Gå direkte til hovedindholdet

Kontakt os
View from horseback of a rider’s hand on the saddle and the horse’s windblown mane against an open grassy plain under a blue sky.

AI-agenter som arbejdsheste: Lad dem tage sig af de tidskrævende opgaver

Nov 19, 2026

Nogle opgaver i organisationer bliver løst på samme måde, som de altid er blevet løst. Ingen stiller spørgsmål ved fremgangsmåden, og derfor er der heller ingen, der forsøger at forbedre den. Det er sjældent de mest spændende opgaver, men de tager værdifuld tid fra medarbejdere, som kunne bruge den på noget vigtigere. 

Netop den type opgaver er oplagte at overlade til en AI-agent allerede i dag. Tænk på den som en arbejdshest: Den går i gang, løser opgaven og leverer et resultat, uden at du behøver at følge med i hvert eneste trin. Her får du to konkrete eksempler på, hvordan det fungerer i praksis, og hvad der skal til for at få det til at lykkes.

Case 1: AI-agenter til indholdsmigrering

En migrering af indhold følger typisk en række faste trin: Kortlægning, analyse og oprydning i indholdet, design og mapping, afklaring af krav, berigelse af indholdet og selve migreringen. Det er især de to første faser, der er tidskrævende. Og netop den type opgaver egner AI-agenter sig særligt godt til. 

I praksis handler det blandt andet om at gennemføre crawl-analyser, undersøge, hvilke publicerede URL'er der optræder i analytics-data, og analysere indholdet i CMS-databasen. Det er nødvendigt arbejde, men også arbejde med mange gentagelser. I stigende grad overlader vi nu disse opgaver til AI-arbejdsheste, og det ændrer grundlæggende analytikerens rolle. 

Den største gevinst handler ikke kun om at spare tid. Det handler også om at komme længere ned i detaljerne. Tidligere måtte analytikere ofte nøjes med det overordnede billede, simpelthen fordi der ikke var tid til at gå mere i dybden. En AI-arbejdshest kan analysere indhold helt ned på den enkelte sides niveau. Selv to forretningsanalytikere, der arbejder sammen, ville have svært ved at nå samme detaljeringsgrad som de AI-modeller, vi har adgang til i dag. 

Det frigiver tid til det, der virkelig betyder noget: At samarbejde med kunden om at beslutte, hvilket indhold der er værd at migrere. 

Close-up of a cluttered computer desktop filled with overlapping folders and spreadsheet file icons.

Tag dialogen med leverandørerne

De mere dybdegående analyser giver også adgang til information, som tidligere kunne være svær at få fat i. CMS-leverandører kan være tilbageholdende med at dele information om strukturen i deres datamodeller eller deres kildekode. Men når du har et klart forretningsmæssigt formål og kan forklare, hvordan oplysningerne bliver analyseret på en sikker måde, er de langt mere åbne for dialog. 

Det afgørende er at have en platform med de rette sikkerhedsrammer: Klare regler for, hvad AI må og ikke må gøre med dine data. 

Vi bruger iO Bonzai, vores fælles AI-platform til integrationer, governance og orkestrering af AI. Bonzai fungerer som en ramme for forskellige store sprogmodeller (LLM'er), alt efter hvilken opgave der skal løses. Platformen lever op til kravene i EU's AI-forordning (AI Act) og er ISO 27001-certificeret. 

Det fjerner en væsentlig barriere for leverandørerne: Sikkerheden er allerede tænkt ind og håndteret, inden spørgsmålene overhovedet opstår. 

Close-up of a blue human eye seen through a round magnifying lens, showing detailed iris patterns and eyelashes.

Human-in-the-loop: Menneskerne skal fortsat have kontrollen

Selv med de rette sikkerhedsrammer på plads er menneskelig kontrol afgørende. Hos iO er det et bevidst valg. 

Tag eksempelvis mapping af indhold. Når komponenter og indhold først er på plads, kan det være fristende at lade AI stå for hele processen. Men det går ikke altid som planlagt. Hvis en LLM får frie hænder til at arbejde med store mængder indhold, kan den finde på at udfylde huller med information, som den selv vurderer burde være der. 

Løsningen er enkel: Giv hvert enkelt stykke indhold et unikt ID. Lad AI stå for at mappe ID'erne, og indsæt derefter den oprindelige tekst igen. På den måde bevarer du præcis det indhold, du havde tænkt dig – uden tilføjelser, som AI selv har fundet på. 

Andre agenter gennemgår også resultaterne, inden et menneske kontrollerer, om den færdige side fungerer efter hensigten for den målgruppe, den er udviklet til. 

Menneskelig involvering handler dog om langt mere end at kontrollere resultaterne. Det kræver stadig mennesker at skrive prompts, installere agenter og konfigurere deres arbejdsprocesser. Og sådan skal det være. Når menneskelig kontrol er tænkt ind fra begyndelsen, undgår man at skulle kæmpe for at genvinde kontrollen senere. 

