Bruksområder for AI-agenter

De fleste har en liste med arbeidsoppgaver som tar tid uten å gi mye tilbake. Sjekke innboksen og sortere henvendelser. Lese et regneark og oppsummere endringer. Lage utkast til svar du bare leser gjennom. Det er nettopp denne typen oppgaver AI-agenter er laget for. Spørsmålet er hvordan du finner de riktige oppgavene å starte med, og hvordan du unngår å bruke agenter på områder hvor de ikke hører hjemme.

Tankesettet du må ha for å lykkes

Den vanligste feilen er å bygge noe imponerende først. Folk setter seg ned og prøver å lage noe stort og spennende, og blir skuffet når resultatet ikke lever opp til forventningene. Det riktige tankesettet er enkelt: ikke spør hva som er kult, spør hva som er kjedelig.

De repetitive, forutsigbare oppgavene som følger en tydelig oppskrift er gull for en agent. Det er der du både ser om agenten gjør det riktig (du vet jo hvordan svaret skal se ut), og der du merker gevinsten umiddelbart. Hver oppgave agenten tar er en halvtime eller en time du får tilbake.

I Slik finner du de beste oppgavene for en AI-agent går vi gjennom hvordan du kartlegger arbeidsdagen din og finner kandidatene som faktisk passer.

Eksempler på oppgaver som passer

For en liten bedrift kan en agent sortere innkommende henvendelser, lage utkast til svar basert på prismatrisen din, og oppsummere uka i Slack. For en større organisasjon kan agenter overvåke flere systemer samtidig, fange opp avvik og varsle riktig person. For markedsføring og salg kan agenter forberede leads, samle research om kunder før møter, eller poste innhold på en plan du har godkjent.

Felles for alle disse er at oppgavene har en tydelig oppskrift, en målbar gevinst, og lite behov for menneskelig dømmekraft underveis. Det er kombinasjonen av disse tre som gjør en oppgave til en god kandidat.

Hva du ikke bør bruke agenter til

Like viktig som å vite hva agenter er gode til, er å vite hva de ikke bør brukes til. Kreative valg, strategiske beslutninger og oppgaver som krever menneskelig dømmekraft hører hjemme hos deg, ikke hos en agent. Det samme gjelder oppgaver der konsekvensene av en feil er store, som å sende endelig faktura uten kontroll, eller å publisere innhold direkte uten godkjenning.

En god regel er at agenten skal lage utkastet, mens du tar den endelige avgjørelsen. Den sparer deg for grovarbeidet, men gir deg fortsatt kontrollen.

Hvordan dette henger sammen med klassisk automatisering

Hvis du har brukt verktøy som Zapier eller Make tidligere, kjenner du klassisk automatisering. Det fungerer godt for oppgaver med faste regler, men feiler så fort noe uventet skjer. AI-agenter er bedre på de gråsonene der oppgaven varierer litt fra gang til gang, men hvor mønsteret stort sett er likt.

Vil du forstå forskjellen tydeligere, har vi en egen artikkel om forskjellen mellom automatisering og KI-agenter. For å forstå byggeklossene anbefaler vi også de tre lagene i en AI-agent.

Klar for neste steg

Når du har funnet noen gode kandidatoppgaver, er neste steg å beskrive agenten som skal gjøre dem. Det gjør du i markdown-filer som agents.md, soul.md og skill.md. Vi går gjennom alt i Filer og minne i OpenClaw.

Vil du se eksemplene i full lengde med video, finner du dem i OpenClaw-kurset på Utdannet.no.