AI & automation · 08

AI-agenter

Agenter, der arbejder i jeres shop, ERP og indbakke inden for regler, I selv har sat.

Kontakt os

Sådan arbejder vi med AI-agenter

En AI-agent er en sprogmodel, der har fået adgang til værktøjer: at slå en ordre op, læse en mail, tjekke lager, skrive et udkast eller oprette en sag. Forskellen fra en chatbot er, at agenten ikke kun svarer, men udfører trin i jeres systemer. Forskellen fra en almindelig automatisering er, at den kan vælge næste skridt ud fra det, den finder, i stedet for at følge én fast rute.

Vi bygger agenter til webshops og B2B-virksomheder, fordi det er dér, vi kender systemerne: PrestaShop, Shopify, ERP, helpdesk og feeds. Hver agent får en afgrænset rolle, de værktøjer rollen kræver, og regler for, hvad den må gøre selv, og hvornår et menneske skal godkende. Adgangen går typisk gennem en MCP-server, så rettigheder og logning ligger ét sted.

I står med en agent, der løser en bestemt opgave i drift, en log over alt, den har gjort, og et testsæt af jeres egne sager, som den måles på hver gang noget ændres. Den første agent bygges på en lille, veldefineret opgave, og næste agent genbruger fundamentet.

Hvornår det giver mening

  • Kundeservice bruger det meste af dagen på opslag i ordrer, fragt og lager, før de kan svare.
  • B2B-ordrer kommer ind som mails og PDF'er og tastes manuelt i ERP.
  • Tusindvis af produkter mangler tekster eller oversættelser, og ingen har tid til at skrive dem.
  • I har prøvet en chatbot, der kun kunne svare på FAQ, og vil have noget, der kan slå op og handle.

Det får du

  1. Valg af opgave og rolle for agenten
  2. Adgang til jeres systemer via MCP med rettigheder pr. handling
  3. Test på jeres egne historiske sager
  4. Drift med log, stikprøver og godkendelse ved tvivl
Kontakt os

Sådan foregår det

  1. Vælg opgaven og skriv reglerne

    Vi gennemgår opgaven med de folk, der løser den i dag, og skriver agentens rolle, værktøjer og grænser ned: hvad den må selv, hvad der kræver godkendelse, og hvornår den skal stoppe.

  2. Adgang og bygning

    Vi giver agenten adgang til jeres systemer via MCP med rettigheder pr. handling og bygger trinene med logning fra første kørsel.

  3. Test på jeres egne sager

    Agenten køres på historiske sager med kendt resultat. Vi retter, til fejlraten er under den grænse, vi har aftalt med jer, og gemmer sagerne som fast testsæt.

  4. Drift med godkendelse

    Agenten arbejder på nye sager, først med godkendelse af alt, derefter kun ved tvivl. Vi tager stikprøver hver uge og udvider, når den kører stabilt.

I dybden

Tre typer agenter, der virker i en webshop

Sagsagenten læser en henvendelse, finder kunde og ordre, vurderer sagen efter jeres regler og skriver et svarudkast: retur, levering, reklamation. Ordreagenten læser ordrer fra mails og PDF'er, foreslår genbestillinger til B2B-kunder og lægger ordreudkast i ERP. Indholdsagenten skriver produkttekster, kategoritekster og oversættelser ud fra produktdata og jeres tone, og lægger dem til en redaktør. De tre har forskellige værktøjer og forskellige grænser, og de bygges hver for sig.

Vælg en opgave, der er svær at lave og let at tjekke

Den bedste første opgave er en, hvor det tager en medarbejder tid at samle svaret, men kun sekunder at se, om det er rigtigt. Et svarudkast på en returhenvendelse er et godt eksempel: opslag, frister og regler tager tid, men medarbejderen ser med det samme, om udkastet holder. En agent, der skal træffe svære skøn uden mulighed for kontrol, er et dårligt første projekt.

Hvor grænserne går

Sprogmodeller kan skrive noget forkert med stor sikkerhed, og de husker kun det, de får med i den enkelte opgave. Derfor bygger vi agenter, der henter fakta fra jeres systemer frem for at huske dem, stopper og spørger, når data mangler, og afleverer udkast frem for at handle direkte, hvor en fejl koster penge. Grænserne skrives ned sammen med jer, før agenten bygges.

