Praktisk guide til AI i virksomheder: fra idé til drift

Start med problemet, ikke med modellen

En brugbar AI-løsning begynder med et konkret forretningsproblem. Det kan være for lang tid brugt på at skrive metabeskrivelser, manuel kategorisering af leads, ensformige supportopgaver eller behov for at omskrive produktdata til et ensartet format. Hvis opgaven ikke er tydeligt afgrænset, bliver det svært at måle kvalitet, omkostning og risiko.

Et godt første skridt er at beskrive processen som et workflow: Hvad er input, hvad skal systemet producere, hvilke regler gælder, og hvor skal resultatet ende? I mange tilfælde er AI kun ét led i kæden. Der vil ofte også være behov for validering, logning, fallback-regler, brugergrænseflade og integration til CMS, webshop eller CRM.

Velegnede opgaver er gentagne, teksttunge eller regelstøttede processer
Resultatet bør kunne vurderes ud fra klare kriterier som korrekthed, tone, format eller kategorivalg
Der bør være en tydelig gevinst i tid, kvalitet eller skalerbarhed
Processen skal kunne tåle, at AI ikke altid svarer perfekt

Hvor AI skaber praktisk værdi

I webudvikling og digital drift er AI sjældent et separat produkt. Den fungerer ofte bedst som en service bag et eksisterende system. I WordPress kan det være et plugin eller en admin-funktion, der hjælper redaktører med udkast, strukturering eller intern søgning. I WooCommerce kan det være automatiseret berigelse af produkttekster, forslag til attributter eller hjælp til support baseret på ordredata.

I marketing er AI nyttig til første udkast og analyse, men sjældent som fuldautomatisk erstatning for redaktionelt arbejde. Den kan fx generere varianter af annoncekopi, udtrække temaer fra kundehenvendelser eller omformulere indhold til flere kanaler. Den bør derimod ikke stå alene med publicering uden kontrol, især ikke når der er krav om faglig præcision eller brandkonsistens.

Indholdsudkast til produkter, kategorier og FAQ
Klassificering af supporthenvendelser og videresendelse til rette team
Opsummering af lange tekster, mødenoter eller kundedialoger
Udtræk af strukturerede felter fra fritekst
Intern søgning eller vidensassistent baseret på eget indhold
Kvalitetstjek af tekst for tone, længde, metadata eller manglende felter

En simpel arkitektur for AI-integration

De fleste løsninger kan beskrives i fem lag: input, forbehandling, modelkald, efterbehandling og handling. Input kan komme fra en formular, et admin-panel, en webhook eller en planlagt opgave. Forbehandling kan være filtrering af HTML, samling af kontekst eller normalisering af data. Derefter kaldes modellen via API. Svaret valideres og gemmes, før det enten vises til en bruger eller udløser næste trin i et workflow.

Denne opdeling er vigtig, fordi kvaliteten sjældent afhænger af modellen alene. Mange fejl opstår i dårlig kontekst, for brede prompts, manglende validering eller uklare regler for outputformat. Derfor bør man tænke som softwareudvikler: AI er et komponentlag, ikke hele applikationen.

Eksempel: AI i WordPress som redaktionelt værktøj

Et praktisk WordPress-scenarie er et admin-modul, hvor redaktøren klikker på en knap for at generere et udkast til metabeskrivelse eller produktresume. Her er AI ikke publicerende instans, men et værktøj i redigeringsflowet. Brugeren vælger input, systemet sender indholdet til et API, og resultatet returneres til et felt, hvor det kan gennemgås og redigeres manuelt.

Det er en forholdsvis sikker model, fordi menneskelig godkendelse er indbygget. Samtidig er implementeringen overskuelig: en knap i admin, et endpoint i PHP eller JavaScript, en server-side API-integration og en simpel log over forespørgsler og svar.

function generate_ai_summary($text) {
  $payload = [
    'input' => 'Skriv et kort og neutralt resume af denne tekst: ' . $text
  ];

  $response = wp_remote_post('API_ENDPOINT', [
    'headers' => [
      'Authorization' => 'Bearer API_KEY',
      'Content-Type' => 'application/json'
    ],
    'body' => wp_json_encode($payload),
    'timeout' => 30
  ]);

  if (is_wp_error($response)) {
    return new WP_Error('ai_request_failed', 'API-kald mislykkedes');
  }

  $body = json_decode(wp_remote_retrieve_body($response), true);
  return $body['output'] ?? new WP_Error('ai_invalid_response', 'Ugyldigt svar');
}

Kodeeksemplet er bevidst forenklet. I praksis bør der tilføjes nonce-kontrol, rettighedsstyring, fejl-logning, rate limiting, retry-strategi og validering af output. Hvis resultatet skal indsættes i databasen, bør det ske eksplicit og ikke automatisk ved første svar.

Eksempel: WooCommerce og automatiseret produktberigelse

I en webshop kan AI bruges til at omdanne rå leverandørdata til mere ensartede produkttekster. Det kræver dog klare regler. Hvis leverandørens data er mangelfulde eller upræcise, vil AI ofte producere glatte formuleringer med tvivlsomt faktuelt indhold. Derfor bør systemet arbejde med kendte felter og begrænsede transformationer, fx at omskrive eksisterende egenskaber til kort tekst i et fast format.

Brug kun verificerede produktegenskaber som input
Lad modellen skrive i et fast skema med overskrift, kort tekst og punktliste
Bloker for opfindelse af mål, materialer, kompatibilitet og garantivilkår
Kræv manuel godkendelse før publicering
Gem både input og output til senere revision

Prompt engineering er vigtig, men ikke nok

Prompt engineering handler i praksis om at reducere tvetydighed. En god prompt beskriver opgaven, målgruppen, formatet, begrænsningerne og hvad modellen ikke må gøre. Men selv gode prompts løser ikke alt. Hvis input er uklart, eller hvis opgaven kræver egentlig domæneviden og sikker faktakontrol, er prompten kun en del af løsningen.

