Når AI går fra svar til næste skridt
Forestil dig, at du skal forberede et oplæg til næste uge. Du åbner en chat og beder den forklare emnet. Den svarer pænt. Måske får du en disposition, nogle pointer og et par formuleringer, du kan arbejde videre med. Forestil dig så en anden arbejdsgang. AI'en får lov til at samle kilder, finde modargumenter, sortere materialet, foreslå tre vinkler og markere, hvor den selv er usikker. Den sender ingenting. Den publicerer ingenting. Den tager ingen beslutning for dig. Men den flytter arbejdet flere skridt frem, mens du stadig kan se, hvad der sker. Det er der, AI-agenter i praksis begynder at give mening. En agent er et AI-system, der kan arbejde med et mål over flere trin, bruge værktøjer og foreslå næste handling inden for en aftalt ramme. Derfor skal samtalen handle lige så meget om workflows, ansvar, stopregler og menneskelig kontrol som om selve teknologien.
En AI-agent arbejder med mål, kontekst, værktøjer og næste skridt
Gode agenter starter ofte som små workflows med tydelige grænser
Mennesker skal stadig godkende handlinger, vurdere kvalitet og tage ansvar
Først ligner det bare en chat
De fleste møder AI gennem et chatfelt. Man skriver et spørgsmål. Der kommer et svar. Man kan rette, spørge igen, kopiere noget ud eller lukke vinduet. Det føles nogenlunde som at bruge et værktøj, der ligger stille, indtil man beder det om noget.
En AI-agent føles anderledes, fordi den kan blive ved opgaven. Den kan have et mål, holde styr på kontekst, bruge en søgning, læse et dokument, sammenligne muligheder og foreslå, hvad der bør ske bagefter. Den arbejder tættere på selve arbejdsgangen.
Det betyder også, at ordet agent skal bruges med omtanke. Hvis et system bare svarer på ét spørgsmål, er det en chat. Hvis et system følger en fast opskrift fra A til B til C, er det ofte et workflow. Når systemet selv vælger mellem flere mulige næste skridt inden for en ramme, begynder vi at tale om agentisk arbejde.
Workflow kommer før agent
En organisation kan spare sig selv for mange problemer ved at starte med et helt almindeligt workflow. Tag en opgave, der gentager sig. Først skal noget læses. Så skal noget opsummeres. Så skal et menneske tjekke kvaliteten. Til sidst skal der måske skrives et udkast.
Hvis rækkefølgen er kendt, behøver man ikke give AI'en stor frihed. Man kan bygge en arbejdsgang, hvor hvert trin er tydeligt. Det er lettere at teste, lettere at forklare og lettere at stoppe, hvis noget går galt.
Agenter bliver først interessante, når opgaven ikke kan beskrives som en helt fast opskrift. Research er et godt eksempel. Nogle gange mangler der kilder. Nogle gange peger materialet i to retninger. Nogle gange skal AI'en opdage, at den ikke ved nok endnu. Her kan en agent hjælpe, fordi den kan vælge næste skridt. Men jo mere den må vælge, jo bedre skal rammen være.
Den første agent må gerne være kedelig
Hvis man skal prøve AI-agenter på en arbejdsplads, er det fristende at begynde med noget stort. En agent, der svarer kunder. En agent, der tager leads. En agent, der sender mails eller ændrer data i systemer.
Jeg ville begynde et mere stille sted. En research-agent, der samler kilder og modargumenter. En kvalitetssikrings-agent, der tjekker en tekst for manglende kilder, uklare påstande og gentaget fyld. En workshop-agent, der foreslår øvelser ud fra deltagergruppe og formål, så et menneske kan vælge til og fra.
De opgaver er gode, fordi agenten gør forarbejdet tydeligere. Den kan udvide overblikket, finde huller og hjælpe med at forberede noget. Den får ikke lov til at sende, slette, købe, love, publicere eller træffe beslutninger. Det er et sundt sted at lære.
