Hvad er en AI agent og hvad kan den som en chatbot ikke kan?

Sammenligning side om side

En kunde skriver: “Hvor er min ordre #4521?”

Chatbotten læser ordrene, genkender mønstret og vælger fra sit script: “Tjek din bekræftelsesmail eller kontakt os på telefon.” Svaret er korrekt, men generelt. Kunden får ingen ny viden. Hun skal selv finde mailen, finde trackingnummeret og søge på PostNords hjemmeside. Eller ringe og vente i kø.

AI agenten gør noget andet. Den ser ordrenummeret, forstår konteksten og handler på egen hånd. Agenten slår #4521 op i Shopify, finder trackingoplysningerne hos PostNord, aflæser status og ser at pakken er forsinket en dag. Den formulerer selv svaret: “Din ordre #4521 er undervejs med PostNord og forventes leveret i morgen kl 10 til 14. Undskyld forsinkelsen.”

Det er forskellen på at følge et script og at forstå en opgave.

Kunden får svar med det samme. Virksomheden sparer tid. Ingen skal manuelt checke ordrestatus eller skrive forklaringer. Vores case med lead research og personlig mail til B2B SaaS viser samme princip: Når AI agenter får adgang til systemer og kan handle selv, går processer fra minutter til sekunder.

AI agenter fungerer som digitale medarbejdere. De sætter mål, træffer valg og udfører handlinger uden trin for trin instruktion. De analyserer og tilpasser sig løbende i stedet for kun at reagere på fast input.

Den automatiske ordreretrieval er ét eksempel. Samme mønster gælder lead kvalificering, IT support, dokumentanalyse og mødeopsummering. Overalt hvor en opgave kræver data fra flere systemer og en beslutning baseret på det, vinder agenter frem.

Hvad en AI agent teknisk består af

En AI agent består af fire grundelementer: en sprogmodel der tænker, et sæt tools der handler, en hukommelse der husker konteksten, og en beslutningslogik der vælger hvad der skal ske.

Sprogmodellen fungerer som hjernen. Den analyserer input, forstår hensigten og planlægger næste skridt. Uden den kan agenten hverken forstå hvad brugeren vil eller beslutte hvordan opgaven løses. Modellen arbejder med naturligt sprog, hvilket betyder den kan håndtere uforudsigelige henvendelser uden faste scripts.

Tools er agentens hænder. Det kan være opslag i et CRM system, afsendelse af email, kalenderbooking eller API kald til eksterne databaser. Hos en B2B SaaS virksomhed bruger vi denne opsætning til lead research og personlige mails. Agenten slår op i offentlige kilder, beriger lead informationen og sender en skræddersyet mail.

Hele processen fra research til afsendelse tager nu to minutter per lead.

Hukommelsen holder styr på samtalens historik og tidligere handlinger. Det betyder, at en agent kan genoptage en sag, huske kundens præferencer og undgå at spørge om det samme to gange. Konteksten følger med på tværs af systemer.

Beslutningslogikken binder det hele sammen. Den vurderer hvilket tool der skal aktiveres, i hvilken rækkefølge, og hvornår opgaven er løst tilstrækkeligt. Ifølge Advanias definition af agentic AI er netop denne evne til selv at vælge handlinger det der adskiller en agent fra traditionelle automatiseringsværktøjer.

De fire elementer arbejder i en løkke. Sprogmodellen analyserer, logikken beslutter, tools udfører, og hukommelsen lærer. Resultatet er et system, der kan arbejde selvstændigt på tværs af platforme.

5 eksempler på AI agenter i praksis

Kundeservice med fuld ordrehistorik

En AI agent kan modtage en kundehenvendelse, slå ordren op i Shopify, finde tracking i PostNord, checke lagerstatus og sende et personligt svar uden at spørge om ordrenummer eller vente på menneskelig godkendelse. Hvis pakken er forsinket, kan agenten selv tilbyde en kompensation baseret på foruddefinerede regler. Når sagen kræver menneskelig vurdering, eskalerer den med fuld kontekst.

Lead kvalificering fra første kontakt

Når et nyt lead tilmelder sig eller udfylder en formular, kan en agent researche virksomheden, finde relevante kontaktpersoner på LinkedIn, analysere deres tech stack og skrive en personlig outreach mail inden for minutter. I vores case med en B2B SaaS virksomhed gik processen fra langsom manuel research til første svar på bare 2 minutter per lead.

