Hvordan automatiseres workflows med AI?

Workflows automatiseres med AI ved at lade en model fortolke data, vælge næste trin og kalde godkendte systemfunktioner i en styret proces. Den praktiske værdi opstår især i opgaver med ustruktureret tekst, dokumenter, kundedialoger eller beslutningsstøtte, hvor faste regler alene bliver for stive.

Hvad betyder det at automatisere workflows med AI?

Et workflow er en rækkefølge af trin, hvor noget starter processen, data behandles, og en handling udføres. Når AI indgår, bliver modellen typisk brugt til at forstå indhold, foreslå en beslutning, udtrække oplysninger, skrive et svar eller vælge mellem flere mulige næste trin.

AI erstatter ikke hele workflowet. Den bliver en komponent i en proces, som stadig kræver regler, adgangsstyring, logning, test og tydelige grænser. En model kan for eksempel læse en indgående mail, klassificere sagen, udtrække kundenummer og foreslå et svar, mens selve afsendelsen først sker efter en fast kontrol eller manuel godkendelse.

Den mest robuste automatisering opstår, når AI kun får ansvar for de dele, hvor sproglig forståelse, mønstergenkendelse eller fleksibel vurdering giver merværdi. Resten bør håndteres med almindelig softwarelogik, fordi faste regler er lettere at teste, dokumentere og gentage.

Hvilke dele af et workflow egner sig til AI?

AI egner sig bedst til trin, hvor input varierer meget, men hvor output kan afgrænses. Det gælder for eksempel sortering af henvendelser, dokumentudtræk, opsummering, tekstanalyse, kvalificering af leads, mødenotater, supportforslag, kvalitetskontrol og beslutningsstøtte til medarbejdere.

Et godt kontrolspørgsmål er, om opgaven kræver fortolkning eller bare gentagelse. Hvis input altid har samme struktur, og beslutningen kan beskrives med få entydige regler, er almindelig automatisering ofte nok. Hvis processen ofte stopper, fordi mennesker skal læse, vurdere eller formulere noget, kan AI være relevant.

Hvordan adskiller AI-automation sig fra almindelig regelautomation?

Regelautomation bygger på faste betingelser: hvis en bestemt hændelse sker, udføres en bestemt handling. AI-automation bruger en model til at fortolke mere åbne situationer, hvor svaret ikke altid kan beskrives som en simpel hvis-så-regel.

Forskellen betyder, at AI-workflows skal designes med mere kontrol end almindelige workflows. En regelmotor gør det samme hver gang, hvis input er det samme. En AI-model kan give variation i formulering, rangering og vurdering. Det kan være nyttigt, men det kræver testdata, kvalitetstjek og klare grænser for, hvad modellen må beslutte.

I praksis bør AI derfor ikke ses som en erstatning for regler. Den bør kobles sammen med regler. Modellen kan foreslå kategorien, mens en regel bestemmer, hvilke kategorier der må udløse automatisk opgaveoprettelse. Modellen kan skrive et svarudkast, mens en regel bestemmer, om der kræves manuel godkendelse.

Hvordan bygges et AI-workflow trin for trin?

Et AI-workflow bør begynde med proceskortlægning, ikke med valg af model. Først beskrives den nuværende proces, de hyppigste inputtyper, beslutningspunkter, fejl, ventetider og manuelle flaskehalse. Derefter vælges de trin, hvor AI kan give en målbar forbedring.

1. Definér den konkrete opgave, for eksempel at sortere supportmails i fem kategorier.
2. Beskriv input, output og grænser, så modellen ikke får et åbent mandat.
3. Vælg datakilder og afgør, hvilke oplysninger modellen må bruge.
4. Tilføj regler for validering, adgang, eskalering og logning.
5. Test på realistiske eksempler, også fejltyper og grænsetilfælde.
6. Start med lav risiko, mål resultaterne og udvid først efter dokumenteret kvalitet.

For organisationer med mange systemer er enterprise AI relevant som ramme. Det handler ikke kun om modellen, men om hvordan AI kobles til systemer, drift, dataansvar og fælles standarder på tværs af arbejdsprocesser.

