Hold nu op hvor bliver der talt meget om AI og AI-agenter for tiden. Det føles som en evigheden siden, at jeg tilbage i 2018 var med til at starte én af Danmarks første virksomheder indenfor generativ AI - JumpStory.

For snart to år siden udgav jeg AGENTBOGEN, og dengang var agenter noget, som alle talte om, men ingen brugte. Nu er vi 18 måneder længere fremme, og ikke meget har ændret sig. Lidt er der dog gang i nu, og jeg tror personligt, at 2027 for alvor bliver AI agenternes år.

Spørgsmålet er så bare, hvad AI-agenter egentlig kan bruges til i praksis? Hvor giver det mening at anvende dem og hvordan? Det vil jeg prøve at give nogle gode bud på i dette indlæg.

Sådan bruger du AI-agenter i praksis - fra hype til handling

Selvom AI-agenter langt fra er så udbredte, som de vil blive over de kommende år, så bliver de allerede i dag brugt i mange lande, industrier og fagområder.

Starter vi en lille agent-rundtur i verden, så kunne første stop være USA. Som altid en teknologier frontløber og da ikke mindst efter Præsident Trumps udmelding om de gigantiske milliardbeløb, man vil investere over det kommende årti. I USA finder vi fx den globale medicinalvirksomhed Johnson & Johnson, der bruger AI-agenter til at bestemme det optimale tidspunkt for solventskift – dvs. det tidspunkt, hvor opløsningsmidlet i en kemisk reaktion eller opløsning erstattes med et andet. Brugen af AI-agenterne hjælper her Johnson & Johnson med at reducere deres behov for gentagne manuelle processer markant, ligesom det på den måde bidrager til at fremskynde udviklingen af nye lægemidler.

Nu tænker du måske, at det var et meget teknisk eksempel, så lad mig gøre det lidt mere jordnært med et andet amerikansk firma - kreditvirksomheden Moody’s. Moody’s bruger AI-agenter til at udføre finansielle analyser autonomt. Agenterne sættes til at gennemgå virksomheders økonomiske data og komme med forskellige risikovurderinger, og det hjælper Moody’s til at identificere potentielle risici og muligheder uden konstant menneskelig indgriben. AI-agenter gør imidlertid mere hos Moody’s mere end blot at analysere data. De fungerer samtidig som intelligente rådgivere, der kan forudse trends og mønstre på tværs af enorme mængder information. For eksempel bruger agenterne avancerede algoritmer til at overvåge markedsforhold i realtid, identificere økonomiske signaler og vurdere virksomhedernes kreditværdighed mere præcist. På den måde kan de også bruge deres AI-agenter til at advare om en mulig økonomisk krise i en branche ved at analysere en kombination af økonomiske nøgletal, nyhedsdata og aktiemarkedsbevægelser. Den samme agent kan foreslå justeringer i Moody’s analyser baseret på nye, opståede markedsforhold, hvilket gør Moody’s lang mere agile i hverdagen. Man automatiserer altså ikke processer, men får også agenterne til at levere dybere indsigter, som tidligere krævede teams af eksperter – og det på en langt mere effektiv måde.

En anden virksomhed, som godt nok også er fra USA, men måske bedre kendt herhjemme end de to andre, er eBay. Hos eBay bruges AI-agenter både til tekniske og kreative opgaver. For eksempel anvender eBay AI-agenter til at skrive kode, der opdaterer og vedligeholder deres enorme platform, hvilket tidligere krævede store udviklerteams hos dem. Agenterne kan også hjælpe med at identificere fejl og optimere funktioner i realtid, hvilket gør, at eBay kan reagere hurtigere på brugerproblemer. Samtidig har de sat AI-agenter op i deres marketingafdelingen. Her målretter agenterne kampagner bestemte kundegrupper, baseret på data som købsadfærd og søgehistorik. Det gør det meget nemmere for eBay at lancere personlige kampagner hurtigt og med større præcision.

 

Hjem til … Danmark

Helt herhjemme i Danmark er der også begyndt at komme gode eksempler. Lad mig dele et meget jordnært eksempel fra en mindre dansk virksomhed, jeg selv hjælper i hverdagen med at få mest muligt ud af AI-agenter. Jeg har lovet den pågældende virksomhed at anonymisere casen.

