AI-agenter er din egen «bedrifts-GPT». Opplært på dine data, koblet til dine systemer, løser den konkrete oppgaver og effektiviserer din daglige drift.
AI-agenter er programvare som bruker kunstig intelligens til å utføre oppgaver og nå mål på vegne av din virksomhet.
Takket være fremskritt innen store språkmodeller kan agenter nå “resonere”, lære over tid, bruke multimodale verktøy og samarbeide med både andre agenter og mennesker for å løse komplekse arbeidsoppgaver.
For eksempel kan en agent motta en kundehenvendelse, analysere forespørselen, og selv booke møte eller hente informasjon fra CRM-systemet uten menneskelig styring. Med Tenk Digitalt sine egenutviklede tjenester for AI-integrasjon får du en “flying start”.
Les mer om våre tjenester innen AI-integrasjon her
Merk at vi har utviklet to AI-løsninger som automatiserer store deler av både markedsføring (inkludert SEO) og salg for norske virksomheter. Hvis du vil effektivisere dine prosesser kan du lese mer her om vår Marketing Intelligence og Sales Intelligence.
Innhold:
- Hva gjør en AI-agent i praksis?
- Hvor passer AI-agenter i en SMB-hverdag?
- Datagrunnlaget som trengs (minimumslisten)
- 60-minutters pilot uten kode
- Kost, tid og bemanning
- Fra pilot til daglig drift på 90 dager
- KPI-er og rapportering ledere faktisk bruker
AI-agents krever ikke millionbudsjett, ekspertansettelser eller «disruptive» prosjekter for å skape verdi. Slik gjør du virksomheten din klar til å dra nytte av AI-agenter.
Gratis E-bok
Sjekkliste for oppstart med AI-agenter
Hva gjør en AI-agent i praksis?
En AI-agent mottar data fra forretningssystemer (eksempelvis e-post, CRM eller intranett) og definerer et mål.
Deretter planlegger den nødvendige steg for å nå målet, utfører handlingene (for eksempel sender e-post, oppdaterer kalender eller henter data via API) og kontrollerer om målet er oppnådd.
Til slutt logger agenten hva den gjorde. Denne syklusen kan oppsummeres som «Motta → Planlegge → Utføre → Evaluere → Loggføre».
Et aktuelt eksempel: En agent kan motta en ordreforespørsel fra e-post, analysere kundeinformasjonen, legge inn bestillingen i systemet og sende en bekreftelse. Underveis registreres både suksess og eventuelle feil.
I mange sammenhenger kalles dette også plan–utfør–evaluer. Som beskrevet av Salesforce, kan agenter hente inn relevant data, analysere dem for å lage en plan, og deretter utføre planen helt autonomt.
AI-assistenter vs. AI-agenter
Det kan være nyttig å skille mellom AI-assistenter og AI-agenter. Enkle assistenter krever vanligvis at brukeren gir instruksjoner og tar beslutninger selv, slik som når du snakker med ChatGPT.
AI-agenter er designet for å handle proaktivt på egne vegne når de har fått et mål. Med andre ord: assistenter venter på kommandoer, mens agenter er mer selvstendige og kan iverksette handlinger for å nå et resultat uten konstant menneskelig veiledning.
En agent er altså som en digital kollega med en egendefinert arbeidsoppgave, mens en assistent er mer en interaktiv verktøykasse for mennesker.
Les mer om dagens beste AI-assistent: ChatGPT-5: Overlever virksomheten din uten?
Denne AI-ordlisten er laget spesielt for ledere i norske virksomheter. Her får du de viktigste begrepene innen kunstig intelligens (KI) kort forklart, uten fagprat.
Gratis E-bok
AI-ordliste: Kunstig intelligens enkelt forklart
Hvor passer AI-agenter i en SMB-hverdag?
AI-agenter er særlig aktuelle for repeterende oppgaver som skjer ofte og har klare regler. Oppgaver med stort volum og entydig logikk egner seg best, for eksempel masseutsendelser, sortering av henvendelser eller rutinemessig oppfølging.
Bak kulissene kan agenter fungere som «autonome bakgrunnsprosesser» som griper inn der det trengs. De kan analysere data for innsikt, optimalisere prosesser og automatisk løse oppgaver i kø.
En tommelfingerregel er at hvis en oppgave i dag gjerne løses med manuelle skript eller maler, eller krever mye kopiering og liming, kan en AI-agent ofte utføre det mer effektivt.
Beslutningen om når man bør bruke en agent framfor å la en ansatt gjøre jobben, avhenger av arbeidsmengde og datatilgjengelighet.
