# Skræddersyede AI-agenter til din branche Modellen er den del af en AI-agent, alle taler om, og den mindste del af arbejdet. Det, der gør en agent nyttig i én branche — shipping, en klinik, et advokatkontor, et lager, en ingeniørvirksomhed — er alt det omkring den: hvad den er koblet til, hvordan den måles, hvem der tjekker den, og hvad den må røre ved. Den del bygger vi til din branche, omkring den model, der løser hver opgave bedst, og vi sørger for, at modellen kan skiftes ud. ## Integreret: med de systemer, arbejdet foregår i En agent uden adgang til dine systemer kan ikke andet end at snakke. Vi integrerer den med ERP-systemet, CRM'et, bookingsystemet, mailboksen og dokumentarkivet — hvert gennem et beskrevet værktøj med én afgrænset opgave: slå et skib op, skrive et tilbud, oprette en sag. Værktøjerne stilles til rådighed via MCP eller et [API](/da/glossary/#api), hvert input er typet og [valideret](/da/glossary/#validation), og når agenten skal bruge virksomhedens egne oplysninger, henter den dem fra [virksomhedsdata, der er gjort klar til agenter](/da/ai-data/). Hukommelsen om tidligere sager ligger i din [database](/da/glossary/#database), ikke i en leverandørs chathistorik. ## Målt: på sager, dine eksperter skriver Uden tests er »det virker bedre« den eneste måling, der findes. Vi sætter os sammen med dem, der udfører arbejdet, og skriver rigtige sager fra din branche ned, hver med det svar, en erfaren medarbejder ville give. Hver ændring — en prompt, et værktøj, en model — afprøves på dem alle, før den går i drift, og scoren gemmes pr. sag over tid, så en rettelse for én kunde ikke i det stille kan ødelægge noget for en anden. Det er den samme [kvalitetsport](/da/glossary/#quality-gate), vi bruger på vores egen kode, bare anvendt på en agents svar. ## Under opsyn: et menneske beslutter, hvor det tæller Ikke alt bør agenten gøre på egen hånd. Sammen med dig skriver vi ned, hvad den må gøre selv, hvad den kun må lave udkast til, som et menneske så godkender, og hvad den aldrig rører ved. Reglerne håndhæves i selve værktøjerne i stedet for at stå som en henstilling i prompten. En godkendelsesskærm viser en medarbejder, hvad agenten foreslår og hvorfor, og en rettelse dér bliver til en ny testsag. Hvert trin spores med [OpenTelemetry](/da/glossary/#opentelemetry), så du ved et forkert svar kan se, hvilket værktøj, hvilket dokument og hvilken model der stod bag. ## Bedre, når en bedre model udkommer Modeller bliver bedre med få måneders mellemrum, og en agent, der er bundet til én af dem, forældes sammen med den. Vores agenter sender hver opgave til den model, der løser den bedst — en lille, hurtig model til sortering og udtræk, en stor til vurderinger — og valget er konfiguration, ikke kode. Når en ny model udkommer, kører den dine sager igennem natten over, og du skifter ud fra resultatet, ikke ud fra pressemeddelelsen. En bedre model bør gøre din agent bedre allerede næste morgen, og det sker kun, hvis resten af agenten er bygget til det. ## Arbejdet, der ligger bag De vaner, der gør en agent pålidelig, er de samme, vi allerede følger i vores egen udvikling. Vi [byggede en kontrolmotor med 268 commit-tjek](/da/portfolio/built-a-268-check-guard-engine-for-the-repo/) og [en commit-gate med 22 lintere uden advarselsniveau](/da/portfolio/built-a-22-linter-commit-gate/) og [skrev derefter tests af selve tjekkene](/da/portfolio/wrote-tests-for-the-checkers-themselves/), så et tjek, der intet har læst, ikke kan melde alt i orden. Vi [byggede vores egen fejlovervågning og tracing](/da/portfolio/built-first-party-error-monitoring-and-tracing/), [fik seks indsamlere til at oplyse, hvad de sprang over](/da/portfolio/made-six-collectors-state-what-they-skipped/), og [drev et helt udviklingsprogram som 51 nedskrevne initiativer](/da/portfolio/ran-development-as-51-written-initiatives/), hvert med sine målinger og de beslutninger, det fravalgte. Dette site blev [gjort klar til AI-agenter](/da/ai-ready/) på samme måde. ## Sådan forløber et samarbejde Det begynder med én opgave og dens sager. Vi sætter os sammen med dem, der løser den i dag, skriver tredive til halvtreds rigtige eksempler ned med de korrekte svar og aftaler, hvad agenten må gøre alene. Derefter bygger vi den mindste agent, der består dem, bag en godkendelsesskærm, i din egen infrastruktur eller cloudkonto og med adgang [begrænset til det, den har brug for](/da/ai-security/). Så den næste opgave. Du ejer koden, sagerne og dataene, så agenten er din, også når modellen bag den bliver skiftet ud. Det købes som resten af vores arbejde, på vilkårene i [hvad det koster](/da/what-it-costs/). Er der arbejde i din branche, som en agent burde tage af nogens bord, så [fortæl os, hvad det er](/da/contact/) *(vi svarer samme dag)*.