Case 2: AI-agenter til arkitekturdokumentation og trusselsmodellering

Det samme princip gælder inden for softwaresikkerhed: Agenterne tager sig af det tidskrævende arbejde, mens menneskerne bevarer kontrollen. Men her kan konsekvenserne af fejl være langt mere alvorlige. 

Trusselsmodellering handler om at betragte et system med en angribers øjne, inden en reel angriber får muligheden. Man undersøger systemets arkitektur, de data, systemet behandler, og tillidsgrænserne mellem de forskellige komponenter. Det vil sige de steder, hvor én del af systemet ikke automatisk kan have tillid til en anden. Derefter analyserer man de forskellige måder, en angriber potentielt kan kompromittere systemet på. 

Det er en omfattende proces, der kræver samarbejde mellem eksperter inden for udvikling, forretning og systemteknik. Samtidig bliver behovet stadig mere presserende. Angriberne bruger også AI. Hvis organisationer skal være på forkant, er de nødt til at vide, hvor modstandsdygtige deres egne systemer reelt er. 

Dokumentation: Det manglende fundament 

For at kunne arbejde med trusselsmodellering har man brug for arkitekturdokumentation. Det er en detaljeret beskrivelse af, hvordan systemet fungerer, herunder dets komponenter, integrationer, dataflows og de beslutninger, der ligger bag systemets design. 

Desværre mangler den dokumentation ofte. Mangelfuld dokumentation har længe været en udfordring i IT-branchen. Der findes måske dokumentation fra lanceringen, men den bliver sjældent opdateret efterfølgende. Nye funktioner får typisk højere prioritet end den løbende vedligeholdelse og opdatering af dokumentationen. 

Uden den nødvendige kontekst bliver meningsfuld trusselsmodellering næsten umulig. Dårlige input giver dårlige resultater. 

For en kunde, hvis arkitekturdokumentation ikke havde været opdateret i flere år, sammensatte vi et team af AI-arbejdsheste, der skulle rekonstruere dokumentationen på baggrund af det eksisterende materiale. 

En planlægningsagent styrede en orkestreringsagent, som satte andre agenter i gang med at analysere kildekode, commit-historik og Jira-tickets. Sidstnævnte gav indblik i de faktiske forretningskrav bag hver enkelt ændring. 

Resultatet var 400 siders detaljeret dokumentation med diagrammer og dybdegående teknisk information. Og som en ekstra gevinst blev der identificeret 11 sikkerhedsproblemer med risikoniveauer fra lavt til højt i et eksisterende system. Et system, der oprindeligt var udviklet af mennesker. 

Der manglede dog stadig noget. Dokumentationen beskrev ikke applikationens funktionalitet set fra brugerens perspektiv. Derfor introducerede vi en funktionel analyseagent, der brugte en demokonto til at navigere rundt i applikationen i et isoleret testmiljø. 

En agent kan rekonstruere det, der allerede findes. Et menneske opdager det, der mangler. 

Colorful sticky notes with handwritten reminders overlap on a wall, creating a cluttered, organized planning space.

Et vendepunkt for sikkerheden 

En indledende trusselsmodellering af et eksisterende system kan nemt koste mere end 10.000 euro. Det lyder måske dyrt. Men når det gælder systemer, hvor sikkerheden er kritisk, er det ganske enkelt en del af god sikkerhedspraksis. 

Når AI-arbejdsheste på forhånd tager sig af dokumentationen, bliver det imidlertid væsentligt lettere og billigere at komme i gang. 

Vi nærmer os også et punkt, hvor AI-agenter på visse områder inden for sikkerhed kan overgå menneskelige udviklere. Det skyldes blandt andet, at agenterne systematisk kan identificere mønstre, som mennesker måske overser. 

Derfor har vi bevidst indbygget fagfællebedømmelse i vores agent-workflows. Forskellige modeller analyserer koden, en anden model gennemgår resultaterne, og en sikkerhedsekspert validerer det endelige resultat. Vi stoler aldrig blindt på én enkelt model. 

Menneskerne bevarer kontrollen, og den menneskelige kvalitetssikring er tænkt ind i alle faser af processen. 

AI gør det muligt at mangedoble det, mennesker kan opnå. 

Empty theater stage with a single bright spotlight shining through haze onto the wooden floor, viewed from the dark audience seats.

Hvilke opgaver i jeres organisation kunne en AI-arbejdshest tage sig af?

De bedste kandidater er sjældent de mest synlige opgaver. Det er snarere dem, der bliver løst igen og igen, dag efter dag, uden at nogen stiller spørgsmål ved, om der findes en bedre måde at gøre det på. 

Når I overlader den type arbejde til en AI-agent, frigiver I tid, så medarbejderne kan fokusere på de opgaver, hvor de skaber størst værdi. 

Vil I finde ud af, hvilke opgaver i jeres organisation der med fordel kan overlades til en AI-arbejdshest? Så lad os tage en snak.