Anbefalte bruksområder med høy ROI
Noen oppgaver har vist seg å gi særlig høy gevinst når de automatiseres med AI-agent. Her er eksempler på bruksområder som ofte lønner seg:
Kundeservice
Gi agenten tilgang til innkommende henvendelser og vanlige FAQ-svar. Agenter kan da generere forslag til svartekster døgnet rundt, eller sende saker til riktig ansatt.
Erfaring viser at moderne chatboter kan besvare om lag 80 prosent av rutinespørsmålene betydelig raskere enn mennesker. Effekten er kortere svartid, høyere kundetilfredshet og lavere arbeidsbelastning på teamet.
Salg
La agenten kvalifisere leads ved å sjekke informasjon fra CRM og eventuelt public data (som LinkedIn), og deretter booke møter automatisk. Agenten kan også sende personaliserte oppfølgings-e-poster basert på maler.
Slik øker du antallet kvalifiserte salgsmøter uten at selgerne må sjonglere oppgaver. AI håndterer henvendelser og forberedelser.
Drift (administrasjon)
Bruk agenter til å følge opp interne oppgaver og purringer. For eksempel kan en agent sjekke kalenderen for oppgaver med forfalte frister, sende påminnelser og rapportere status.
Agenter kan også automatisere rapportgenerering (som oppsummerer ukens aktiviteter) og oppdatere interne systemer med ny informasjon. Dette reduserer forsinkelser og sikrer god intern flyt.
HR/rekruttering
La AI skrive førsteutkast til stillingsannonser basert på tidligere annonser og kravspesifikasjoner, og deretter hjelpe til med intervjukalenderen.
En agent kan hente relevant informasjon fra fagsystemet og lage et standardisert utkast som HR-ansvarlig finpusser. Den kan også sende møteinvitasjoner til kandidater når intervjutidspunkter er klare. Dette sparer tid for HR-teamet og sikrer konsistente prosesser.
Regnskap/innkjøp
En agent som har tilgang til regnskapssystemet kan motta spørsmål om fakturastatus, hente informasjon og svare kunden automatisk. Den kan også sende betalingspåminnelser til kunder basert på frister i økonomisystemet.
Ifølge bransjetall kan automatisering av fakturahåndtering redusere kostnad per faktura med omtrent 40 prosent, noe som gir rask ROI i økonomiavdelingen.
Som måltall kan man i kundeservice se på for eksempel responstid og kundetilfredshet (CSAT/NPS), i salg økt konvertering på leads, og i økonomi direkte besparelser per behandling (f.eks. redusert kostnad per faktura).
Les mer: Hva er en AI-agent? Og hva kan AI-agenter gjøre (10 eksempler)
Vi har utviklet Sales Intelligence – en løsning som lar AI-agenter identifisere mulige nye kunder, finne riktige kontaktpersoner, gjøre undersøkelser og skrive personlige e-poster for deg. Du godkjenner, finjusterer om ønskelig og trykker send. Ta kontakt for å komme i gang med AI-drevet salg og markedsføring.Tenk Digitalt Agentflyt
Effektiviser salgsarbeidet med AI
Datagrunnlaget som trengs (minimumslisten)
AI-agenter er avhengige av gode data. Derfor er det et nøkkelpoeng å sikre at agenten har tilgang til nødvendige informasjonskilder. Jo enklere det er å gi agenten data (e-post, dokumenter, CRM, kalender), desto lettere er det å ta den i bruk.
Alle systemer og kilder som trengs for oppgavene må gjøres tilgjengelige. Typiske datakilder kan være:
- E-postbokser (for innkommende forespørsler)
- Dokumentarkiv (maler, rapporter)
- CRM-system (kundeinformasjon, salgshistorikk)
- Kalender (tilgjengelige tidspunkter)
- Intranett eller saksbehandlingssystemer
Agenten trenger ofte både lesetilgang (for å finne relevant informasjon) og skrivetilgang (for å oppdatere systemer, sende e-post eller opprette saker).
For eksempel må en agent som booker møter kunne lese kalenderen til de ansatte, sjekke tilgjengelighet og deretter sende invitasjoner. Det kan også være aktuelt å gi agenten rettigheter til å opprette nye saker i CRM eller rapportere hendelser.
Samtidig må det være streng kontroll: Hvem godkjenner at agenten utfører oppgaver, og hvordan logges alt som gjøres?
For å bygge tillit er det viktig med revisjonsspor. Agentens handlinger bør loggføres slik at en menneskelig ansvarlig kan ettergå dem.
God datakvalitet og organisering er nøkkelen til suksess
Internasjonale retningslinjer for KI peker på at AI-systemer trenes på, og bruker kontinuerlig data som direkte påvirker resultatene. Derfor investerer de mest fremoverlente SMB-ene betydelig i datastyring og systemintegrasjon.
God datakvalitet sikrer at agenten ikke baserer sine beslutninger på utdaterte eller feilaktige opplysninger.Med andre ord: før du integrerer en agent bør du ha ryddet i datagrunnlaget.