Hermes, OpenClaw og Freja gør emnet konkret
Superkræfter taler ikke om agenter som en fjern trend. De dukker op i praktisk arbejde med Hermes, OpenClaw, Freja og de workflows, der ligger rundt om dem. Navnene er mindre vigtige end den arbejdsform, de viser.
Hermes kan forstås som et billede på den del af agentarbejdet, hvor man holder styr på signaler, research, hypoteser og næste spørgsmål. OpenClaw peger mere mod det byggende og undersøgende: hvordan en ide kan prøves, justeres og gøres konkret hurtigere. Freja gør den menneskelige del tydelig, fordi hun viser, hvad der sker, når AI får navn, rolle, stemme og grænser.
Fælles for dem er, at agenten ikke er hovedpersonen. Hovedpersonen er mennesket, der sætter retning, vurderer kilderne, mærker konsekvensen og siger stop. En agent kan holde mange tråde. Den kan ikke overtage dømmekraften, der gør arbejdet ansvarligt.
Fire niveauer gør ansvar lettere at tale om
Det hjælper at dele agentisk arbejde op i niveauer. Første niveau er sparring. AI'en stiller spørgsmål, laver udkast og hjælper dig med at tænke. Den gør kun noget inde i samtalen.
Andet niveau er research. Agenten finder, sorterer og sammenligner materiale. Den kan pege på usikkerhed og modargumenter. Mennesket vælger stadig vinkel og konklusion. Tredje niveau er forberedelse. Agenten klargør en mail, et oplæg, et notat, en øvelse eller en tjekliste, som et menneske skal godkende.
Fjerde niveau er handling. Nu sker der noget uden for teksten. En mail bliver sendt. En kunde får svar. En post bliver publiceret. En oplysning bliver ændret. Det niveau kræver en helt anden alvor, fordi fejlen også flytter ud i verden.
Stopregler skal kunne mærkes i arbejdet
En stopregel er en helt almindelig sætning, der siger, hvor agenten skal standse. Den må gerne læse offentlige kilder. Den må gerne foreslå en disposition. Den må gerne klargøre en mail. Når mailen skal sendes, skal et menneske godkende først.
Stopregler virker bedst, når de sidder inde i arbejdsgangen. Brugeren skal se et godkendelsestrin, før noget sendes. Agenten skal bede om hjælp, når kilderne er svage. Systemet skal nægte en opgave, hvis den kræver fortrolige data, der ikke hører hjemme i værktøjet.
Det gør faktisk agenten mere brugbar. Når mennesker ved, hvor grænsen går, tør de bruge systemet mere roligt. De behøver ikke hele tiden gætte, om de er ved at give AI'en for meget frihed.
Menneskelig kontrol er mere end en godkend-knap
Mange tænker på menneskelig kontrol som det sidste klik. AI'en gør arbejdet, og et menneske trykker godkend. Det kan være fint ved simple opgaver, men ved agentarbejde skal kontrollen ligge flere steder.
Et menneske skal vælge, om opgaven overhovedet passer til en agent. Et menneske skal beslutte, hvilke kilder der må bruges. Et menneske skal kunne se, hvorfor agenten foreslår noget. Og et menneske skal kunne afbryde, hvis agenten går i en forkert retning.
Den gode kontrol begynder altså før agenten arbejder. Hvad er målet? Hvad må den læse? Hvilke værktøjer må den bruge? Hvad skal den vise bagefter? Hvad skal altid forbi et menneske? De spørgsmål gør teknologien mindre mystisk og arbejdet mere ansvarligt.
Risikoen stiger, når agenten kan handle
En almindelig chat kan tage fejl. Den kan opfinde en kilde, forklare noget skævt eller lyde alt for sikker. Det er alvorligt nok, hvis man bruger svaret ukritisk. En agent lægger flere risici ovenpå, fordi den kan læse fra flere steder og måske bruge værktøjer.
Prompt injection er et godt eksempel. Agenten læser måske en webside, en mail eller et dokument, hvor der står noget, der ligner en instruktion. Hvis systemet ikke er designet ordentligt, kan agenten komme til at følge den forkerte stemme. Den kan også få for brede rettigheder, så et lille fejlskridt rammer data, kunder eller kolleger.