Hos dem bruger man AI og AI-agenter til at klæde sælgerne bedre på til kundemøder samt spare tid på opfølgning, mailskrivning, referater etc. Her har vi sat et system og integration om, som hjælper dem på følgende måder:

• Når en ny uge starter, scanner en agent Outlook kalenderen og laver en liste over ugens episoder.
• Til hvert møde slår en AI agent op i virksomhedens kundesystem og finder oplysninger om den pågældende kunde.
• Der laves en kort intro på 30 ord til sælgeren med de vigtigste punkter fra samarbejde hidtil.
• Der foreslås relevante spørgsmål til kundemødet, som sælgeren kan bruge.
• På det pågældende møde spørger sælgeren kunden, om de må optage mødet. Hvis de får et ja, optages mødet, og en agent transskriberer det automatisk og opsummerer de vigtigste emner, aftaler og action-punkter. Hvis de får et nej, indtaler sælgeren selv et referat på vej hjem fra mødet, som agenten då opsummerer.
• Agenten laver et mødereferat og en update, som automatisk opdateres inde i kundesystemet. Derudover laver den udkast til en opfølgningsmail, som gøres klar i Outlook. Denne kunne også sendes automatisk, men virksomheden foretrækker selv at godkende den manuelt, inden det sker.
• Agenten kan derudover foreslå kunden tidspunkter for et opfølgende møde; den kan justeres kundens materiale ud fra noter etc.

Som du kan se af ovenstående eksempel, er der altså kæmpe forskel på fx at bruge den ’gammeldags’ ChatGPT assistent (her taler jeg ikke om Tasks eller om ChatGPT’s egen AI-agent Operator) til noget sparring og så at automatisere dette fuldstændig og berige det med de ting, som generativ AI og agenter kan.

Definér behovet og fastlæg målet

Før AI-agenter kan implementeres, bør I som organisationen identificere det eller de problemer, I ønsker at løse, eller det uudnyttede potentiale, I gerne vil udfolde.

Her vil jeg anbefale at stille jer selv og medarbejderne følgende spørgsmål:

·         Hvilke opgaver er tidskrævende og repetitive?

• Hvor kan AI-agenter skabe størst værdi?
• Hvad er de vigtigste succesparametre (f.eks. tidsbesparelse, bedre service, reducerede omkostninger)?

I kan fx tænke i rutineopgaver som gentagelser i kundeservice, dataindtastning, mødeplanlægning osv., eller I kan fokusere på dataanalyse og opgaver, der kræver gennemgang af store datamængder. Et tredje udgangspunkt kunne være indenfor kommunikation, hvor et eksempel i en kommune kunne være:

”Vi ønsker at automatisere sagsbehandlingen helt eller delvist for at reducere ventetiden for borgere.”

Inddrag medarbejderne da de ofte har værdifulde indsigter. Stil dem fx spørgsmål som:

• "Hvilke opgaver er mest tidskrævende i din hverdag?"
• "Hvor opstår flaskehalse i arbejdsprocesserne?"
• "Hvilke områder kunne forbedres med hurtigere beslutningsstøtte?"

Mere følger i mit næste indlæg herinde på Amino om AI-agenter i praksis ...

Anvendelsesmuligheder for AI-agenter

Selvom AI-agenter langt fra er så udbredte, som de vil blive over de kommende år, så bliver de allerede i dag brugt i mange lande, industrier og fagområder.

 

Eksempler fra Guds Eget Land

Starter vi en lille agent-rundtur i verden, så kunne første stop være USA. Som altid en teknologier frontløber og da ikke mindst efter Præsident Trumps udmelding om de gigantiske milliardbeløb, man vil investere over det kommende årti.

I USA finder vi fx den globale medicinalvirksomhed Johnson & Johnson, der bruger AI-agenter til at bestemme det optimale tidspunkt for solventskift – dvs. det tidspunkt, hvor opløsningsmidlet i en kemisk reaktion eller opløsning erstattes med et andet.

Brugen af AI-agenterne hjælper her Johnson & Johnson med at reducere deres behov for gentagne manuelle processer markant, ligesom det på den måde bidrager til at fremskynde udviklingen af nye lægemidler.

Nu tænker du måske, at det var et meget teknisk eksempel, så lad mig gøre det lidt mere jordnært med et andet amerikansk firma - kreditvirksomheden Moody’s.