Kartlegg hva agenten trenger å vite (kundeopplysninger, tjenester, produkter osv.), sikre nødvendige API-er eller systemtilgang, og definer godkjenningsprosesser (hvem trykker på «kjør»-knappen).
Ved å etablere klare rammer for dataflyt legger du grunnlaget for at agenten skal levere korrekt og verdibringende arbeid.
Les også: AI-hallusinasjoner: 9 tiltak som virker
60-minutters pilot uten koding
Det er fullt mulig å teste en AI-agent i liten skala uten omfattende utvikling. Tanken er å «gjenbruke» eksisterende verktøy og koblinger for raskt å bygge et enkelt pilotprosjekt. Oppskriften kan være:
- Velg et smalt brukstilfelle. Velg én konkret, gjentakende oppgave i én avdeling. For eksempel: lage svarutkast til henvendelser i felles e-postboks, eller booke møter for kvalifiserte leads. Jo smalere begrensning, desto enklere er det å lykkes.
- Sett opp integrasjoner. Bruk no-code-plattformer som Zapier, n8n eller integrerte AI-verktøy i forretningssystemer for å koble agenter til e-post, CRM eller kalender. Mange systemer har plugins eller API-er som agenten enkelt kan kommunisere med.
- Test i liten skala (10 saker). Kjør agenten på et knippe reelle oppgaver for ett team eller én bruker. Noter resultater, feil og uventede situasjoner. Dette gir rask læring om hva som fungerer og hva som må justeres.
Et slikt pilotprosjekt er ment å gjennomføres raskt, gjerne i løpet av en eller noen få dager. Det gir en konkret erfaring, viser umiddelbare gevinster (besparelser i tid eller feil), og avklarer tekniske behov.
Ideelt sett fastsetter man suksesskriterier på forhånd, for eksempel «Reduser manuelt arbeid med 20 timer per måned» eller «Øk svartiden med 30 prosent». Med tall og observasjoner fra pilotfasen kan effekten kvantifiseres og videre utrulling planlegges.
Tenk Digitalt investornettverk
Oppdag spennende muligheter i Tenk Digitalt sitt investornettverk
Kost, tid og bemanning
Innfasingen av en AI-agent innebærer både løpende kostnader og innsats fra medarbeidere. Typiske kostnadskategorier er lisenser for AI-plattformen, forbruk av datakraft og arbeid med integrasjoner (koblinger til øvrige systemer).
Disse utgiftene kan variere mye. Noen skybaserte agentløsninger prises per bruker eller per oppgave, mens andre tar betalt per bruk (tokens).
Internt må du regne med innsats fra flere roller. Ofte vil én prosjektleder eller initiativtaker ha det overordnede ansvaret (for eksempel 20 prosent av sin tid i utviklingsfasen) for å definere krav og koordinere.
Fagspesialister (f.eks. en kundeansvarlig eller økonomiansvarlig) bruker kanskje ti prosent av tiden sin på å stille opp data, beskrive prosesser og kvalitetssikre agentens arbeid.
En superbruker eller teknisk leder (noen med innsikt i systemer og AI) bruker kanskje også 10 prosent av tiden sin på å konfigurere og tilpasse agenten.
Disse tallene er eksempler, men illustrerer at det ikke kreves én hel stilling. Ofte kombineres det med ansvarsroller som finnes fra før.
Forenklet kan man si at investeringen i tid/bemanning er relativt moderat i pilotfasen, mens gevinsten i form av spart tid og økt kapasitet kan være stor.
En overslagsberegning kan vise at hvis en agent løser oppgaver som ellers tar 20 timer manuelt per uke, kan ROI-investeringen (lisens og arbeidsinnsats) være inntjent i løpet av få måneder.
Les også: Slik sikres bærekraftig AI-drift og mindre press på datasentre
Fra pilot til daglig drift på 90 dager
En typisk implementeringsplan går over tre måneder:
- 0–30 dager – Pilot og læring: Gjennomfør 60-minutters piloten som beskrevet ovenfor. Dokumenter hva som skjedde. Evaluer tid spart, problemer, endringsbehov. Involver brukerne og lær hvordan agenten påvirker arbeidsflyten i praksis.
- 31–60 dager – Spissing og måling: Basert på piloten, forbedrer du agentens regler og justerer tilgang og verktøy. Definer nøkkelindikatorer (KPI-er) for måling: for eksempel antall oppgaver automatisk løst, prosent reduksjon i svartid eller økt brukertilfredshet. Tren opp flere brukere, og begynn å mål KPI-ene kontinuerlig.
