modtager kundehenvendelser på mail. AI kan læse mailen, identificere kunden, opsummere problemet, foreslå kategori og prioritet og finde relevante oplysninger i virksomhedens viden. Herefter kan et almindeligt workflow oprette sagen, sætte SLA, tildele team og sende de rigtige notifikationer.

Det er ofte stærkere end at lade en AI-agent styre hele processen. AI bruges dér, hvor dens evne til at forstå ustruktureret information giver værdi. Resten løses med kode, hvor adfærden er kendt på forhånd.

Hvornår giver en egentlig AI-agent mening?

En agent er relevant, når løsningen skal kunne planlægge flere skridt, vælge værktøjer og reagere på resultatet af tidligere handlinger. Det kan eksempelvis være at undersøge en sag på tværs af CRM, dokumenter og mails, udarbejde et forslag og derefter bede et menneske om godkendelse.

Men jo mere handlekraft agenten får, desto vigtigere bliver dens mandat. Hvilke systemer må den læse? Hvad må den ændre? Hvor store økonomiske konsekvenser må en handling have? Og hvornår skal den stoppe og spørge et menneske?

Human-in-the-loop er ikke et nederlag

Der er stor forskel på at lade AI komme med et forslag og at lade AI gennemføre en handling. Ved betalinger, kontrakter, kundekommunikation eller andre handlinger med høj konsekvens er en godkendelse ofte en meget billig sikkerhedsventil.

Når kvaliteten senere er dokumenteret på hundredvis eller tusindvis af reelle sager, kan mandatet udvides. Automatisering behøver ikke gå fra nul til fuld autonomi på én dag.

MCP og integrationer gør agenter nyttige – og potentielt farlige

AI bliver for alvor operationel, når den får adgang til virksomhedens systemer via API'er eller MCP-servere. Så kan den ikke kun svare på spørgsmål, men også hente aktuelle data og udføre handlinger. Netop derfor bør adgang følge princippet om mindst mulige rettigheder.

En agent, der skal finde en ordrestatus, behøver ikke nødvendigvis kunne ændre ordren. Og en agent, der må oprette et udkast, behøver ikke også have rettighed til at sende det.

Log alt det, I senere får brug for at forstå

Når AI indgår i en forretningsproces, bør I kunne rekonstruere, hvad der skete. Gem relevante input, anvendte kilder, output, modelversion, værktøjskald og den efterfølgende handling. Det gør både kvalitetssikring, fejlretning og løbende forbedring langt lettere.

Sådan ville vi starte

Vælg én konkret proces med mærkbar manuel friktion. Del den op i deterministiske og fortolkende trin. Automatisér de sikre dele traditionelt, og brug AI til de få steder, hvor den faktisk løser et problem, almindelig kode har svært ved.

Mål derefter på noget reelt: gennemløbstid, fejl, medarbejdertid og hvor ofte et menneske må korrigere AI'en. Først når tallene er gode, giver det mening at udvide mandatet.

Konklusion: den bedste AI-løsning er ofte en hybrid

AI-agenter og klassisk automatisering er ikke konkurrenter. I gode forretningssystemer supplerer de hinanden. Regler giver kontrol og forudsigelighed. AI giver fleksibilitet, når virkeligheden ikke passer i faste felter.

Hos Uptime bygger vi integrationer, AI-løsninger og MCP-servere omkring eksisterende forretningssystemer. Målet er ikke mest mulig AI, men den enkleste løsning, der giver en reel forretningsgevinst.

Brug faste workflows, når processen skal være forudsigelig. Brug AI-agenter, når opgaven kræver vurdering og fleksibilitet – og sæt tydelige grænser for, hvad agenten må gøre.