Fem automatiseringer der kan bygges på under to ugers arbejde

Fem arbejdsgange, hvor byggeklodserne allerede findes, og hvor arbejdet er til at overskue. Med de faldgruber, der plejer at koste mest tid.

ca. 8 min. læsningSkrevet af Platformhuset

Der findes en type opgave, hvor svaret på ”kan det lade sig gøre?” er ja, og hvor det er til at sige på forhånd, hvor stort arbejdet er. Grunden er, at delene allerede findes: der er en officiel API til systemet, formatet er stabilt, og der er et sted, hvor et menneske kan nå at kigge svaret efter. Opgaverne er ikke lette af den grund. De er bare til at estimere. Her er fem af dem.

1. Indbakken sorterer sig selv, inden I åbner den

En indgående mail bliver læst, sat i en kategori og forsynet med et svarudkast. Ingenting bliver sendt automatisk. Udkastet ligger som kladde, eller som en besked i den kanal, I i forvejen kigger i.

Byggeklodserne er modne. Både Microsoft Graph og Gmail har officielle abonnements-API'er, hvor postkassen selv giver besked, når der er noget nyt, i stedet for at systemet skal spørge hvert minut. Og sprogmodellen kan tvinges til at svare i et fast JSON-skema, så kategorien altid er en af jeres egne. Det er ikke en instruktion, man håber bliver fulgt: OpenAI beskriver det som en garanti for, at svaret følger skemaet, mod til gengæld nogle klare begrænsninger for, hvordan skemaet må se ud.

To ting driller, og sorteringen er ingen af dem. Den første er tråde. Svar nummer fire i en lang tråd giver ingen mening uden de tre første, og vedhæftede filer bærer tit hele indholdet. Regn med at bruge en del af tiden på at afgøre, hvad modellen overhovedet får at se.

Den anden er kedelig og koster tid, når den bliver opdaget for sent: abonnementerne udløber. Microsoft Graph giver højst syv dage på et postkasse-abonnement, og kun et døgn hvis beskeden skal indeholde selve indholdet. Gmail udløber også efter syv dage, og Google anbefaler at forny hver dag. Google skriver desuden selv, at notifikationer i sjældne tilfælde kan blive forsinket eller helt forsvinde, så flowet skal have en periodisk gennemgang, der samler op på det, der er sluppet forbi. Uden fornyelse og opsamling holder systemet stille op med at virke, uden at noget fejler.

2. Papir bliver til felter

Fakturaer, arbejdssedler, følgesedler og tilbud kommer ind som PDF eller foto. De skal ende som rækker i et system. Det er den klassiske indtastningsopgave, og det er en af de opgaver, hvor teknologien er rykket mest de sidste par år, fordi modellerne nu læser billedet direkte i stedet for at gå vejen om en ren tekstudtrækning.

Der er en dansk detalje, som er værd at tjekke først. Af de tre store dokumenttjenester er det kun Microsofts fakturamodel, der officielt understøtter dansk. Googles og Amazons tilsvarende modeller lister ikke dansk. Det udelukker dem ikke fra opgaven, men det flytter arbejdet fra konfiguration til udvikling, og det ændrer estimatet.

Det afgørende greb er ikke selve udtrækket. Det er, at systemet skal kunne sige ”det ved jeg ikke”. Et felt uden sikkert svar skal blive tomt og markeret, ikke gættet. Her er der en misforståelse, der koster penge: et fast JSON-skema sikrer, at felterne findes og har den rigtige type. Det siger intet om, hvorvidt tallene i dem er rigtige. Google skriver det lige ud i sin dokumentation, nemlig at man altid skal validere værdierne i sin egen kode, og OpenAI advarer om, at en model, der presses ind i et skema, den ikke kan udfylde, begynder at finde på.

Derfor skal totalerne kontrolleres uden for modellen. En model kan læse tallene rigtigt og alligevel lægge dem forkert sammen. Lad et regnestykke i koden kontrollere summen mod linjerne, og send afvigelser til gennemsyn.

3. Mødet bliver til aftaler

En optagelse fra et kundemøde eller en byggeplads bliver til et notat: hvad blev besluttet, hvem gør hvad, hvornår. Talegenkendelse på dansk er god nok til det i dag, når lyden er nogenlunde, og notatet skal alligevel læses igennem af en, der var med.

To ting skal på plads, før den her er sjov at bruge. Optagelsen kræver, at deltagerne ved besked, og det er en aftale, ikke en indstilling. Og udtrækket af opgaver skal have et fast format, ellers får I et pænt referat, som ingen gør noget ved. Ét opgavefelt med en ansvarlig og en dato slår ti afsnit velskrevet prosa.

Alle fem har det samme trin til fælles. Fjerner man det, ændrer projektet karakter fra automatisering til afgørelse.

