AI-agenter för företag: där de faktiskt avlastar

Måndag morgon, halv nio. I den gemensamma inkorgen ligger 140 nya mejl sedan i fredags. Någon i teamet öppnar vart och ett, avgör om det är en beställning, ett klagomål, en faktura eller reklam, skickar vidare till rätt person och knappar in några uppgifter i affärssystemet. Vid elva är inkorgen tom. På tisdag är den full igen.

Ingen anställdes för att sortera post. Det blev bara en del av jobbet, och på de flesta företag med 20 till 300 anställda finns det flera sådana jobb. Det är här AI-agenter gör nytta. Det är också här många agentprojekt går snett, eftersom ordet “agent” används för saker som en agent inte kan.

Vad en AI-agent faktiskt är

Skala bort marknadsföringen så är en AI-agent ett program som läser något, avgör vad det är och gör något i ett annat system. Den läser ett mejl och skapar ett ärende. Den läser en PDF och fyller i ett formulär. Den slår upp en kund och skriver ett svarsutkast.

Beslutet i mitten är det som skiljer den från vanlig automatisering. Ett regelbaserat skript slutar fungera när leverantören byter fakturamall. En agent läser den nya mallen och hittar fakturanumret ändå. Att den klarar rörig indata är hela poängen.

Där agenter tar bort verkligt arbete

Enligt min erfarenhet finns det fyra sorters arbete som brukar fungera bra.

Sortera inkorgen. Inkommande mejl ordnas efter typ, hur bråttom det är och vem som ska ha det. Agenten behöver inte svara på något. Den läser, märker, skickar vidare och plockar ut order- eller kundnummer så att nästa person slipper leta.

Ta emot dokument. Leverantörsfakturor, följesedlar, avtal, ansökningar, skadeanmälningar. I dag öppnar någon dokumentet, läser det och skriver in de viktiga fälten i Fortnox, Visma eller något annat system. En agent kan läsa dokumentet, plocka ut fälten och lämna över en strukturerad post. De fall där agenten är osäker tittar en människa på.

Data mellan system. CRM:et säger en sak, affärssystemet en annan, och varje vecka exporterar någon ett kalkylark för att stämma av. Agenter är bra på det här limarbetet, särskilt när datan inte är helt ren och en fast mappning hela tiden fallerar.

Första utkastet till svar. Kundfrågor som kommer om och om igen: leveranstid, returvillkor, inloggning. Agenten skriver ett utkast utifrån era faktiska regler, och en människa läser, rättar och skickar. Ansvaret ligger kvar hos människan. Hon slipper bara skriva samma stycke tjugo gånger om dagen.

Gemensamt för alla fyra: stor volym, oftast ett tydligt rätt svar, och en kostnad som någon kan räkna i timmar per vecka.

Där agenter inte hjälper

Bedömningar. Ska den här trogna kunden få rabatt fast policyn säger nej? Är klagomålet ett tecken på ett större kvalitetsproblem? En agent kan ta fram fakta. Beslutet ska ligga hos en människa.

Arbete utan regler. Om tre personer i teamet skulle hantera samma fall på tre olika sätt kommer agenten att välja ett fjärde. Innan du automatiserar en process måste någon kunna skriva ner hur den ska gå till. Kan ingen det saknas inte AI, utan ett beslut.

Sällsynta och dyra undantag. Något som händer två gånger om året och blir riktigt dyrt när det går fel är ett dåligt första mål. Du har för få fall att testa på, och ett misstag kostar mer än agenten sparar.

Det som redan går fort. Tio minuter i veckan för en person ändrar ingen agent på något som spelar roll.

Varför den första agenten ofta gör besviken

Ett vanligt mönster: företaget börjar med den största idén på listan. “En agent som sköter hela kundtjänsten.” Efter sex veckor svarar den bra på de enkla frågorna och självsäkert fel på de svåra. Förtroendet försvinner och projektet somnar.

De agenter som blir kvar börjar smalt. En inkorg, en dokumenttyp, en riktning i dataflödet. De körs ett tag bredvid personen som gör jobbet i dag, så att du kan jämföra på riktiga fall innan agenten gör något på egen hand. Först när den har rätt pålitligt får den arbeta utan kontroll, och även då loggar du vad den gjorde och varför.

Så hittar du den första agenten värd att bygga

Du behöver ingen strategidag för det här. Du behöver en timme med de som gör jobbet.

1. Lista de upprepade uppgifterna. Fråga teamet vad de gör varje dag som känns som att kopiera, sortera eller skriva av. Skriv ner allt, utan att sålla.
2. Sätt en siffra på varje. Ungefär hur många gånger i veckan, hur många minuter varje gång. Bara det brukar kasta om ordningen.
3. Kolla om det finns regler. Kan någon förklara med några meningar hur man avgör vad som ska göras? Om inte, stryk uppgiften tills vidare.
4. Kolla systemen. Var kommer indatan ifrån och vart ska resultatet? Mejl, en delad mapp, ett affärssystem med API? Svaret avgör hur stort bygget blir. Mer om det i koppla AI till befintliga system.
5. Välj den tråkiga. Den bästa första agenten är oftast uppgiften med hög volym, tydliga regler och ett resultat som är lätt att kontrollera. Sällan den mest spännande idén.

Bygg sedan just den, kör den på riktiga fall några veckor och mät hur många timmar den tar bort från teamet. Den siffran säger om nästa agent är värd det.

Vill du hellre gå igenom listan tillsammans med någon? Det är där mitt arbete med AI-automatisering börjar: en process, mätt före och efter.