Derfor skal en agent have smalle adgange, logs, testopgaver og klare godkendelser. Man skal kunne se, hvad den gjorde, hvilke kilder den brugte, hvor den var usikker, og hvornår et menneske sagde ja.
Agenten afslører, hvor arbejdet allerede er uklart
AI-agenter bliver hurtigt dårlige, når opgaven i forvejen er tåget. Hvis ingen kan forklare, hvad et godt beslutningsoplæg kræver, kan agenten bare lave et flottere uklart oplæg. Hvis ingen ved, hvornår en tekst er god nok, kan agenten producere ti versioner, der alle føles næsten rigtige.
Det er en af de mest nyttige ting ved agentarbejde. Det tvinger en organisation til at sætte ord på tavs viden. Hvad gør en dygtig medarbejder egentlig, når hun undersøger et emne? Hvilke kilder stoler hun på? Hvornår ringer hun til nogen i stedet for at gætte? Hvornår stopper hun?
Når den viden bliver sagt højt, kan agenten hjælpe bedre. Så bliver den ikke en magisk genvej. Den bliver en måde at gøre god praksis mere synlig, mere testbar og lettere at dele.
Tre steder hvor AI-agenter giver mening i praksis
Første scenarie er research før et foredrag eller en beslutning. Agenten kan finde kilder, samle modargumenter, markere usikkerhed og foreslå spørgsmål, der mangler at blive stillet. Mennesket vælger vinklen og står på mål for konklusionen.
Andet scenarie er workshopforberedelse. Agenten kan læse en kort beskrivelse af målgruppe, branche og formål. Så kan den foreslå øvelser, eksempler og faldgruber. Facilitatoren vælger det, der passer til rummet, og fjerner det, der bliver for generisk.
Tredje scenarie er kvalitetssikring. Agenten kan tjekke en artikel, en intern guide eller en side mod en standard. Mangler der kilder? Er der for meget boilerplate? Er der interne links, der ikke giver mening? Agenten kan finde ting, et menneske ellers overser, mens mennesket stadig afgør, hvad der skal rettes.
Personlige agenter og fælles arbejdsgange skal skilles ad
En personlig agent hjælper én person tæt på arbejdet. Den kan holde styr på opgaver, skrive udkast, samle research og minde brugeren om ting. Den kan være virkelig nyttig, fordi den kender brugerens kontekst.
En fælles arbejdsgang i en organisation skal kunne forklares til flere mennesker. Den skal kunne testes, ejes og forbedres. Der skal være enighed om data, roller, godkendelser og ansvar. Ellers bliver agenten bare noget, enkelte medarbejdere bruger forskelligt i hver deres hjørne.
Begge former kan være gode. Problemet opstår, når man blander dem sammen. Hvis en personlig agent begynder at påvirke fælles beslutninger, skal organisationen kunne se, hvad der sker. Hvis en fælles agent føles som en privat hjælper, bliver ansvaret hurtigt uklart.
Autonomi er en dårlig målestok alene
Mange agentdemoer handler om, hvor meget systemet kan klare selv. Den finder noget, skriver noget, bruger et værktøj og kommer tilbage med et færdigt svar. Det ser imponerende ud, især når demoen kun viser de gode tilfælde.
I virkeligt arbejde er det ofte mere værdifuldt, at agenten viser tre muligheder og forklarer sin usikkerhed. Eller at den siger: her bør et menneske kigge med. Eller at den stopper, fordi kilderne ikke er gode nok.
En agent er ikke bedre, bare fordi den kan køre længere uden mennesker. Den er bedre, når den gør mennesker mere forberedte, mere opmærksomme og bedre i stand til at tage en beslutning, de kan stå ved.
Sådan kan en organisation begynde
Start med én opgave, som allerede findes i hverdagen. Vælg noget med lav risiko og høj læring. Research, forberedelse og kvalitetstjek er ofte gode steder at starte.