Moody’s bruger AI-agenter til at udføre finansielle analyser autonomt. Agenterne sættes til at gennemgå virksomheders økonomiske data og komme med forskellige risikovurderinger, og det hjælper Moody’s til at identificere potentielle risici og muligheder uden konstant menneskelig indgriben.

AI-agenter gør imidlertid mere hos Moody’s mere end blot at analysere data. De fungerer samtidig som intelligente rådgivere, der kan forudse trends og mønstre på tværs af enorme mængder information. For eksempel bruger agenterne avancerede algoritmer til at overvåge markedsforhold i realtid, identificere økonomiske signaler og vurdere virksomhedernes kreditværdighed mere præcist.

På den måde kan de også bruge deres AI-agenter til at advare om en mulig økonomisk krise i en branche ved at analysere en kombination af økonomiske nøgletal, nyhedsdata og aktiemarkedsbevægelser. Den samme agent kan foreslå justeringer i Moody’s analyser baseret på nye, opståede markedsforhold, hvilket gør Moody’s lang mere agile i hverdagen. Man automatiserer altså ikke processer, men får også agenterne til at levere dybere indsigter, som tidligere krævede teams af eksperter – og det på en langt mere effektiv måde.

En anden virksomhed, som godt nok også er fra USA, men måske bedre kendt herhjemme end de to andre, er eBay.

Hos eBay bruges AI-agenter både til tekniske og kreative opgaver. For eksempel anvender eBay AI-agenter til at skrive kode, der opdaterer og vedligeholder deres enorme platform, hvilket tidligere krævede store udviklerteams hos dem. Agenterne kan også hjælpe med at identificere fejl og optimere funktioner i realtid, hvilket gør, at eBay kan reagere hurtigere på brugerproblemer.

Samtidig har de sat AI-agenter op i deres marketingafdelingen. Her målretter agenterne kampagner bestemte kundegrupper, baseret på data som købsadfærd og søgehistorik. Det gør det meget nemmere for eBay at lancere personlige kampagner hurtigt og med større præcision.

 

Hjem til … Danmark

Helt herhjemme i Danmark er der også begyndt at komme gode eksempler, og du finder nogle af dem senere i bogen samt i de mange gæsteindlæg. Allerede nu vil jeg dog dele et meget jordnært eksempel fra en mindre dansk virksomhed, jeg selv hjælper i hverdagen med at få mest muligt ud af AI-agenter. Jeg har lovet den pågældende virksomhed at anonymisere casen.

Hos dem bruger man AI og AI-agenter til at klæde sælgerne bedre på til kundemøder samt spare tid på opfølgning, mailskrivning, referater etc.

Her har vi sat et system og integration om, som hjælper dem på følgende måder[JL1] :

·         Når en ny uge starter, scanner en agent Outlook kalenderen og laver en liste over ugens episoder.

·         Til hvert møde slår en AI agent op i virksomhedens kundesystem og finder oplysninger om den pågældende kunde.

·         Der laves en kort intro på 30 ord til sælgeren med de vigtigste punkter fra samarbejde hidtil.

·         Der foreslås relevante spørgsmål til kundemødet, som sælgeren kan bruge.

·         På det pågældende møde spørger sælgeren kunden, om de må optage mødet. Hvis de får et ja, optages mødet, og en agent transskriberer det automatisk og opsummerer de vigtigste emner, aftaler og action-punkter.
Hvis de får et nej, indtaler sælgeren selv et referat på vej hjem fra mødet, som agenten då opsummerer.

·         Agenten laver et mødereferat og en update, som automatisk opdateres inde i kundesystemet. Derudover laver den udkast til en opfølgningsmail, som gøres klar i Outlook. Denne kunne også sendes automatisk, men virksomheden foretrækker selv at godkende den manuelt, inden det sker.

·         Agenten kan derudover foreslå kunden tidspunkter for et opfølgende møde; den kan justeres kundens materiale ud fra noter etc.

Som du kan se af ovenstående eksempel, er der altså kæmpe forskel på fx at bruge den ’gammeldags’ ChatGPT assistent (her taler jeg ikke om Tasks eller om ChatGPT’s egen AI-agent Operator) til noget sparring og så at automatisere dette fuldstændig og berige det med de ting, som generativ AI og agenter kan.