Fra én agent til flere på samme fundament

Den første agent kræver mest arbejde: adgang til systemerne, MCP-server, logning og testsæt. Den næste agent genbruger det hele og får kun sin egen rolle, sine værktøjer og sine testsager. Derfor starter vi smalt og udvider, når den første agent kører stabilt.

Fejl, vi ofte finder

  • Agenten får adgang til alt fra startEn agent med fuld adgang til shop og ERP kan gøre stor skade på en dårlig dag. Vi starter med læseadgang og lægger skrivehandlinger bag godkendelse, til fejlraten er dokumenteret.
  • Den første opgave er for storEn agent, der skal klare hele kundeservice eller tale med hele ERP-systemet, bliver aldrig færdig. Vi starter med én opgave, der kan måles, og bygger videre.
  • Ingen testsætUden et fast sæt af rigtige sager kan ingen se, om en ny prompt eller en ny model gør agenten bedre eller dårligere. Testsættet bygges før agenten går i drift.

Sådan ser det ud

0faste opgaver flyttet til AI

Gentagne opgaver flyttes fra indbakken til automatiseringer, der kører døgnet rundt med kontrol indbygget.

  • Ordrebekræftelser ManueltAI
  • Kundesvar ManueltAI
  • Produkttekster ManueltAI
  • Lagerstatus ManueltAI
  • Rapporter ManueltAI

Sådan måler vi effekten

  • Andel af sager, agenten løser uden rettelser
  • Fejlrate i ugentlige stikprøver
  • Behandlingstid pr. sag før og efter

Rammer

Hvem
AI-specialist og integrationsudvikler
Kontakt os

Typisk forløb

En webshop vil have hjælp til returhenvendelser. Vi bygger en sagsagent, der læser mailen, finder ordren via MCP, tjekker returfrist og varetype og skriver et svarudkast efter shoppens regler. Sager inden for frist med standardvarer godkendes med ét klik; alt andet går til en medarbejder med ordren og agentens vurdering vedhæftet. Agenten testes på historiske sager, før den får nye, og de sager, hvor den tog fejl, bliver en del af testsættet.

Se det i praksis

Cases

t.i.n.g. shop

t.i.n.g. shop

Skræddersyet design og udvikling af møbelshop og markedsføring med Google Ads.

Se alle cases
Rigtig Kaffe A/S

Rigtig Kaffe A/S

All-around design, udvikling, branding, strategi og søgemaskineoptimering

Sokkeposten

Sokkeposten

Nyt design og ny teknik: Astro-frontend på Cloudflare, PrestaShop 9.1 bagved og egen checkout.

Poetzsch Padborg

Poetzsch Padborg

Avanceret Google Tag Manager setup til konverteringstracking

Bolighuset Werenberg A/S

Bolighuset Werenberg A/S

Ny webshop til Bolighuset Werenberg, bygget, så den kan udvikles løbende.

Ofte stillede spørgsmål

  • En chatbot svarer ud fra den viden, den har fået. En agent kan også handle: slå op i ordresystemet, oprette en sag, lave et ordreudkast eller sende et svar til godkendelse. Derfor kræver en agent styr på adgange, grænser og logning.

  • Den, der løser opgaven bedst til prisen, typisk Claude, GPT eller Gemini, og nogle gange en mindre model til de simple trin. Vi bygger, så modellen kan skiftes uden at bygge agenten om, og kører testsættet ved hvert skift.

  • Ja. Vi viser en agent arbejde i en webshop-opsætning: hvordan den slår op, hvor den stopper og spørger, og hvad loggen viser. Skriv, så finder vi en tid.

  • Den vil tage fejl en gang imellem. Derfor ligger handlinger med konsekvens bag godkendelse, alt logges, og fejlene bliver til nye testsager, så samme fejl ikke kommer igen ubemærket.

  • Med en AI-audit: en halv dags workshop og en uge med analyse. I får en prioriteret liste over processer, hvor AI giver mest, og hvad det kræver.

  • Vi bruger modeller og opsætninger, hvor jeres data ikke bruges til træning, og vi dokumenterer, hvor data flyder. GDPR og jeres egne politikker indgår i designet.

Næste Agent-workflows →