Du har bestemt deg for å prøve AI-agenter, men står fast på det første spørsmålet: hva skal jeg faktisk bruke dem til? Det er der de fleste roter seg bort. De setter seg ned og prøver å bygge noe imponerende, og blir skuffet når resultatet ikke matcher forventningene. Den gode nyheten er at det finnes en enkel test som hjelper deg å finne de riktige oppgavene fra start. Du må bare snu på spørsmålet du stiller deg.
Ikke spør hva som er kult, spør hva som er kjedelig
Den vanligste feilen er å lete etter den mest spennende oppgaven. Folk vil bygge en agent som skriver markedsplaner, lager kreative kampanjer eller tar strategiske beslutninger. De ender opp med noe som ser bra ut i en demo, men som faller fra hverandre i hverdagen.
Tankesettet du må ha i stedet er enkelt: ikke spør hva som er kult, spør hva som er kjedelig. Hvilke arbeidsoppgaver kommer igjen og igjen, som du må gjøre, men som du egentlig ikke har lyst til? Er det oppgaver som følger en tydelig oppskrift, hvor du gjør det samme gang på gang? Hvilke oppgaver tar tid fra deg uten å gi mye tilbake?
Det er nettopp disse oppgavene som er gull for en AI-agent. Ikke de kreative og spennende, men de repetitive, forutsigbare og kjedelige. Ikke de som krever menneskelig dømmekraft.
Hvorfor de kjedelige oppgavene gir best resultat
Det er to grunner til at kjedelige oppgaver er riktig sted å starte. Den første er at du raskt kan se om agenten gjør det riktig. Du vet jo nøyaktig hvordan svaret skal se ut, så det er enkelt å oppdage feil. Hvis agenten skal sortere innkommende henvendelser etter type, kan du sjekke kategoriseringen på sekunder.
Den andre grunnen er at gevinsten kommer umiddelbart. Hver gang agenten gjør en av disse oppgavene for deg, er det en time eller en halvtime du får tilbake. Det merkes med en gang. Du trenger ikke vente på at "den nye agenten skal blir god på sikt". Den leverer fra første dag fordi oppgavene er enkle å måle.
Sammenlign det med å bygge en agent som skal "hjelpe med markedsføring". Det er så bredt at du ikke vet om den leverer. Du ender opp med å bruke mer tid på å vurdere agentens arbeid enn det den sparer deg for.
En øvelse: kartlegg de siste fjorten dagene
Ta deg fem minutter og tenk gjennom de siste to ukene. Er det noen oppgaver du tenker at "dette burde noen andre gjort"? Skriv dem ned. Det er en fin liste å gå gjennom for å finne arbeidsoppgaver som kan automatiseres med direkte gevinst.
Typiske kandidater er å sortere innkommende e-post, lage utkast til standardsvar, oppdatere status på prosjekter i Slack, oppsummere møter du har vært i, og forberede research om kunder før møter. Mange av disse er små oppgaver hver for seg, men de spiser opp uka når de samles opp.
Når du har listen klar, plukk én oppgave som passer kriteriene: tydelig oppskrift, lite behov for skjønn, og målbart resultat. Det er kandidaten du bør bygge agenten for først.
Eksempler som passer i ulike sammenhenger
For en liten bedrift kan en agent sortere innkommende henvendelser, lage utkast til svar basert på prismatrisen din, og oppsummere uka i Slack. Det er konkrete oppgaver som tar tid hver dag, men som gir gevinst med en gang de blir automatisert.
For en større organisasjon kan agenter overvåke flere systemer samtidig, fange opp avvik og varsle riktig person. De er tilgjengelige hele døgnet, og de blir aldri trøtte. Når en agent finner et avvik, varsler den deg med kontekst som gjør det lett å handle på.
For markedsføring og salg kan agenter forberede leads, samle research om bedrifter før møter, eller poste innhold etter en plan du har godkjent. Vil du se hvordan dette skiller seg fra klassisk automatisering med Zapier eller Make, har vi en egen artikkel om forskjellen mellom automatisering og KI-agenter.
Hva du ikke bør bruke en agent 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. Det samme gjelder oppgaver der konsekvensen av en feil er stor, 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. Hvis du tenker "her er det greit at det går litt galt av og til", er oppgaven kanskje en god kandidat. Hvis du tenker "dette må alltid være riktig", bør du holde et menneske i loopen.
Hvorfor det er smart å starte smalt
En agent som skal gjøre én ting blir mye bedre på den ene tingen enn en agent som skal gjøre ti ting. Det handler ikke om at den er smartere, men om at den har en tydeligere rolle, en smalere verktøykasse, og en personlighet som er tilpasset akkurat den jobben.
Når du har en agent som leverer godt på én oppgave, kan du legge til neste. Etter hvert bygger du opp et lite team av spesialister. Vil du forstå hvordan flere agenter kan jobbe sammen, anbefaler vi at du først forstår de tre lagene i en AI-agent, fordi den modellen gjør resten enklere.
Neste steg
Nå som du har en kandidatoppgave, er neste steg å beskrive agenten som skal gjøre den. Det gjør du i markdown-filer som agents.md, soul.md og skill.md. Vi går gjennom alle filene i Filer og minne i OpenClaw.
Vil du se de fulle eksemplene fra små bedrifter, større organisasjoner og markedsføring med video for hver, finner du dem i OpenClaw-kurset til Benjamin Bruarøy på Utdannet.no.