Hvilken rolle spiller API’er og værktøjskald?

Et AI-workflow bliver først operationelt, når modellen kan kobles til konkrete systemhandlinger. Det sker ofte gennem API’er, hvor et system kan sende data til et andet system og modtage et struktureret svar. En model kan for eksempel foreslå, at der skal oprettes en opgave, men selve oprettelsen bør ske gennem en godkendt systemfunktion.

Et API gør forbindelsen mere kontrollerbar, fordi handlingen kan afgrænses: opret sag, hent kundeoplysninger, opdater status eller send en intern notifikation. Det er mere sikkert end at give en model fri adgang til et helt system.

I tekniske AI-løsninger beskrives dette ofte som værktøjskald. Modellen får en liste over godkendte funktioner, vælger eventuelt en funktion, og applikationen udfører derefter koden. Det er applikationen, ikke modellen alene, der bør håndhæve adgang, datavalidering, fejlhåndtering og revisionsspor.

Hvornår giver en AI-agent mening i et workflow?

En AI-agent giver mening, når processen kræver flere sammenhængende trin, og når modellen skal vælge rækkefølge eller hente ekstra information, før et svar eller en handling kan afsluttes. Det kan være relevant ved research, kundedialog, fejlsøgning, dokumentbehandling eller opgaver, hvor den rigtige næste handling afhænger af konteksten.

En agentisk løsning bør dog have færre frihedsgrader, end navnet kan antyde. Hvis en agent kan kalde værktøjer, ændre data eller sende beskeder, skal hvert muligt værktøj være afgrænset. En intern søgning har en anden risiko end at ændre fakturadata eller sende en ekstern mail.

Du kan læse mere om principperne bag agentiske forløb i forklaringen af, hvordan en AI-agent fungerer trin for trin. I workflow-automation er hovedpointen, at agenten bør arbejde inden for en tydelig proces, ikke som en uafgrænset digital medarbejder.

Hvordan håndteres data, kontekst og grounding?

AI-workflows bliver mere nyttige, når modellen får den rigtige kontekst på det rigtige tidspunkt. Kontekst kan være en sag, en kundeprofil, en vidensbase, et dokument, et produktkatalog eller historiske procesdata. For meget kontekst kan dog gøre løsningen dyrere, langsommere og sværere at kontrollere.

Grounding af AI-modeller betyder, at modellen får adgang til relevante, afgrænsede oplysninger i stedet for at svare ud fra generel modelviden alene. I et workflow kan grounding bruges til at hente den aktuelle policy, den nyeste kundestatus eller et bestemt dokumentuddrag, før modellen formulerer en anbefaling.

Datadesignet bør også afgøre, hvad modellen ikke må se. Følsomme personoplysninger, fortrolige kontrakter og interne vurderinger bør kun indgå, hvis de er nødvendige for opgaven, og hvis adgang, logning og opbevaring er afklaret. Et AI-workflow er en dataflowbeslutning lige så meget som en automatiseringsbeslutning.

Hvordan holder du mennesker inde i processen?

Menneskelig kontrol kan placeres flere steder i et AI-workflow. Den kan ligge før handlingen, hvor en medarbejder godkender et forslag. Den kan ligge efter handlingen, hvor stikprøver og afvigelser gennemgås. Den kan også ligge i selve processen, hvor modellen kun må foreslå næste trin, men ikke gennemføre det.

Den rigtige placering afhænger af konsekvensen ved fejl. En intern kategorisering kan ofte automatiseres med efterfølgende stikprøver. En ændring i kundedata, økonomiske dispositioner, ansættelsesvurderinger eller udsendelse af eksterne beskeder kræver som regel en mere restriktiv godkendelsesmodel.

Et praktisk designprincip er at skelne mellem lavrisiko- og højrisikohandlinger. Lavrisikohandlinger kan automatiseres hurtigere, hvis fejl er lette at opdage og rette. Højrisikohandlinger bør kræve bekræftelse, ekstra dokumentation eller helt almindelig manuel behandling.

Hvilke risici skal testes før drift?