Det er ofte mere robust at kombinere en moderat god prompt med faste valideringsregler. Hvis output fx skal være JSON, bør systemet kontrollere felter, længder og tilladte værdier. Hvis teksten skal være på dansk og uden bestemte påstande, bør det testes maskinelt eller gennem et reviewtrin.

Vær specifik om rolle og opgave
Definér ønsket outputformat tydeligt
Angiv forbudte antagelser og uønskede formuleringer
Brug få, relevante kontekstelementer frem for store tekstmængder
Supplér altid med validering i kode

Automatiserede workflows og AI-agenter

Der er forskel på en simpel automatisering og en AI-agent. En automatisering følger et kendt flow: når X sker, udfør Y. En AI-agent antyder typisk et system, der kan vælge mellem flere handlinger ud fra mål, kontekst og tilgængelige værktøjer. I praksis er mange såkaldte agenter stadig bedst, når de holdes inden for et smalt område og med faste rammer.

For virksomheder er det ofte mest realistisk at begynde med workflows frem for frie agenter. Et workflow kan fx modtage en supportmail, udtrække emne og prioritet, foreslå et svar og oprette en sag. Hvert trin kan overvåges. Det giver bedre kontrol end et system, der selv må vælge mellem mange handlinger.

Omkostninger, hastighed og skalerbarhed

AI koster ikke kun API-forbrug. Der er også udvikling, test, overvågning, logning og vedligeholdelse. Selv en enkel integration kan blive dyr, hvis den kaldes for ofte, bruger for meget kontekst eller mangler caching. Derfor bør man designe til sparsommelighed: kun kalde modellen, når det giver reel værdi, og genbruge resultater, hvor det er forsvarligt.

Hastighed er også central. Brugere forventer ikke nødvendigvis øjeblikkelige svar i backend, men de accepterer sjældent lange blokeringer i checkout, søgning eller kundeservice. Derfor kan asynkrone jobkøer være bedre end direkte API-kald i frontendkritiske flows.

Mål antallet af kald per opgave og per bruger
Indfør caching, hvor output ikke ændrer sig ofte
Brug baggrundsjob til tunge opgaver
Sæt budgetalarmer og rate limits
Overvåg fejlprocenter og svartider

Sikkerhed og persondata

AI-integrationer bør behandles som enhver anden dataintegration. Man skal vide, hvilke data der sendes ud af systemet, hvorfor de sendes, og hvor længe de opbevares. Kundedata, ordreoplysninger, supporthistorik og interne dokumenter kan indeholde følsomme eller fortrolige oplysninger. Derfor bør dataminimering være standard: send kun de felter, der er nødvendige for opgaven.

I WordPress- og WooCommerce-miljøer betyder det også, at adgangskontrol og plugin-kvalitet er vigtig. En AI-funktion med utilstrækkelig rettighedsstyring kan blive en ny angrebsflade. Logning skal desuden balanceres mod persondatahensyn; det er nyttigt at gemme fejl og output, men ikke nødvendigvis hele rå input med personhenførbare oplysninger.

Hvis AI bruges til beslutningsstøtte i kundeprocesser, bør der være klar menneskelig kontrol og mulighed for korrektion. Det gælder især ved prioritering, klassificering eller tekstforslag, som kan påvirke service, kommunikation eller forretningskritiske data.

Fejlhåndtering og kvalitetssikring

AI-fejl ligner ikke almindelige softwarefejl. Systemet kan godt returnere et syntaktisk korrekt svar, som stadig er upræcist, mangelfuldt eller misvisende. Derfor er det ikke nok at teste, om API’et svarer. Man skal også teste, om svaret er brugbart i den konkrete sammenhæng.

Lav testsæt med realistiske input og ønskede outputtyper
Definér fejlklasser som tomt svar, forkert format, faktuel usikkerhed og for lang tekst
Tilføj fallback-regler, fx standardsvar eller manuel kø
Vis tydeligt for brugeren, når et forslag er AI-genereret
Gem versioner af prompts og regler, så ændringer kan spores

Hvornår kræver løsningen specialudvikling?

Mange AI-funktioner kan startes med eksisterende plugins eller no-code-værktøjer, men der er klare grænser. Hvis løsningen skal arbejde med egne datamodeller, rollebaseret adgang, WooCommerce-ordrer, interne regler eller flere systemer samtidig, bliver specialudvikling ofte nødvendig. Det gælder også, hvis der er krav om revisionsspor, interne godkendelser eller høj driftsstabilitet.

Specialudvikling giver bedre kontrol over sikkerhed, performance og brugeroplevelse, men øger også kompleksiteten. Derfor bør man starte småt: vælg én afgrænset opgave, mål effekten og udvid først derefter.

En realistisk implementeringsplan

Vælg én konkret opgave med tydelig tids- eller kvalitetsgevinst
Beskriv workflow, inputfelter, regler og ønsket output
Byg en lille prototype med manuel godkendelse
Mål kvalitet, tidsforbrug, fejl og API-omkostning
Tilføj logning, adgangskontrol og fallback
Først derefter: overvej mere automation eller agent-lignende funktioner

Den praktiske værdi af AI opstår sjældent i det første modelkald. Den opstår, når løsningen passer til organisationens data, processer og kvalitetskrav. For de fleste virksomheder er den rigtige tilgang derfor ikke maksimal automatisering fra start, men kontrolleret integration i de arbejdsgange, der allerede findes. Det giver bedre forretningsmæssig værdi, lavere risiko og et mere realistisk grundlag for videre udvikling.