4. Opfølgninger der ikke hænger på hukommelsen

Et tilbud er sendt og der er ikke sket noget i ti dage. En faktura er forfalden. En kunde har ikke booket den tid, de sagde ja til. Ingen af delene kræver kunstig intelligens for at blive opdaget, og det er pointen: selve udløseren er en forespørgsel i data, og den er billig og til at teste.

Modellen bruges kun til det sidste stykke, nemlig at formulere beskeden, så den passer til situationen og til jeres tone. Det er også dér, den skal holdes i kort snor. Beskeder, der går ud til kunder i jeres navn, hører til bag et gennemsyn, i hvert fald indtil I har set et par hundrede af dem og ved, hvordan de ser ud.

De tre udbredte danske regnskabsprogrammer har alle et offentligt API, men de er ikke lige nemme at komme i gang med. Billy giver adgangsnøgler direkte i indstillingerne. E-conomic kræver en udvikleraftale til produktion og har en demo, hvor man kun kan læse. Dinero går gennem Vismas login og har et godkendelsestrin, før man må gå i luften. Ingen af delene er svært, men godkendelsen ligger hos nogen andre, og den kan ikke presses. Læg den først i planen.

5. Et sted at spørge om husets egne dokumenter

En søgning over jeres egne filer, hvor svaret kommer i sætninger og med henvisning til det dokument, det står i. Teknikken har et navn, retrieval augmented generation, og den er blevet almindelig, fordi den løser et konkret problem: modellen skal svare ud fra jeres papirer, ikke ud fra det, den har læst på nettet.

Den er også den af de fem, der oftest skuffer. Kvaliteten afgøres af, hvor godt det rigtige stykke tekst bliver fundet, ikke af hvor god modellen er. Ligger sandheden i fire versioner af det samme dokument, vælger søgningen en af dem, og den er ikke nødvendigvis den gældende. Rydder man op i kilderne først, bliver svarene markant bedre. Vi har skrevet om oprydningen i Sådan forbereder I jeres data før et AI-projekt.

To fund fra forskningen er værd at kende, før I lover noget. Modeller læser ikke lange tekster jævnt: det, der står i midten af en lang kontekst, bliver oftere overset end det, der står i begyndelsen eller slutningen, og det gælder også de modeller, der er bygget til lang kontekst. Og en gruppe forskere, der samlede fejlmønstre fra virkelige systemer, konkluderede, at den slags løsninger reelt først kan valideres i drift. Test den alligevel før lancering, men læg tid af til at rette til, mens folk bruger den.

Krav nummer et er kildehenvisning. Et svar uden link til dokumentet kan ikke kontrolleres, og så bruger folk det ikke særlig længe.

Det trin ingen af dem må undvære

I alle fem lægger maskinen op, og et menneske lukker. Godkendelsen er samtidig det eneste sted, hvor I får at vide, hvor godt systemet egentlig virker: hver rettelse er en måling. Efter et par hundrede godkendelser ved I, hvilke kategorier der kan slippes fri, og hvilke der aldrig skal.

For de anvendelser, AI-forordningen kalder højrisiko, bliver menneskeligt tilsyn desuden et selvstændigt krav, når den del af reglerne træder i kraft i december 2027. De fleste af de fem her falder ikke i den kategori. Men formuleringen er værd at låne, uanset hvad: den virksomhed, der bruger systemet, skal give tilsynet til mennesker, der har den nødvendige kompetence, oplæring og bemyndigelse. Bemyndigelsen er den, der oftest mangler. Et kontroltrin, hvor personen ikke har lov til at sige nej, er ikke et kontroltrin. Hvad der gælder hvornår, har vi gennemgået i AI-modellernes tilstand, august 2026.

Hvad der får to uger til at blive til to måneder

  • Systemet har ingen API, og integrationen skal gå gennem skærmbilleder eller eksportfiler.
  • Der er ingen, der kan svare på, hvad det rigtige output er. Uden facit kan man hverken teste eller aflevere.
  • Data ligger fire steder og er ikke ens. Så er projektet en oprydning med en automatisering ovenpå.
  • Løsningen skal bruges af nogen, der ikke har bedt om den.
  • Godkendelsestrinnet ligger et sted, ingen kigger. Så bliver alt godkendt blindt, og kontrollen er en formalitet.

Den sidste er den, vi ser oftest, og den er ubehagelig, fordi den ligner succes. Tallene ser fine ud, godkendelsesprocenten er høj, og ingen har opdaget, at kontrollen holdt op med at være en kontrol.

Kilder

Læs også

Indsigt

AI-modellernes tilstand, august 2026

En statusrapport for danske SMV'er: hvor udbredt teknologien er, hvad reglerne kræver lige nu, hvad det koster, og hvor data må ligge.

ca. 10 min. læsningGuide

Købe et AI-værktøj eller få bygget jeres eget?

Hvornår en licens er nok, hvornår den ikke er, og hvad I binder jer til i hvert af valgene. Med de spørgsmål, der afgør det i praksis.

ca. 6 min. læsning