# Virksomhedsdata klar til AI-agenter En AI-agent svarer ud fra det, den kan nå. I de fleste virksomheder ligger svaret på et konkret spørgsmål — hvad har vi solgt til kunden, hvad er stadig åbent, hvilken kontrakt står det i — spredt over et CRM, et ERP, et fællesdrev, et par mailbokse og et regneark, som kun én person vedligeholder. Vi samler dataene ét sted, hvor en agent kan læse dem, giver hver oplysning én betydning, afgør, hvem der må se hvad, og holder det sådan ved hver indlæsning. Det er arbejdet, der kommer før agenten, og det sætter loftet for, hvor god agenten kan blive. ## Samlet: ét sted, en agent kan nå Vi bygger de [pipelines](/da/glossary/#pipeline), der samler data fra dine systemer i én [database](/da/glossary/#database): [ETL](/da/glossary/#etl)-job, der kører efter en fast plan, kun henter det, der er ændret, og fortæller, hvad de sprang over. Databasens [skema](/da/glossary/#schema) bruger din forretnings egne ord — kunder, ordrer, skibe, kontrakter, sager. Gamle PDF'er, scannede dokumenter og mailarkiver bliver til søgbar tekst med kilden gemt ved siden af, så de kan findes og ikke kun arkiveres. Agenten når det hele gennem én beskrevet indgang: en MCP-server eller et [API](/da/glossary/#api), aldrig en kopi af databasen på nogens bærbare. ## Renset: én kunde, ikke fem Den samme kunde står typisk på fem forskellige måder i fem systemer, og en agent, der læser to udgaver af samme oplysning, svarer med den, den læste sidst. Vi afgør sammen med dig, hvilket system der er det førende for hver oplysning, fletter dubletter efter regler, du kan læse, og lader fletningen køre fast, så en ny dublet fanges ved næste indlæsning og ikke først ved næste revision. Datatyper og integritetsregler i selve databasen afviser en fejlbehæftet række i stedet for at gemme den, hver kolonne siger, hvad den betyder, og hver [migrering](/da/glossary/#migration) er versioneret og tjekket, så det skema, en agent læser, er det skema, der er i drift. ## Adgangsstyret: agenten ser kun, hvad brugeren må se En agent, der kan læse alt, er et datalæk med en venlig stemme. Reglerne hører hjemme i dataene, ikke i prompten: roller i databasen ([RBAC](/da/glossary/#rbac)), kun læseadgang som udgangspunkt, sikkerhed på rækkeniveau overalt, hvor én kunde aldrig må se en andens data, og persondata holdt uden for rækkevidde, medmindre opgaven har brug for dem, sådan som GDPR's princip om dataminimering også foreskriver. Agenten arbejder med brugerens [privilegier](/da/glossary/#privilege), aldrig en administrators, og hver læsning [logges](/da/glossary/#logging) med den person, den er foretaget på vegne af. Hvordan vi sikrer selve agenterne, kan du læse på [siden om AI-sikkerhed](/da/ai-security/). ## Hvert svar sporet tilbage til kilden Et svar fra virksomhedens data er kun så godt som sin kilde, så kilden følger med. Hver række gemmer, hvor den kom fra og hvornår: systemet, indlæsningen, filen og sidetallet. En agent kan henvise til posten bag et tal, og et menneske kan åbne den. En indlæsning, der sprang rækker over, oplyser hvor mange og hvorfor i stedet for at melde succes, og et tal, der viser sig at være forkert, fører direkte tilbage til den indlæsning, der bragte det ind — ikke til en uges gætteri. Det er den regel, vores egen rapportering bygger på: et tal, som kørslen ikke har målt, bliver aldrig skrevet ud. ## Arbejdet, der ligger bag Hver påstand på denne side er en metode, vi har brugt i praksis, og hver enkelt er dokumenteret. Vi [gjorde en geodatapipeline 50 gange hurtigere](/da/portfolio/made-a-geographical-data-pipeline-50x-faster/) ved at rette dens SQL og datamodel og [designede og drev seks ETL- og ELT-pipelines](/da/portfolio/designed-and-ran-6-etl-elt-pipelines/) på tværs af BigQuery, MS SQL og [PostgreSQL](/da/glossary/#postgresql). Vi [modellerede en hel branche i 348 tabeller fordelt på 34 skemaer](/da/portfolio/modeled-348-tables-across-34-postgres-schemas/) og holdt skemaet retvisende [gennem 1.022 migreringer uden skemadrift](/da/portfolio/1022-migrations-behind-a-schema-drift-gate/). Vi [genererede 495 sider fra et skrivebeskyttet SQLite-udtræk](/da/portfolio/generated-495-pages-from-a-sqlite-export/) og [erstattede 963 metadatablokke med én sammenkædet graf](/da/portfolio/replaced-963-metadata-blocks-with-one-graph/), som er det første, en agent læser på dette site. ## Sådan forløber et samarbejde Det begynder med et kort, som vi laver med ren læseadgang: hvilke systemer der indeholder hvad, hvem der ejer dem, og hvilke spørgsmål en agent skal kunne svare på. Derefter tager vi det spørgsmål, der betyder mest, og bygger hele vejen fra ende til anden — kilderne, rensningen, rettighederne og indgangen — med tjek, der standser en indlæsning, når dataene afviger. Så det næste. Alt ligger i din egen infrastruktur og dit eget repository, hver ændring går gennem dit review, og de agenter, der læser dataene, kan være [skræddersyet til din branche](/da/ai-agents/) eller dem, du allerede bruger. Det købes som resten af vores arbejde, på vilkårene i [hvad det koster](/da/what-it-costs/). Ligger de svar, dine folk har brug for, spredt over flere steder, end nogen kan holde styr på, så [fortæl os, hvor dine data ligger](/da/contact/) *(vi svarer samme dag)*.