Intern IT support

Medarbejdere skriver til en agent i stedet for en helpdesk. Agenten kan nulstille adgangskoder, finde dokumentation i Confluence, booke udstyr og oprette tickets i Jira når problemet kræver teknikerhjælp. Den husker hvilke løsninger der virkede for den pågældende medarbejder sidste gang.

Produktimport til webshop

En agent modtager rå leverandørdata og omdanner dem til færdige produkter i WooCommerce. Den beriger beskrivelser, sætter priser, kategoriserer varer og publicerer uden manuel indblanding. Vores case viser en webshop der modtager 24 produkter om dagen automatisk fra leverandørdata til færdigt produkt.

Konkurrentovervågning for bureau

Et marketingbureau overvåger ni faste konkurrenter gennem en agent der dagligt tjekker prisændringer, nye produkter og markedsføringstiltag. Bureauet sparer 6 til 8 timer om ugen på manuelt konkurrenttjek. Agenten samler overblikket i et dagligt dashboard.

Risici

AI agenter kan finde på svar, undlade at eskalere og skal overholde GDPR når de håndterer persondata.

Hallucination er den mest oplagte fare. En agent kan opfinde fakta, citere ikke eksisterende kilder eller påstå at en kunde har godkendt noget der aldrig skete. Det sker typisk når agenten mangler kontekst, men alligevel skal levere et svar. Modellen fylder hullerne ud med noget der lyder plausibelt.

Ét forkert svar kan koste et kundeforhold.

Manglende eskalering er lige så alvorlig. En agent skal vide præcis, hvornår den skal stoppe og række ud efter et menneske. Uden klare regler for eskalering risikerer du at kritiske henvendelser bliver liggende i systemet uden at nogen opdager det. Definer tydelige triggers: hvornår skal agenten give op, hvad skal den gøre i stedet, og hvem skal underrettes.

GDPR bliver kritisk så snart agenten rører persondata. I vores case med lead research og personlig mail til B2B SaaS håndterer agenten kontaktoplysninger, jobtitler og virksomhedsdata for at skrive personlige mails. Her skal du have styr på databehandleraftaler, logning af beslutninger og mulighed for at slette data på anmodning. Agenten skal ikke gemme persondata længere end nødvendigt, og den må ikke træffe afgørelser med juridiske konsekvenser for individet uden menneskeligt tilsyn.

Fra august 2026 klassificerer EU AI Act agenter der træffer beslutninger om individer som højrisiko. Det kræver dokumentation, transparens og menneskeligt opsyn. Har du spørgsmål om compliance, er du velkommen til at kontakte os.

EU AI Act

Fra august 2026 klassificeres AI agenter, der træffer beslutninger om personer, som højrisikokategorier under EU AI Act. Det ændrer vilkårene for alle virksomheder, der lader automatiske systemer påvirke mennesker uden menneskelig kontrol.

Reglerne kræver omfattende dokumentation af beslutningsprocesser, teknisk gennemsigtighed i modellernes funktion og obligatorisk menneskeligt opsyn før endelige afgørelser. Det gælder eksempelvis når en agent automatisk vurderer en kundes kreditværdighed, sorterer jobansøgninger eller prioriterer leads baseret på personlige data.

Det er ikke en fjern fremtid. Det er et år væk.

Vi har set det i praksis hos en B2B SaaS virksomhed, hvor et lead research system analyserer personer og sender personlige mails på under to minutter per lead. Under den nye lovgivning skal sådanne systemer kunne forklare deres beslutningslogik, sikre at persondata håndteres korrekt, og give mulighed for menneskelig indsigt før afgørelser træffes.

Overtrædelser af kravene til højrisiko AI kan medføre bøder på op til 262,5 millioner kr. (35 millioner EUR) eller syv procent af den globale årlige omsætning. Myndighederne får beføjelse til at trække inkompatible systemer tilbage fra markedet og forbyde fremtidig drift. Det gør reguleringen til et ledelsesmæssigt emne fremfor en teknisk implementeringsdetalje.

Forsimplede chatbots der besvarer FAQ falder under begrænset risiko, mens autonome agenter der analyserer individuelle adfærdsmønstre eller økonomiske forhold indgår i højrisikokategorien. Det betyder, at en traditionel kundeservicebot og en selvstændig agent der vurderer kunder reguleres vidt forskelligt under loven selvom begge anvender store sprogmodeller.