- 61–90 dager – Skalering og styring: Når agenten fungerer stabilt i én enhet, rulles den ut til flere team eller avdelinger. Innfør endringsledelse: Informer ansatte om nye rutiner, gi opplæring og sørg for at støtteapparat er på plass. Avklar eventuelle avtaler eller retningslinjer rundt bruk (for eksempel informasjonssikkerhet eller databehandling).
På denne måten er målet at løsningen går fra pilot til produksjon innen tre måneder. Det er en ambisiøs tidsramme, men med en ferdig definert pilot har mange organisasjoner klart å nå forretningsmessige resultater i løpet av tilsvarende korte perioder.
Les også: Generativ AI: Slik trener du ChatGPT til å styrke din posisjon i markedet
KPI-er og rapportering ledere faktisk bruker
For at ledelsen skal se effekten, trengs målbare KPI-er. Her er noen sentrale eksempler:
Effekt-/driftsmål:
- Sparte timer per uke eller måned (basert på hva agenten overtar av manuelle oppgaver).
- Svartider (for eksempel gjennomsnittlig svartid i kundeservice redusert med X prosent).
- Kundeopplevelse (NPS/CSAT): Forbedring i kundetilfredshet etter innføring av agenter i service.
- Konverteringsrate: Økning i antall gjennomførte salg etter automatisert lead-håndtering.
Kvalitets-/risikomål:
- Feilrate: Andel saker hvor agenten tok feil eller måtte korrigeres av mennesker (målt som lav andel feil).
- Menneskelig overstyring: Hvor ofte må en ansatt gripe inn og rette på agentens forslag (skal være lav).
- Avvik: Avvik fra regelverk eller sikkerhet ved bruk av agent (ekte avvik bør være null).
Styrings-/driftsmål:
- Datadekning: Prosent av nødvendig data som er tilgjengelig for agenten (en høy dekningsgrad gir større sannsynlighet for suksess).
- Systemstabilitet: Nedetid på de integrerte systemene (hvor avbrudd i API-tjenester kan påvirke agentens drift).
- Kostnad per oppgave: Totale driftskostnader for agent (lisens, drift) delt på antall oppgaver den løser bør være lavere enn en manuell timekostnad.
Ved å rapportere på disse KPI-ene kan ledelsen se konkrete gevinster: for eksempel at antall manuelt timearbeid er halvert, eller at kundeservice-NPS har steget etter at timingen ble bedre. Dette gir grunnlag for videre beslutninger og prioriteringer.
Les mer: Ansvarlig AI-integrasjon: Sjekkliste for bedrifter
Hvordan kan kunstig intelligens og ny teknologi gi konkrete fordeler i din hverdag som leder? Jan Storehaug holder foredrag som gir praktiske råd, eksempler og løsninger du kan ta i bruk umiddelbart.
Foredrag med Jan Storehaug
Fremtidens verktøy – praktisk bruk av AI med Jan Storehaug
FAQ om hvordan AI-agenter fungerer
Hvilke typer AI-agenter finnes?
Oppgaveagenter (ende-til-ende oppgaver), verktøyagenter (e-post/CRM/API), prosessagenter (flere trinn med regler) og multi-agent-oppsett med tilsynsagent. Velg type etter oppgavevolum, risikonivå og behov for godkjenning.
Er ChatGPT en AI-agent?
Nei. ChatGPT er en språkmodell/assistent. En agent bruker språkmodellen + verktøy + tilganger til å utføre handlinger i dine systemer. Tenk “hjerne” vs “operatør med nøkler og prosedyrer”.
Hvilken AI-agent er best?
Den som løser kjerneoppgaven billigst og tryggest, gitt dine systemer. Mål “kost per løst oppgave”, feilrate og behov for menneskelig overstyring, og velg lavest kost innenfor akseptabel risiko.
Hva om AI-agenten tar feil?
Kjør forslagsmodus med menneske-i-loopen, full logging og terskel for auto-stopp. Spor feilrate/avvik ukentlig; stram tilganger, forbedre datakilder og re-test før ny utrulling.
Kan jeg utvikle AI-agenter selv?
Ja, hvis du har kontroll på prosesskart, datatilgang, sikkerhet og endringsledelse. Start smått i lavkode, etabler KPI-er og revisjonsspor, og gå først til egenutvikling når kravene overstiger plattformene.
Kan jeg trene AI-agenter selv?
Ja, primært via konfigurasjon og egne kunnskapskilder (policyer, maler, RAG). Finjustering av modellen vurderes kun når gevinst > kost/risiko og data-/personvern er avklart.
Når skal vi stoppe en utrulling?
Stopp utrullingen når KPI-ene faller, feil/avvik øker, eller kost per oppgave blir høyere enn manuell løsning. Definer stoppkriterier på forhånd, sett løsningen på pause, reduser scope/tilganger og gjenoppta etter verifisert bedring.
Les også: Hva betyr EUs AI Act (KI-forordning) for din bedrift?
