AI-agenter i virksomheder bliver nyttige, når de kan læse den rette forretningskontekst, handle inden for en defineret arbejdsgang og efterlade et tydeligt spor, som et menneske kan gennemgå. En stærkere model alene løser ikke spredte dokumenter, uklart ejerskab eller for brede rettigheder.

Det er den praktiske lære af det udvidede partnerskab mellem Atlassian og OpenAI, som OpenAI annoncerede den 6. oktober 2026. Virksomhederne forbinder OpenAI's modeller med Atlassians Teamwork Graph, så agenter kan bruge kontekst fra personer, projekter, dokumenter og beslutninger. For virksomhedsejere er pointen enkel: forbered arbejdsmiljøet, før du giver en agent mere autonomi.

Hvorfor AI-agenter i virksomheder har brug for forretningskontekst

En generel model kender sprog og mønstre. Den ved ikke af sig selv, hvilken salgsprognose der er aktuel, hvem der godkendte en rabat, om en supportsag haster, eller hvilken politik der gælder i Belgien. De svar ligger spredt i dit CRM, din helpdesk, dit delte drev, din indbakke og dit projektsystem.

OpenAI's partnerskabsmeddelelse den 6. oktober beskriver, hvordan Rovo bruger Atlassians Teamwork Graph som kontekstlag for virksomheden. I eksemplet om klarhed til lancering kan en agent forbinde Jira-sager, Confluence-dokumenter og diskussioner for at finde blokeringer og oversete milepæle. Modellen leverer ræsonnementet, men de forbundne poster leverer fakta.

Den skelnen er vigtig, fordi et poleret svar stadig kan være forkert i praksis. Hvis agenten læser en gammel prisliste eller overser en beslutning, der er registreret i en privat kanal, redder en sikker formulering ikke resultatet. Pålidelig automatisering starter med kilder, ejerskab og tidsstempler.

Konteksten skal også være selektiv. Det er lettere at give en agent adgang til alle mapper end at designe rettigheder, men det skaber unødige risici for privatliv og sikkerhed. Agenten bør kun se det, opgaven kræver, efter samme eller strengere regler end for en medarbejder.

Forbered én arbejdsgang, før du tilføjer autonomi

Start med en arbejdsgang, der har en klar udløser, et gentageligt forløb og et resultat, nogen kan kontrollere. Gode første kandidater er sortering af indkommende henvendelser, forberedelse af en ugentlig projektstatus, afstemning af fakturaer mod indkøbsordrer eller udkast til svar fra en godkendt vidensbase.

Kortlæg processen, som den kører i dag. Spørg, hvor informationen kommer ind, hvilket system der har den autoritative post, hvilke beslutninger der følger faste regler, og hvor der kræves dømmekraft. Det er ofte mere værdifuldt end at vælge en model. Det afslører dobbelte trin og manglende ejerskab, før software gør dem hurtigere.

En praktisk tjekliste for parathed er kort:

• Udpeg kildesystemet for hver vigtig oplysning.

• Definér den hændelse, der starter arbejdsgangen, og det resultat, der afslutter den.

• Begræns rettigheder efter rolle, posttype og handling.

• Fastsæt tærskler for tillid eller værdi for menneskelig godkendelse.

• Log input, værktøjskald, ændringer og gennemlæsernes beslutninger.

• Vælg et målbart udgangspunkt, f.eks. behandlingstid eller andel af omarbejde.

Hold første version smal. En agent, der laver en projektstatusrapport fra tre godkendte kilder, er lettere at teste end en, der skal styre projektledelsen. Et snævert omfang giver belæg for, hvor agenten hjælper, og hvor selve processen skal repareres.

Design kontrol omkring handlinger, ikke chat

Risikoen ændrer sig, når en AI går fra at besvare et spørgsmål til at ændre en post. At læse en sag er noget andet end at lukke den. At skrive et svar om en refusion er noget andet end at udbetale den. Kontrollerne bør afspejle, hvor reversibel handlingen er, og hvilken økonomisk eller kundemæssig betydning den har.

Brug skrivebeskyttet adgang i den første testfase. Tillad derefter skrivehandlinger med lav risiko, som at tilføje en etiket eller oprette et udkast. Kræv godkendelse af beskeder til kunder, kontoændringer, betalinger, sletninger eller beslutninger, der påvirker ansættelse og adgang til ydelser.

Menneskelig gennemgang kræver en rigtig brugerflade. En leder skal kunne se den foreslåede handling, det anvendte grundlag, fundne undtagelser og den præcise effekt af en godkendelse. En generisk godkend-knap uden kontekst gør tilsyn til teater. Gennemlæsere har også brug for en klar måde at rette kildedata på i stedet for at reparere det samme resultat hver uge.

Mål mere end færdige opgaver. Følg rettelser, eskaleringer, forsøg på uautoriseret adgang, dobbelte handlinger og tid brugt på gennemgang. En hurtig agent, der skaber skjult oprydningsarbejde, er ikke en forbedring. Sammenlign resultaterne med den gamle proces i flere cyklusser, før du udvider omfanget.

Hos Vexol ser vi på AI-implementering som et arbejdsgangs- og systemprojekt. Modellen er én komponent. Det varige arbejde er at forbinde kilder, håndhæve rettigheder, håndtere undtagelser og gøre ejerskab synligt.

Rul ud i etaper. Start med fem eller ti reelle sager, og gennemgå hvert resultat. Når fejlmønstrene bliver forudsigelige, så automatiser den sikreste gren og hold undtagelser i en kø. Udvid først til et andet team, når arbejdsgangen har en ejer, en supportvej og en plan for tilbagerulning. Tempoet kan føles forsigtigt, men det forhindrer, at en svag proces spreder sig i virksomheden, før nogen ved, hvordan den skal repareres.

Kan AI-agenter i virksomheder arbejde med ældre software?

Ja, hvis det ældre system har et stabilt API, en databasevisning, en eksport, en e-mailgrænseflade eller et kontrolleret browserflow. Integrationsmetoden betyder mindre end at have en pålidelig identifikator og en sikker måde at prøve fejlede handlinger igen. Hvis der ikke findes en ren forbindelse, så placer et lille integrationslag mellem agenten og det ældre system i stedet for at lade modellen improvisere klik i hele brugerfladen.

Hvordan bør en virksomhed vælge sin første agentarbejdsgang?

Vælg arbejde, der er hyppigt, afgrænset og dyrt nok til at være værd at forbedre, men ikke katastrofalt, hvis et udkast er forkert. Bekræft, at de nødvendige data er tilgængelige, og at én person ejer resultatet. Kør først agenten i observations- eller udkasttilstand, sammenlign med faktiske beslutninger, og udvid først rettighederne, når fejlmønstrene er forstået.