AI agenter i praksis: byg et team, ikke en superagent

Jeg ville ønske, den store superagent virkede bedre.

Altså ideen om én digital medarbejder, der klarer det hele. Tilbud om formiddagen. SEO efter frokost. Lidt webarbejde sidst på dagen. Måske også mails, kalender og de der formularer, ingen gider teste.

Det lyder rart. Det er bare sjældent sådan, det bliver godt i praksis.

Når vi bygger AI agenter, får vi mere ud af at dele arbejdet op. Én agent holder styr på opgaven. Andre tager hver deres del. En finder materiale. En skriver. En tjekker. En tester. En kigger på SEO eller billeder, hvis det er det, opgaven kræver.

Ikke fordi det er teknisk smart. Fordi det er nemmere at styre.

Hvorfor én agent hurtigt bliver rodet

Mange starter med et ønske, der egentlig lyder helt rimeligt. De vil have hjælp til administration, salg, marketing eller web. Men administration er ikke én opgave. Det er mails, mødenoter, bilag, kundedata, gamle aftaler, interne vaner og små beslutninger, som normalt ligger spredt hos flere mennesker.

Presser du alt det ind i én agent, får du hurtigt en meget lang instruktion. Konteksten flyder sammen. Og når agenten rammer lidt ved siden af, er det svært at se, hvor fejlen begyndte.

Var briefet uklart? Var kilden forkert? Skrev agenten for sælgende? Manglede den adgang til den rigtige mappe? Eller blandede den bare to opgaver sammen?

Det er her, agentteamet bliver praktisk. Ikke stort og forkromet. Bare opdelt.

En agent, der skriver tilbud, skal kende tilbudsformatet, tonen og de løfter, virksomheden må give. Den behøver ikke også være SEO fagperson. En SEO agent skal kunne læse søgedata, PageSpeed, interne links og fejl på sider. Den skal ikke samtidig oprette kursusmateriale. Og en kvalitetsagent skal have ro til at være irriterende på den gode måde: Hvad mangler? Hvad er for uklart? Hvad kan gå galt?

Små roller er lettere at forbedre. Når én rolle er for bred, retter du i tåge.

Agentteamet, helt nede på jorden

Et brugbart setup behøver ikke ligne en science fiction tegning. Hos os giver det mere mening at tænke på det som en lille arbejdsgruppe.

Koordinatoren tager imod opgaven og finder ud af, hvem der skal i gang. Den er ikke den klogeste i rummet. Den er den, der holder orden. Hvis opgaven handler om et tilbud, skal den måske finde en transkription, hente tidligere tilbud, sende materialet videre til en skriveagent og bagefter få et brandtjek.

Specialisterne gør det smalle arbejde. Skrivning. Research. Kode. SEO. Billeder. Filsøgning. Test. Hver specialist har sit eget arbejdsområde, sine egne regler og adgang til de værktøjer, der faktisk skal bruges.

Så er der feedbacken. Den del bliver tit undervurderet. Når et menneske retter et udkast, er det ikke bare en rettelse. Det er læring. Her skriver vi kortere. Her lover vi mindre. Her nævner vi prisen før processen. Her skal tonen være mere rolig.

Det er den slags småting, der gør forskellen mellem en demo og et værktøj, nogen gider bruge på en travl tirsdag.

Fra kundesamtale til tilbudsudkast

Tilbudsarbejde er et godt første sted at bruge AI agenter. Ikke fordi tilbud er simple, men fordi processen allerede findes i mange danske B2B virksomheder.

Du har haft en kundesamtale. Måske er den optaget, hvis kunden har sagt ja. Du har et par noter fra mødet, nogle løse tanker om pris og scope, og en fornemmelse af hvad kunden faktisk er bekymret for. Den slags står sjældent pænt i et CRM felt.

Senere skal du finde et gammelt tilbud, der minder om opgaven. Du kopierer, sletter, flytter rundt, retter navne og prøver at huske, hvad der blev sagt mellem linjerne.

Her kan et agentflow tage det tunge forarbejde:

1. Samtalen bliver transskriberet.

2. Du lægger dine egne noter ved, især de ting der ikke står klart i transkriptionen.

3. En filagent finder relevante eksempler og det rigtige mødemateriale.

4. En skriveagent laver første udkast i virksomhedens tone.

5. Et brandtjek leder efter for store løfter, forkert sprog og manglende forbehold.

6. Koordinatoren samler det hele og sender udkastet til dig internt.

Det sidste ord er vigtigt: internt.

