Det er let at gøre værktøjsvalget til hele diskussionen.

n8n lyder fleksibelt. Make ser overskueligt ud. Zapier virker hurtigt at komme i gang med. Og hvis I allerede arbejder i Microsoft 365, dukker Power Automate næsten altid op i samtalen.

Men det første spørgsmål er ikke, hvilket værktøj der er bedst. Det første spørgsmål er mere kedeligt, og mere brugbart: Hvilken arbejdsgang prøver I faktisk at forbedre?

Hvis processen er uklar, hjælper et nyt automation værktøj sjældent. Det kan højst få uklarheden til at flytte sig hurtigere mellem systemer. Derfor starter vi hellere med opgaven: Hvad sker der i dag, hvor går det galt, hvilke data bruges, og hvor skal et menneske stadig kunne sige ja eller nej?

Når I har den afklaring, er det også lettere at se, om n8n, Make, Zapier eller Power Automate passer til opgaven.

Kort overblik

Vores korte version er denne: begynd med processen, ikke platformen. Få arbejdsgangen ned på papir, find datakilderne, og beslut hvor mennesker skal kunne stoppe eller godkende flowet.

Make kan være nemmest at samle teamet omkring, når flowet skal tegnes visuelt og testes i lille skala. Zapier passer ofte til de mere ligefremme koblinger mellem cloud værktøjer, mens n8n hører hjemme i samtalen, når der er flere undtagelser, mere logik eller planer om at bygge videre.

GDPR, pris, adgangsstyring og drift skal vurderes ud fra jeres konkrete setup. Ikke som et generelt ja eller nej til et værktøj.

Kilde og lyt videre

Artiklen bygger på en HverdagsAI podcast-samtale om AI automation, n8n, Make, Zapier og Power Automate. Her er samtalen brugt som råmateriale til en guide, ikke som et referat. Priser, funktioner og datavilkår kan ændre sig, så konkrete værktøjsfakta skal tjekkes, før I låser et setup.

Du kan finde episoden her: Se episoden på YouTube, Lyt på Spotify og Lyt i Apple Podcasts.

Start ikke med værktøjet. Start med processen

En god automation begynder sjældent med et login til et nyt værktøj. Den begynder med en samtale med de mennesker, der sidder med opgaven.

Hvad gør I i dag? Hvilke systemer åbner I? Hvilke oplysninger kopierer I fra ét sted til et andet? Hvor opstår fejlene? Hvornår skal et menneske træffe en beslutning? Og hvilke dele af arbejdet er faktisk værd at automatisere?

De spørgsmål lyder mindre spændende end en demo. Fair nok. De er også dem, der afgør om flowet får værdi.

Tag en indbakke som eksempel. På papiret lyder det enkelt at lade AI læse en mail og sende den videre til økonomi, salg, kundeservice eller en intern ansvarlig. Når man tegner flowet rigtigt, dukker de vigtige spørgsmål op: mails der ikke må havne forkert, sager der kræver dokumentation, personoplysninger i teksten og en plan for, hvem der opdager det, hvis AI vurderer forkert.

Hvis den del ikke er afklaret, er værktøjsvalget næsten for tidligt.

Det samme gælder fakturakontrol, leadberigelse, overvågning af udbud, interne reminders og første udkast til tekster. Opgaven skal deles op i trin. Når trinene er tydelige, kan I begynde at tale om Make, Zapier, n8n, Power Automate eller noget helt femte.

Hvad er forskellen på almindelig automation og AI automation?

Almindelig automation følger faste regler. Hvis dette sker, så gør dette. En formular bliver udfyldt, en mail bliver sendt, en fil bliver flyttet, eller en sag får en ny status.

Det er stadig nyttigt. Mange virksomheder har masser af rutinearbejde, hvor faste regler er nok. Den type opgaver ligger tæt på klassisk RPA, hvor målet ofte er at slippe for gentagne klik, flytninger og registreringer.

AI automation kommer ind, når flowet skal forstå mere kontekst.

Det kan være en mail, hvor emnefeltet ikke er nok, fordi indholdet skal vurderes. Det kan være et dokument, hvor AI skal finde manglende oplysninger. Det kan være et udbud, hvor systemet vurderer relevans, før en medarbejder får besked. Eller et tekstflow, hvor AI laver et første udkast, som et menneske bagefter retter til.

Læg mærke til det sidste. AI delen betyder ikke, at mennesker skal ud af processen. Ofte er pointen netop kombinationen: systemet finder, sorterer, foreslår eller klargør, og et menneske godkender, retter eller beslutter.

