Sådan opretter du en AI-agent uden at kode: guide trin for trin
En AI-agent kan bygges på nogle timer, uden kode, hvis du følger en metode. Rolle, model, instruktioner, test: det er de trin, der afgør, om det bliver legetøj eller et redskab, der reelt arbejder for dig.
1. AI-agent, chatbot, assistent: tre ord, tre virkeligheder
En chatbot svarer på et spørgsmål. En assistent-copilot foreslår noget. En AI-agent handler: den får et mål, vælger selv sine værktøjer, udfører rigtige handlinger (sender en mail, opdaterer et CRM-system, læser et dokument, kalder et API) og rapporterer resultatet. Forskellen er ikke en gradsforskel. Det er en anden slags system.
At blande de tre sammen koster tid. En agent, der er sat op til at 'svare', mens du forventede, at den skulle 'udføre', skuffer altid. Før du åbner et værktøj, stil dig selv spørgsmålet: skal systemet svare, eller skal det handle? Svaret afgør arkitekturen, valget af platform og de sikkerhedsforanstaltninger, du skal bygge ind.
En AI-agent består af tre dele. Sprogmodellen behandler instruktionerne og træffer beslutningerne. Værktøjerne (API'er, connectors, filadgang) giver den mulighed for at handle i eksterne systemer. Hukommelsen, permanent eller ikke, giver den adgang til konteksten fra tidligere samtaler. Fjern én af de tre dele, og agenten bliver igen en assistent eller en almindelig chatbot.
2. Start med opgaven, ikke med værktøjet
De fleste agenter, der bliver opgivet, dør samme sted: skaberen startede med værktøjet i stedet for behovet. Før du åbner noget som helst, skriv én sætning: 'jeg vil have, at agenten gør X ud fra Y, og giver mig Z.' Et konkret eksempel: 'besvar kundernes spørgsmål om vores priser ud fra vores prisliste i PDF, og send de svære sager videre til mig.'
Kan du ikke skrive den sætning, er du ikke klar til at bygge agenten. Den bedste første agent løser en tilbagevendende opgave med kendte regler og et klart svarformat. Løse projekter ('en agent, der styrer vores markedsføring') fejler, uanset hvilket værktøj du bruger. Start småt, bevis værdien, udvid bagefter.
Tre kriterier viser, om en opgave er velegnet til den første agent. Den går igen mindst et par gange om ugen. Den følger stabile regler uden mange undtagelser. Resultatet kan tjekkes af et menneske på under et minut. Er alle tre til stede, er sagen god. Mangler én, skal du snævre opgaven ind, før du sætter noget op.
3. Vælg den model, der skal drive agenten
Modellen er agentens motor, og motorerne er forskellige. Claude holder fast i lange instruktioner og skriver et nøgternt sprog. GPT-4o har den bredeste værktøjspalet og integrerer direkte med AgentKit, den visuelle no-code-brugerflade, OpenAI lancerede i oktober 2025. Gemini kan tygge sig igennem store dokumenter og medier. Mistral kører store mængder billigt, med data hostet i Europa. Copilot Studio giver især mening, hvis din arbejdsdag foregår i Word og Excel.
Vælg ikke efter ry. Tag tre rigtige eksempler fra din opgave, kør dem gennem to eller tre modeller med samme instruks, og sammenlign svarene. Det er hele pointen med en multi-model-platform som GPTPro: sammenligningen tager ti minutter i stedet for tre separate oprettelser.
Driftsomkostningen tæller også med i regnestykket. En agent, der behandler hundrede forespørgsler om dagen med en topmodel, kan give et månedligt budget, der tæller. Vurder volumen, før du låser modellen fast. Til opgaver med stort volumen og simple regler er en lettere og billigere model ofte nok. Gem de kraftigste modeller til komplekse eller sjældne opgaver.
4. Skriv instruktioner, der holder
Instruktionerne (system-prompten) er agentens personlighed og lov. Byg dem op i fire blokke: rollen (hvem er agenten, hvem arbejder den for), reglerne (hvad den gør, hvad den afviser, tonen), formatet (den nøjagtige struktur på svarene) og eksempler (to-tre ideelle svar, taget fra dine bedste rigtige samtaler).