AI skal ikke sende tilbud direkte til kunden i første version. Den skal give dig et bedre udgangspunkt, mens samtalen stadig er frisk. Du godkender, retter og sender selv. Når den endelige version er sendt, kan agenten sammenligne den med sit eget udkast og notere forskellene til næste gang.

Det er ikke glamourøst. Det virker bare.

Websitearbejde kræver en stopklods

Jeg bliver altid lidt nervøs, når AI får besked på bare at bygge noget på en rigtig hjemmeside.

Til små forsøg er det fint. På et website med sider, formularer, tracking, interne links og eksisterende design er det en anden sag. Der skal være en stopklods, før nogen ændrer noget.

Først planen.

Hvad skal ændres? Hvilke sider bliver ramt? Er der komponenter, der bliver genbrugt andre steder? Skal formularen stadig sende data til HubSpot? Hvad skal testes bagefter? Og hvem siger ja, før ændringen går live?

En planlægningsagent kan lave det oplæg. En anden agent kan bagefter læse planen kritisk og lede efter huller. Den slags kritik er kedelig, hvis man er ivrig efter at komme videre. Derfor er den værdifuld.

Når planen holder, kan en kodeagent løse den afgrænsede opgave. Men arbejdet stopper ikke ved koden. Der skal stadig tjekkes links, metadata, formularer, API nøgler, hastighed og de små visuelle ting, der får en side til at føles forkert, selv om den teknisk set virker.

Det lyder omstændeligt. I praksis minder det bare om godt håndværk. Plan først. Byg bagefter. Test til sidst.

SEO, billeder og det materiale, der allerede findes

AI agenter bliver først rigtigt nyttige, når de får adgang til ordentlige kilder.

Tag SEO. En agent, der bare bliver bedt om at forbedre SEO, ender ofte i almindeligheder. Bedre titler. Flere links. Hurtigere sider. Ja tak, men hvor?

En mere brugbar SEO agent arbejder med konkrete kilder: Google Search Console, PageSpeed målinger, Morningscore, interne links, planlagte linkbuildingopgaver og kendte fejl på sider eller billeder. Så bliver opgaven ikke at tale om SEO. Den bliver at finde problemerne, prioritere dem og foreslå næste skridt.

I episoden bag denne artikel fortæller Jacob om HverdagsAIs egne agentflows, blandt andet til SEO og linkarbejde. Pointen er ikke, at alle skal have præcis samme setup. Pointen er afgrænsningen. Agenten skal vide, hvilke datakilder den må bruge, hvad den leder efter, og hvordan svaret skal se ud, når et menneske skal handle på det.

Billeder er et andet godt eksempel.

Mange virksomheder har allerede gode billeder liggende. Undervisning. Foredrag. Workshop. Rådgivning. Kontor. Problemet er bare, at de ligger i mapper, hvor navne og datoer ikke hjælper ret meget.

En billedagent kan foreslå ægte billeder fra eget bibliotek i stedet for generiske stockfotos. Den kan også skrive en billedbeskrivelse, der passer til siden, fordi den ved, om indholdet handler om AI kurser, AI rådgivning eller et konkret agentsetup.

Det kræver lidt oprydning i starten. Til gengæld slipper du for at bruge det samme lidt trætte stockfoto endnu en gang.

Test af de kedelige ting

Nogle opgaver passer til AI, fordi de er svære. Andre passer, fordi de er kedelige.

Formulartest ligger i den sidste kategori.

En Typeform skal sende data videre. De rigtige felter skal lande det rigtige sted. Den rigtige mail skal ud. HubSpot skal opdateres. Måske skal der også sættes en intern besked i gang, så en kundehenvendelse ikke bliver glemt.

Det er ikke arbejde, nogen glæder sig til. Og netop derfor bliver det nogle gange sprunget let over.

En agent kan få en testplan, gennemføre den samme rutine hver gang og melde tilbage, hvor noget fejler. Den bliver ikke træt af at prøve igen efter en lille ændring på siden. Den synes ikke, det er pinligt at tage screenshots. Den glemmer heller ikke trin tre, fordi telefonen ringede.

Her er værdien ikke kun tid. Det er færre småfejl, der rammer kunden først.

Start med det, der irriterer hver uge

Den klassiske fejl er at starte med visionen om en digital medarbejder, der kan alt.

Lad være.

Start med en opgave, der allerede irriterer dig hver uge. Ikke en drøm. En reel arbejdsgang. Noget der gentager sig, har et tydeligt output og kan kontrolleres af et menneske uden at ødelægge dagen.