Derfor bør AI automation heller ikke behandles som en ren IT beslutning. Det handler om arbejdsgange, ansvar og kvalitet. Værktøjet er kun én del af det.

Når Make er et godt sted at begynde

Make giver især mening, når teamet har brug for at se flowet for sig. Et visuelt værktøj kan gøre det lettere at opdage, hvad der sker trin for trin, uden at alle skal tænke som udviklere.

Et første flow kan for eksempel starte med en formularbesvarelse, oprette en opgave, sende en besked og gemme oplysninger i et regneark eller CRM. Ikke spektakulært. Men ofte nok til at vise om processen overhovedet hænger sammen.

Det er også en god måde at få kolleger med ind i testen. Når flowet kan vises på en skærm, bliver samtalen konkret: Her kommer inputtet ind. Her tager AI en vurdering. Her skal et menneske tjekke. Her gemmes resultatet.

Make er ikke det rigtige valg bare fordi det er visuelt. Hvis flowet vokser, hvis der kommer mange undtagelser, eller hvis data og drift bliver mere følsomme, skal kravene vurderes igen. Som første læringsrum for en overskuelig automation kan det dog være en fin vej.

Når Zapier er den korte vej

Zapier kommer især på bordet, når opgaven bare er at få to kendte cloud værktøjer til at tale sammen uden et stort projekt.

Tænk på den lille bunke ting, der ofte ligger og venter: en leadformular, der skal ende som kontakt, en kalenderbooking, der skal give salgsteamet et prik, eller en regnearksrække, der skal sætte en simpel opfølgning i gang. Her giver det sjældent mening at bygge den store maskine først.

Zapiers fordel er, at testen kan være hurtigt på benene, mens idéen stadig er varm.

Begrænsningen viser sig typisk senere. Når flowet bliver vigtigere, skal I se nærmere på pris ved højere brug, fejlhåndtering, adgangsstyring, dataflow og vedligeholdelse. Det er den normale udvikling fra "lad os teste" til "nu påvirker det faktisk driften", og der skifter kravene.

Når n8n hører hjemme i samtalen

n8n bliver især relevant, når automationen kommer tættere på virksomhedens kernearbejde.

Hvis der både er flere betingelser, flere datakilder og et flow, der skal bygges videre på efter piloten, er den første simple skitse sjældent nok.

Hos HverdagsAI kigger vi typisk mere alvorligt på n8n, når automationen bliver en del af en større arbejdsgang. Det kan være overvågning af kilder, kvalificering af indhold, klargøring af udkast, intern godkendelse og oprettelse i et system bagefter.

Det betyder ikke, at alle skal starte her. Hvis teamet ikke har teknisk ansvar, tid til vedligeholdelse eller tydelige krav, kan et lettere værktøj være bedre i første omgang. Men hvis ambitionen er at bygge flows, der skal kunne justeres og passes ordentligt, bør n8n være med i samtalen.

Når Microsoft allerede fylder hverdagen

Power Automate dukker naturligt op, når virksomheden allerede arbejder tungt i Microsoft 365.

Mails, dokumenter, Teams, SharePoint, kalender og brugeradgange ligger ofte samme sted. Så er det rimeligt at spørge, om automation også skal bo tæt på det miljø. Især hvis flowet handler om interne dokumenter, godkendelser eller de arbejdsflader, medarbejderne allerede bruger hver dag.

Men Power Automate skal stadig vælges aktivt. Licenser, connectorer, datagovernance og begrænsninger kan gøre løsningen enten oplagt eller unødigt tung. Det afhænger af processen.

Spørgsmålet er altså ikke, om Microsoft er godt eller dårligt. Spørgsmålet er, om jeres proces passer til den måde værktøjet fungerer på, og om de rigtige mennesker kan eje flowet bagefter.

Hvis I prøver at placere automation i en modenhedsrejse fra enkel AI brug til mere selvstændige flows, kan artiklen om fra ChatGPT til AI agenter give et nyttigt overblik over næste niveauer.

Fem spørgsmål før I vælger platform

Når processen er kortlagt, bliver værktøjsvalget mindre abstrakt. Brug de her spørgsmål, før I beslutter jer.

Data og GDPR

Hvilke data løber gennem flowet? Er der personoplysninger, kundedata, kontrakter, løn, helbred, fortrolige tilbud eller andet, der kræver særlig styring?