Forberedelse indebærer opbygning af teknisk dokumentation om træningsdata, algoritmisk logik og systemarkitektur. Virksomheder skal implementere logging der muliggør sporbarhed af enkelte beslutninger tilbage til specifikke input. Dette krav gælder når systemer automatiserer arbejdsgange der tidligere krævede 6 til 8 timers manuelt arbejde om ugen, hvis processerne samtidig påvirker personer.

De virksomheder, der allerede nu bygger dokumentation og kontrolmekanismer ind i deres AI agenter, undgår at skulle reimplementere systemer i 2026. De får også lettere ved at dokumentere overfor kunder og myndigheder, at deres automatisering lever op til gældende standarder.

Hvornår en chatbot er rigeligt

En regelbaseret chatbot er rigeligt, når ni ud af ti henvendelser drejer sig om de samme ti spørgsmål. I den situation er enkle, foruddefinerede svar både billigere at vedligeholde og mere forudsigelige for brugerne.

Forudsigelighed er en undervurderet styrke. Når kunderne ved, hvad de kan forvente, falder frustrationen. En chatbot, der konsekvent svarer “Vi har åbent klokken ti til atten” på spørgsmålet om åbningstid, skaber tillid. Den gør det samme hver gang. Ingen overraskelser, ingen fejlfortolkninger, ingen pludselige svar, der afviger fra virksomhedens politik.

Driftsomkostningerne er også lavere. En simpel chatbot kræver minimal løbende kvalitetssikring og ingen avanceret prompt engineering. Du betaler for det, du bruger, og intet mere.

Problemet opstår først, når kunderne begynder at stille spørgsmål uden for scriptet. Hvad nu, hvis kunden vil vide, hvornår en specifik vare er på lager, samtidig med at hun spørger om leveringstid til en bestemt adresse, og derefter ønsker at ændre sin ordre? Her stopper den regelbaserede chatbot. Den kan ikke trække data fra lagerstyringen, beregne fragt ud fra postnummer og opdatere ordren i ERP systemet i én samtale. Det kræver AI agenter, der kan trække data på tværs af systemer og handle selvstændigt.

Start simpelt. Hvis dine data viser, at størstedelen af henvendelserne handler om de samme emner, er en chatbot den rigtige løsning. Skaler først op til AI agenter, når kompleksiteten og volumenet retfærdiggør investeringen.

Almindelige spørgsmål

Kan en AI agent lave fejl?

Ja. AI agenter kan hallucinere, det vil sige finde på information, der ikke er korrekt. De kan også fejle i at eskalere sager til mennesker, når det er nødvendigt. Derfor kræver de løbende overvågning og klare retningslinjer for, hvornår et menneske skal inddrages i beslutninger.

Er det dyrt at køre?

Prisen afhænger af kompleksitet og forbrug. En AI agent, der integrerer med flere systemer og håndterer mange forespørgsler, koster mere end en simpel chatbot. Omkostningerne omfatter typisk abonnement, API kald og eventuel udvikling af skræddersyede integrationer til dine forretningssystemer.

Erstatter det kundeservice?

Nej, det erstatter ikke menneskelig kundeservice, men supplerer den. AI agenter håndterer rutineopgaver som ordresporing og FAQ, mens komplekse eller følsomme sager stadig kræver menneskelig kontakt. De fungerer som digitale medarbejdere, ikke som erstatning for hele teamet.

Hvad med GDPR?

AI agenter skal overholde samme GDPR regler som andre systemer, der behandler persondata. EU AI Act klassificerer agenter, der træffer beslutninger om enkeltpersoner, som højrisiko fra august 2026. Det kræver dokumentation, gennemsigtighed og menneskelig kontrol. Persondata må kun behandles med samtykke eller gyldig interesse.

Kan den tale dansk?

Ja, moderne AI agenter understøtter dansk gennem store sprogmodeller. De kan forstå og besvare henvendelser på dansk, integrere med danske systemer som PostNord til forsendelsessporing og håndtere danske kundeservicescenarier. Kvaliteten afhænger af modellens træning på dansk sprog.

Hvad er forskellen på en chatbot og en AI agent?

En chatbot følger faste scripts og reagerer kun på direkte input. En AI agent analyserer situationen, planlægger handlinger og handler proaktivt på tværs af systemer. Mens chatbots er gode til gentagne spørgsmål, kan agenter integrere med CRM, mail og API er for at løse komplekse opgaver helt autonomt.