Det kan være et tilbudsudkast efter en kundesamtale. Et møderesumé. En ugentlig SEO kontrol. En artikelkladde fra en podcast. En formulartest efter en ændring på websitet. En morgenoversigt over mails, møder og opgaver.

Skriv processen ned, som du ville forklare den til en ny kollega. Hvor ligger materialet? Hvad må bruges? Hvad må ikke røres? Hvad skal afleveres? Hvem godkender?

Det føles mindre ambitiøst end at bygge det hele på én gang. Men det er som regel sådan, man får noget i drift.

Feedback er en del af arbejdet

AI agenter bliver sjældent gode af én perfekt instruktion. Jeg har i hvert fald ikke set det ske ret tit.

De bliver bedre, når de møder virkeligheden. Et tilbud bliver rettet. En artikel får kommentarer. Et SEO forslag viser sig at være lavere prioritet end agenten troede. En testplan mangler et trin.

Gem de rettelser.

Hvis agenten lavede et udkast, og du sendte en anden version, så lad den sammenligne de to. Ikke for at skælde den ud. For at finde mønstre. Måske skrev den for langt. Måske brugte den ord, virksomheden aldrig bruger. Måske glemte den, at kunden allerede kendte baggrunden og derfor ikke havde brug for fem linjers forklaring.

Over tid bliver sådan en feedbackrutine mere værd end endnu en lang prompt. Den trækker agenten tættere på jeres virkelige måde at arbejde på.

Sikkerhed: begynd med mindre adgang, end du tror

AI agenter bliver mere nyttige, når de kan bruge systemer. Det betyder ikke, at de skal have frie hænder fra dag ét.

Start med læseadgang, hvor det er nok. Lad agenten hente data, lave udkast og foreslå handlinger, før den får lov til at ændre noget.

Når I åbner mere, så hold rettighederne smalle:

• lad agenten arbejde i afgrænsede konti med egne logins

• giv ikke sletteadgang, hvis opgaven kun kræver redigering

• brug intern afsendelse først, især ved mails og tilbud

• kræv menneskelig godkendelse før vigtige handlinger

• log hvad agenten har gjort, så fejl kan spores

Et mailsvar er et enkelt eksempel. Agenten kan godt skrive et svar og sende det til dig internt. Det betyder ikke, at den også skal kunne sende direkte til kunden.

Den forskel er lille på papiret. I praksis er den ret vigtig.

Hvad koster det at bruge flere agenter?

Flere agenter kan lyde dyrt, fordi der sker flere modelkald. Nogle gange er det også dyrere end én enkelt chat.

Men regnestykket er ikke så simpelt.

Ikke alle opgaver kræver den stærkeste model. En agent, der sorterer filer, tester en formular eller samler en morgenoversigt, har ikke samme behov som en agent, der skal vurdere kode eller en kompleks implementeringsplan.

Vælg model efter opgave. Brug kræfterne, hvor vurderingen er svær. Brug billigere eller mere afgrænsede løsninger til rutinerne.

For nogle virksomheder kan lokale modeller også blive relevante, især hvis data, forretningshemmeligheder eller GDPR fylder meget. Det ændrer dog ikke den praktiske regel: Start med det flow, der giver konkret værdi. Optimer prisen bagefter.

Sådan kommer du i gang med AI agenter i praksis

Hvis du vil prøve AI agenter i praksis, ville jeg gøre det meget jordnært.

Vælg én opgave. Skriv processen ned. Find de kilder, agenten må bruge. Beslut hvad den skal aflevere. Fjern skriveadgang og sletteadgang i første version. Lad den foreslå, hente, skrive eller samle, men lad et menneske godkende.

Kør flowet et par gange på rigtige opgaver. Ikke testdata, der er pænt og ryddeligt. Rigtige noter, rigtige filer, rigtige små misforståelser.

Så finder du hurtigt ud af, om rollen er for bred, om kilderne er for rodede, eller om outputtet faktisk sparer tid.

En god AI agent er ofte ikke imponerende ved første øjekast. Den gør bare én bestemt opgave lettere. Når du har flere af den slags, kan de begynde at arbejde sammen.

Så begynder det at ligne noget, man faktisk kan bruge i hverdagen.

Artiklen er skrevet med udgangspunkt i HverdagsAI episoden "Konkrete AI agenter og usecases" fra 10. juni 2026.

Hvis I vil bygge den slags agentarbejde ind i jeres egen hverdag, kan vi hjælpe med OpenClaw her: OpenClaw hos HverdagsAI. Vil I hellere starte med at forstå metoden og bygge de første simple flows selv, så kig på vores AI agent kursus. Flere guides ligger samlet i vores vidensunivers.