To fælder går igen. Den første: vage instruktioner som 'vær professionel og hjælpsom', som ikke binder noget. Den anden: at glemme fejl-scenarierne. Sig eksplicit til agenten, hvad den skal gøre, når den ikke ved noget: 'hvis informationen ikke findes i de leverede dokumenter, sig det og foreslå at sende sagen videre til et menneske.' Den ene regel fjerner en stor del af de opfundne svar.
En fjerde, mindre synlig fælde: modstridende instruktioner. Hvis en regel siger 'svar altid på under tre sætninger' og en anden siger 'gennemgå hvert trin i detaljer', afgør agenten selv, tilfældigt, hvad der vinder. Læs instruktionerne igennem for konflikter, før du tester. En kort, konsekvent instruks slår en lang, tvetydig en.
5. Giv den dine data, ikke dens generelle hukommelse
En model svarer som udgangspunkt fra sin træning: generel viden, ofte forsinket, aldrig specifik for din forretning. En brugbar agent svarer fra dine egne dokumenter: prisliste, interne procedurer, FAQ, eksempler på kundesvar. Tilføj dem til agentens opsætning (det, praktikere kalder RAG, retrieval-augmented generation) og kræv i instruktionerne, at den bygger sine svar på dem.
Start småt: tre til fem rene dokumenter er bedre end fyrre modstridende filer. Modsiger to dokumenter hinanden, vælger agenten tilfældigt. Ryd op først, fyld på bagefter. Kvaliteten af data ind afgør kvaliteten af svar ud.
Dokumenternes format betyder lige så meget som indholdet. En scannet PDF uden OCR er ulæselig for en agent. Et Excel-ark med sammenlagte celler giver forkerte udtræk. Foretræk strukturerede tekstformater: Markdown, ren Word, CSV uden kompleks formatering. Åbn dokumentet i en almindelig teksteditor og tjek, at indholdet er læsbart, før du integrerer det.
6. Test som en utilfreds kunde
Den venlige test ('hej, hvad er jeres priser?') beviser ingenting. Test de sager, der irriterer: spørgsmålet uden for scope, forespørgslen der bryder reglerne, den tvetydige besked, det ufuldstændige dokument, rabatanmodningen agenten ikke har lov til at give. Ti rigtige sager fra din egen historik er nok til at afdække svaghederne.
Ret instruktionerne, ikke den igangværende samtale, hver gang noget går skævt. En rettelse i samtalen forsvinder til næste session. En rettelse i instruktionerne gælder for alle fremtidige samtaler. Tre-fire runder er som regel nok til at stabilisere en agent på et veldefineret område.
Dokumenter hver test og dens resultat i en simpel fil. Den log gør to ting: den gør det nemt at spore årsagen til en regression, hvis du senere ændrer instruktionerne, og den lægger grundstenen til den dokumentation, AI Act kræver for højrisiko-agenter. Får du den vane fra din første agent, sparer du dig for at skulle rekonstruere historikken bagefter.
7. GPTPro, n8n, Make: hvilket værktøj til hvilken agent
En samtale-agent (svare, skrive, analysere, på en brugers forespørgsel) sætter du op i GPTPro på få trin, uden kode, med den fordel, at du kan sammenligne modeller på dine egne sager. Det er det rette værktøj til langt de fleste individuelle behov og mindre teams.
En baggrundsautomatisering (overvåge en mailboks, trigge handlinger i dit CRM-system, kæde systemer sammen uden menneskelig indblanding) hører hjemme i værktøjer som n8n eller Make. Make lancerede Make AI Agents i april 2025: agenter, der kan forstå et mål i almindeligt sprog og justere workflows i realtid, i et 100 % no-code-miljø. n8n rullede sine egne 'n8n Agents' ud i august 2026: agenter defineret én gang og genbrugelige i chatten, i workflows, i Slack eller på et fast skema. Mange teams kombinerer begge tilgange: GPTPro til den interaktive del, n8n eller Make til det automatiske maskinrum.
Det simpleste valgkriterium: hvem starter agenten? Er det et menneske, der stiller et spørgsmål, er GPTPro nok. Er det en systemhændelse (en mail lander, et kundekort opdateres, et fast klokkeslæt), skal du bruge et automatiseringsværktøj. De to kan sagtens leve side om side i samme virksomhed, hver på sit område.
8. GDPR og AI Act: det skal du vide, før du går i drift
Fra den 2. august 2026 kræver AI Act, at enhver bruger informeres om, at de interagerer med et AI-system. Genereret indhold skal mærkes som sådan. Det er ikke valgfrit. Det er en juridisk pligt for enhver agent, der eksponeres for tredjeparter, inklusive en supportbot på din hjemmeside.