Spørg ikke kun, om et værktøj er "GDPR sikkert". Det bliver for groft. Spørg hvordan jeres konkrete data flyder gennem opsætningen. Hvem er databehandler? Hvilke underleverandører indgår? Hvor behandles data? Hvilke aftaler, politikker og adgangsregler gælder hos jer?

Den afklaring skal med fra starten.

Hvad sker der med prisen, når flowet kører hver dag?

Et flow kan se billigt ud i en test og ændre karakter, når det kører mange gange om dagen.

Derfor skal I tænke i brugsmønster: hvor ofte flowet kører, hvor mange trin det har, hvordan fejl håndteres, og om prisen stadig giver mening, når mængden stiger fra pilot til drift.

Startpris alene siger ikke nok. Kig på den arbejdsgang, I faktisk forventer at køre.

Integrationer

Automation falder hurtigt til jorden, hvis værktøjet ikke kan tale med de systemer, I bruger.

Lav en kort liste over de systemer, flowet skal røre ved. Mail, kalender, CRM, økonomisystem, dokumentlager, formularer, projektstyring, BI, kundesupport eller interne databaser. Vurder derefter, om forbindelsen er standard, kræver mellemled eller skal bygges mere manuelt.

Det er også her, mange opdager noget lidt irriterende: den svære del er ikke altid AI. Den svære del kan være adgang, datakvalitet og systemejerskab.

Teknisk ansvar

Hvem ejer flowet, når det virker?

Det spørgsmål bliver ofte glemt i starten, fordi alle fokuserer på den første demo. Men en automation skal passes, når systemer ændrer sig, felter skifter navn, adgange udløber, data mangler, eller en kollega spørger, hvorfor noget ikke skete.

Hvis I vil bygge internt, skal nogen have tid og kompetence til at forstå flowet. Et AI agent og automation kursus kan give teamet fælles sprog og byggeerfaring, før ansvaret lander hos én person.

Hvor mennesket skal ind over

Nogle flows kan køre automatisk, men mange bør have et tydeligt godkendelsespunkt, især når de påvirker kunder, økonomi, juridiske vurderinger, HR, følsomme data eller virksomhedens omdømme.

Det kan være en medarbejder, der godkender et udkast, en leder der vurderer en anbefaling, eller en fagperson der tjekker en klassificering, før systemet sender noget videre.

Menneskelig godkendelse kan give færre fejl og tydeligere ansvar, især når flowet rammer kunder, økonomi eller følsomme data.

Begynd med et pilotflow, ikke et helt katalog

Når en virksomhed først ser mulighederne, vokser listen hurtigt.

Indbakken kan sorteres. Leads kan beriges. Møder kan opsummeres. Nyheder kan overvåges. Fakturaer kan tjekkes. Tekster kan klargøres. Interne opgaver kan oprettes automatisk.

Det er fristende at samle det hele i en stor plan. Som regel er det klogere at vælge én arbejdsgang.

Beskriv den i trin. Byg den simpleste version. Test den med de mennesker, der faktisk skal bruge resultatet. Ret fejlene. Tilføj først flere trin, når den første del virker.

Et godt pilotflow bør kunne besvares med ret enkle spørgsmål:

  • Hvilken konkret opgave starter flowet med?

  • Hvilke input skal systemet bruge?

  • Hvad skal AI vurdere eller producere?

  • Hvem kontrollerer kvaliteten?

  • Hvad sker der, hvis flowet fejler?

Det sidste spørgsmål er ikke pynt. En automation skal kunne håndtere undtagelser, manglende data og svar, der ikke er gode nok.

Hvis I lærer det i et lille flow, står I stærkere, når næste proces skal bygges.

Hvornår bør I få hjælp til AI automation?

I kan sagtens starte selv, hvis opgaven er enkel, data er ufarlige, og konsekvensen ved fejl er lav. Det er ofte en god måde at lære på.

Hjælp bliver mere relevant, når flowet rammer vigtige processer, flere systemer, følsomme data eller beslutninger, hvor kvaliteten skal kunne forklares. Det gælder også, hvis I har mange idéer, men svært ved at vælge den første proces.

God rådgivning begynder ikke med at pege på et værktøj. Den begynder med processen: Hvad prøver I at forbedre, hvad må ikke gå galt, hvem skal eje det, og hvad er en realistisk første version?

Når det er tydeligt, giver værktøjsvalget langt mere mening.

Få vurderet jeres første automation case

Vil I have hjælp til at vælge den rigtige første proces, vurdere værktøjerne og bygge et pilotflow, der kan holde til hverdagen, kan HverdagsAI hjælpe med AI automation.