AI-agenter och automation – från förslag till arbetsflöde
Traditionell automation följer regler som utvecklaren har bestämt i förväg: när A händer, gör B. En AI-agent kan hantera mer varierad information och välja mellan flera möjliga steg. Kombinationen kan vara kraftfull. Den kan också bli dyr och svår att kontrollera om AI används där enkla regler hade räckt.
Den praktiska frågan är därför inte ”agent eller automation?” utan var i processen flexibilitet behövs och var regler bör bestämma.
Vad traditionell automation gör bäst
Fasta arbetsflöden passar när indata är strukturerad, reglerna är stabila och samma resultat ska uppstå varje gång. Ett system kan exempelvis skapa en faktura när en order har godkänts, skicka en påminnelse tre dagar före ett datum eller kopiera ett formulärfält till ett register.
Sådan automation är ofta snabb, billig och lätt att testa. Lägg inte en språkmodell mellan två system om en enkel regel löser uppgiften säkrare.
Vad en AI-agent tillför
AI är användbar när indata består av fri text, dokument eller andra variationer som är svåra att fånga med fasta regler. Agenten kan exempelvis bedöma vilken ärendetyp ett mejl tillhör, extrahera nyckeluppgifter eller föreslå nästa åtgärd. Resultatet kan sedan lämnas till ett traditionellt arbetsflöde.
En bra hybrid kan se ut så här:
1. Ett formulär eller mejl startar flödet. 2. Agenten klassificerar innehållet och motiverar valet. 3. En regel kontrollerar obligatoriska fält och förtroendenivå. 4. Osäkra fall går till en människa. 5. Godkända fall skickas till rätt system. 6. Händelser och beslut loggas.
Exempel: inkommande leverantörsfrågor
Ett företag tar emot frågor om fakturor. Agenten läser meddelandet och föreslår kategori: saknad betalning, felaktigt belopp, ändrade företagsuppgifter eller annat. Den extraherar fakturanummer om det finns. En regel kontrollerar formatet. Agenten får läsa status men inte ändra bankuppgifter eller godkänna betalningar. Ett svarsförslag visas för ekonomiteamet.
Här används AI för språkförståelse och regler för kontroll. Riskfyllda handlingar ligger utanför agentens behörighet.
Triggers, verktyg och stoppunkter
En trigger startar flödet, exempelvis ett nytt ärende eller en manuell knapp. Ett verktyg utför en avgränsad funktion. En stoppunkt kräver godkännande eller avslutar körningen. Dokumentera alla tre.
Automatisering som skickar externa meddelanden, ändrar kunddata eller påverkar pengar behöver tydliga förhandsgranskningar och behörigheter. Använd principen om minsta privilegium: agenten får endast den åtkomst som krävs för uppgiften, under den tid den behövs.
Undvik den långa, sköra kedjan
Varje extra steg kan skapa fel och kostnad. Om tio AI-anrop görs i följd kan ett tidigt missförstånd följa med genom hela processen. Dela därför upp flödet i observerbara delar. Spara relevant loggning utan att lagra mer persondata än nödvändigt. Använd tidsgränser, begränsat antal försök och tydliga felvägar.
När är det dags att automatisera mer?
Först när den manuellt startade agenten har använts i verkliga fall och klarat en testsvit. Mät hur ofta resultatet godkänns, hur mycket det redigeras och vilka fel som återkommer. Lägg sedan till en integration i taget. Börja gärna med läsbehörighet, sedan förslag och sist begränsad handling.
Ekonomin i arbetsflödet
Räkna inte bara modellkostnad. Ta med integrationstjänst, utveckling, övervakning, felhantering, säkerhetsgranskning och underhåll när källsystem förändras. En enkel manuell överlämning kan vara ekonomiskt bättre vid låg volym. Automation blir intressant när processen är stabil, frekvent och mätbar.
Kort sammanfattat
Använd regler där regler räcker och AI där variation kräver tolkning. Bygg hybridflöden med tydliga triggers, begränsade verktyg, mänskliga stoppunkter och loggning. Automatisera gradvis utifrån testad kvalitet och verklig volym.
Relaterat
Källor
- Anthropic: Building effective agents
- OpenAI: Agent Builder
- NIST: AI Risk Management Framework
- OWASP: Top 10 for Large Language Model Applications
Senast granskad: 16 september 2026.