Skriv agentens rolle på én side. Hvad skal den hjælpe med? Hvad må den læse? Hvilke værktøjer må den bruge? Hvad må den levere? Hvornår skal den stoppe? Hvem godkender outputtet?
Test den på almindelige opgaver, svære opgaver og opgaver, hvor den helst skal sige nej. Det sidste punkt er vigtigt. Hvis man kun tester på de pæne eksempler, lærer man mest om demoen. Når man tester grænserne, lærer man om agenten kan bruges i praksis.
AI-agenter kræver et fælles sprog
AI-agenter er et stærkt emne i et foredrag, fordi de gør AI mere virkelig. En chatbot kan stadig føles som noget ved siden af arbejdet. En agent rykker ind i arbejdsgangen. Den kan samle materiale, holde tråde og foreslå næste skridt.
Derfor skal ledere og medarbejdere kunne tale om mere end værktøjer. De skal kunne tale om data, kvalitet, logs, rettigheder, stopregler og menneskelig kontrol på en måde, der giver mening i deres egen hverdag.
Det er her Superkræfter passer ind. Bogen og foredragene handler om AI som en forstærker af menneskelig faglighed, overblik og handlekraft. Agenten er en tydelig test af den tanke. Hvis mennesket bliver mere fraværende, er rammen forkert. Hvis mennesket bliver bedre forberedt og mere præcist, begynder teknologien at ligne en reel superkraft.
Relevante indgange
Foredrag om AI
Brug AI-agenter som et konkret tema i et foredrag om arbejde, ansvar, muligheder og menneskelig dømmekraft.
→ 
Ofte stillede spørgsmål
Hvad er en AI-agent i praksis?
En AI-agent er et system, der kan arbejde med et mål over flere trin, holde kontekst, bruge værktøjer og foreslå næste handling inden for en aftalt ramme. Den bør stadig have tydelige grænser og menneskelig kontrol.
Hvad er forskellen på en chatbot, et workflow og en agent?
En chatbot svarer typisk på det, du spørger om. Et workflow følger faste trin. En agent kan vælge næste skridt inden for en ramme, især når opgaven kræver research, vurdering eller flere mulige veje videre.
Hvor skal man begynde med AI-agenter på arbejdspladsen?
Begynd med en lavrisiko-opgave, hvor læringen er høj. For eksempel research, workshopforberedelse eller kvalitetssikring. Agenten kan hjælpe med forarbejdet, mens et menneske godkender output og handling.
Hvad er en stopregel?
En stopregel er en tydelig grænse for, hvor agenten skal afbryde eller bede om menneskelig godkendelse. Den kan for eksempel klargøre en mail, som et menneske sender bagefter. Den kan finde kilder, mens konklusionen stadig kræver menneskelig vurdering.
Hvorfor er menneskelig kontrol så vigtig?
Fordi agenten kan lyde sikker, bruge værktøjer og påvirke næste handling. Menneskelig kontrol sikrer, at kilder, ansvar, data og konsekvenser bliver vurderet af nogen, der kan stå på mål for beslutningen.
Hvilke risici skal man kende?
De vigtigste risici er forkerte svar, prompt injection, for brede rettigheder, databrud, over-tillid og uklart ansvar. Risikoen stiger, når agenten får lov til at handle i systemer eller kommunikere udadtil.
Hvordan hænger Hermes, OpenClaw og Freja sammen med AI-agenter?
De fungerer som konkrete billeder på agentisk arbejde i Superkræfter-universet. De viser research, byggeri, rolle, kontekst og grænser i praksis, uden at pointen bliver en liste over værktøjer.
Vil I arbejde med AI-agenter uden at slippe ansvaret?
AI-agenter bliver først nyttige, når mennesker kan se opgaven, rammen og stopreglerne tydeligt. Superkræfter kan bruges som foredrag eller workshop, hvor I arbejder med egne workflows, lavrisiko-opgaver, menneskelig kontrol og de steder, hvor en agent skal sige stop.