Før et AI-workflow sættes i drift, bør det testes på mere end vellykkede eksempler. Testdata bør også omfatte korte beskeder, uklare dokumenter, modstridende oplysninger, tomme felter, sprogblandinger, stavefejl, irrelevante vedhæftninger og forsøg på at få modellen til at ignorere instruktioner.

Risikoen ligger ikke kun i forkerte svar. Den kan også ligge i forkert prioritering, datalækage, uønskede systemkald, manglende sporbarhed, skæv fordeling af fejl eller en proces, som medarbejdere begynder at stole for meget på. Testen bør derfor måle både kvalitet, sikkerhed og menneskelig brug.

En nyttig testpakke indeholder eksempler på normale sager, grænsetilfælde, kendte fejl og situationer, hvor workflowet skal stoppe. Stoptilstande er centrale: løsningen skal vide, hvornår den ikke har nok grundlag til at fortsætte automatisk.

Hvordan vurderes sikkerhed og governance?

Sikkerhed i AI-workflows handler om mere end adgangskoder og kryptering. Det handler også om, hvem der må ændre workflowet, hvilke værktøjer modellen kan aktivere, hvilke data der må sendes til modellen, og hvordan beslutninger kan spores bagefter.

AI-governance giver en ramme for ejerskab, risikovurdering, dokumentation og løbende kontrol. NIST’s AI Risk Management Framework peger på, at troværdighedshensyn bør indarbejdes i design, udvikling, brug og evaluering af AI-systemer. Det passer godt til workflows, fordi risikoen ofte opstår i samspillet mellem model, data og handling.

EU’s AI Act bruger en risikobaseret tilgang til AI-systemer. Det betyder ikke, at alle almindelige interne AI-workflows automatisk er højrisikosystemer, men det betyder, at anvendelsesområdet, konsekvenserne og typen af beslutning skal vurderes nøgternt. Automatisering i HR, kredit, uddannelse, sundhed eller offentlige ydelser kræver særlig forsigtighed.

Hvordan måles om workflowet faktisk virker?

Et AI-workflow bør måles på mere end sparede minutter. Tidsbesparelse er relevant, men den skal holdes op mod fejlrate, brugerrettelser, ventetid, eskaleringer, klager, genåbnede sager og kvaliteten af det endelige output. Ellers kan automatiseringen se effektiv ud, mens den flytter arbejde til senere trin.

Start med en baseline fra den nuværende proces. Hvor lang tid tager opgaven, hvor ofte opstår fejl, og hvor mange sager kræver manuel afklaring? Når AI-workflowet testes, sammenlignes de samme målepunkter. Det giver et mere præcist billede end generelle antagelser om, at AI altid reducerer omkostninger.

Målingen bør også omfatte medarbejdernes brug. Hvis brugere konstant retter modellens forslag, er workflowet ikke modent. Hvis de ukritisk accepterer forslag, kan risikoen ligge i manglende kontrol. Et godt workflow gør det let at forstå, rette og rapportere fejl.

Hvornår bør et workflow ikke automatiseres med AI?

Et workflow bør ikke automatiseres med AI, hvis opgaven mangler klare mål, hvis datagrundlaget er usikkert, eller hvis konsekvensen ved fejl er høj og svær at opdage. AI kan heller ikke reparere en uklar proces. Hvis mennesker er uenige om reglerne, vil modellen ofte blot gøre uenigheden hurtigere.

Automatisering bør også undgås, når der ikke er en ansvarlig procesejer. En AI-løsning kræver løbende vedligeholdelse, fordi datakilder, systemer, brugeradfærd og forretningsregler ændrer sig. Uden ejerskab bliver workflowet en skjult beslutningsmaskine, som ingen helt kontrollerer.

Den mest sikre start er derfor et snævert afgrænset workflow med lav konsekvens ved fejl, tydelig brugerfordel og gode eksempler på både rigtige og forkerte outputs. Når kvaliteten er dokumenteret, kan processen udvides gradvist.

Hvilke kilder ligger til grund?

Forklaringen bygger på OpenAIs dokumentation om function calling, Microsofts materiale om Power Automate-workflows og AI Builder, NIST’s AI Risk Management Framework og EU’s Regulation (EU) 2024/1689 om kunstig intelligens.