Risikoniveauet afhænger af use case'et, ikke af agentens grad af autonomi. En agent, der skriver mailudkast, ligger i kategorien begrænset risiko. En agent, der sorterer jobansøgninger eller scorer salgsleads, falder ind under højrisiko (bilag III i AI Act): menneskelig kontrol er obligatorisk, sammen med sporbarhed og dokumentation. Den franske tilsynsmyndighed CNIL og branchesammenslutningen CIANum udgav i juli 2026 en vejledende note om agentisk AI og persondata, relevant læsning også for danske virksomheder, siden GDPR gælder i hele EU. Noten peger på risici ved permanent hukommelse og komplekse behandlingskæder. Før du går i drift: få en databehandleraftale (DPA) på plads med din SaaS-platform, minimer de data, agenten behandler, og indsæt et menneskeligt godkendelsespunkt på beslutninger med reel konsekvens.
Permanent hukommelse kræver særlig opmærksomhed. En agent, der gemmer samtalehistorik mellem sessioner, ophober persondata over tid. Tjek din platforms opbevaringspolitik, fastsæt en opbevaringsperiode, der matcher din egen GDPR-politik, og byg en mekanisme ind til sletning på forespørgsel. Det punkt bliver nævnt direkte i CNIL/CIANum-noten fra juli 2026.
At oprette en AI-agent uden kode kan koges ned til fem greb: en præcis opgave, en model testet på dine egne sager, strukturerede instruktioner med deres fejl-scenarier, dine egne dokumenter som kontekst, og hård testning før idriftsættelse. Sæt en halv dag af til den første seriøse agent.
Det bedste udgangspunkt er en simpel, tilbagevendende sag. Den første agent, der sparer dig tyve minutter om dagen, retfærdiggør alle de næste. I GPTPro sker opsætningen uden kode, med valget af den model, der passer til din opgave.
Ofte stillede spørgsmål
Kan man virkelig oprette en AI-agent uden at kode?
Ja, hvis du vælger den rette opgave. Værktøjer som GPTPro, Make AI Agents eller OpenAIs AgentKit lader dig sætte en agent op i almindeligt sprog uden en linje kode. 'Uden kode' betyder ikke 'uden metode': du skal stadig skrive instruktionerne, vælge dokumenterne og teste ordentligt. En agent sat forkert op uden kode fungerer lige så dårligt som en dårligt kodet agent.
Hvad er forskellen mellem en AI-agent og en chatbot?
En chatbot svarer på spørgsmål efter et script eller en model. En AI-agent handler: den får et mål, vælger selv sine værktøjer, udfører rigtige handlinger (opdaterer et CRM, sender en mail, læser et dokument) og rapporterer resultatet. Forskellen er praktisk: agenten kan udløse effekter i dine systemer, det kan chatbotten ikke.
Hvor lang tid tager det at få sin første agent i drift?
På en velafgrænset opgave (én sag, klare regler, rene dokumenter) er en halv dag nok til en stabil første agent. Det meste af tiden går med at skrive instruktioner og teste grænsesager, ikke med at sætte selve værktøjet op. En løs opgave eller modstridende dokumenter kan let mangedoble den tid.
Hvordan håndterer man GDPR, når man sætter en AI-agent i drift?
Tre grundregler: få en databehandleraftale (DPA) på plads med den SaaS-platform, du bruger, minimer de persondata, agenten behandler, og informer brugerne om, at de taler med et AI-system (pligt under AI Act siden 2. august 2026). For højrisiko-agenter (HR, scoring) er menneskelig kontrol og sporbarhed i beslutningerne obligatorisk. Den vejledende note fra den franske CNIL og CIANum, udgivet i juli 2026, går i dybden med de særlige forhold ved agentisk AI.
Kræver det en teknisk profil at bygge en AI-agent, eller kan en fagperson gøre det selv?
En fagperson uden teknisk baggrund kan bygge og vedligeholde en samtale-agent på no-code-platforme. Kendskabet til opgaven er faktisk en fordel: det gør det lettere at skrive præcise instruktioner og teste de rigtige grænsesager. En teknisk profil bliver relevant til komplekse integrationer (forbindelse til et proprietært CRM, workflows over flere systemer) eller til højrisiko-agenter, der kræver formel dokumentation.
