AI workflow

Hvad er et AI workflow?

Et AI workflow er en arbejdsproces hvor AI indgår som en del af et større forløb. I stedet for at bruge AI til én isoleret opgave, som at stille et spørgsmål til ChatGPT, er AI’en integreret i en sekvens af trin der tilsammen løser en forretningsopgave.

I AI i praksis kan du se forslag til hjælp med tilbud, møder og fakturaer. Brug dem til at finde et sted at starte i dit eget firma.

Forestil dig forskellen mellem at bruge en lommeregner til at lave ét regnestykke og at bygge et regneark der automatisk beregner hele din virksomheds økonomi. AI workflows er regnearket. Den systematiske tilgang der gør AI til en del af din daglige drift i stedet for et engangsværktøj.

Et simpelt eksempel: en kundehenvendelse kommer ind via email → AI klassificerer emnet → AI genererer et svarudkast → et menneske reviewer og sender → AI logger interaktionen og opdaterer kundehistorikken. Hvert trin i kæden har en rolle, og AI håndterer de trin der passer til dens styrker.

Hvorfor AI workflows?

Fra eksperimenter til systematisk værdi

1. Problemet. De fleste virksomheder bruger AI ad hoc: en medarbejder spørger ChatGPT, en anden bruger Copilot. Værdien er reel men fragmenteret og svær at skalere.
2. Løsningen. AI workflows standardiserer brugen af AI i gentagelige processer. Samme kvalitet, samme hastighed, hver gang.
3. Skalering. Et workflow der håndterer 10 kundehenvendelser kan håndtere 10.000 uden yderligere manuelt arbejde.

Konsistens

1. AI workflows giver det samme resultat uanset hvem der kører dem.
2. Ingen variation baseret på medarbejderens erfaring, humør eller travlhed.
3. Kvaliteten kan måles, monitoreres og forbedres systematisk.

Hastighed

1. Trin der tog minutter for et menneske tager sekunder for AI.
2. Hele workflows der tog timer kan køre på minutter.
3. Medarbejdere bruger tid på de trin der kræver menneskelig dømmekraft, ikke på rutine.

Typer af AI workflows

Lineære workflows

Trin følger hinanden i en fast rækkefølge:

1. Input → AI-trin 1 → AI-trin 2 → Menneskeligt review → Output
2. Eksempel. Dokumentoversættelse: modtag dokument → AI oversætter → AI tjekker terminologi → menneske reviewer → publicer.
3. Fordel. Simple at forstå, bygge og debugge.
4. Begrænsning. Ufleksible. Alle opgaver følger samme sti.

Forgrenet workflows (conditional)

Forskellige stier baseret på betingelser:

1. Input → AI klassificerer → Sti A eller Sti B → Output
2. Eksempel. Kundehenvendelse: AI analyserer emnet → fakturaspørgsmål sendes til regnskab → tekniske problemer sendes til support → klager sendes til en senior medarbejder.
3. Fordel. Håndterer variation. Forskellige opgaver får den rette behandling.
4. Kompleksitet. Kræver god klassificering i første trin. Fejl her forplanter sig.

Parallelle workflows

Flere trin kører samtidigt:

1. Input → AI-trin A + AI-trin B + AI-trin C (parallelt) → Kombiner → Output
2. Eksempel. Markedsanalyse: AI analyserer kundedata + AI scanner nyheder + AI gennemgår konkurrenter → resultater samles i én rapport.
3. Fordel. Hurtigere end sekventiel udførelse. Udnytter at AI kan køre mange opgaver samtidigt.

Human-in-the-loop workflows

Mennesker indgår som godkendelsestrin:

1. AI genererer → Menneske reviewer → AI færdiggør
2. Eksempel. Indholdsproduktion: AI skriver udkast → redaktør redigerer og godkender → AI formaterer og publicerer.
3. Fordel. Kombinerer AI’s hastighed med menneskets dømmekraft. Essentielt for opgaver med høj risiko eller høj synlighed.
4. Balance. For mange menneskelige trin fjerner hastighedsfordelen. For få øger risikoen.

Looping workflows

AI itererer indtil et resultat er godt nok:

1. AI genererer → AI evaluerer → Godt nok? → Ja: output. Nej: generer igen.
2. Eksempel. Kode-generering: AI skriver kode → AI kører tests → fejler tests? → AI retter kode → tests igen → bestået → output.
3. Fordel. Selvkorrigerende. AI forbedrer sit eget output.
4. Risiko. Kan loope uendeligt. Kræver et maksimalt antal forsøg og fallback til menneskelig intervention.

Komponenter i et AI workflow

Trigger

Hvad starter workflowet:

1. Manuel. En medarbejder klikker “Kør” eller indsender data.
2. Tidsbaseret. Kører automatisk kl. 8 hver morgen, eller hver time.
3. Hændelsesbaseret. Ny email modtaget, ny ordre oprettet, ny fil uploadet.
4. API-baseret. Et andet system kalder workflowet via en API.

Input-processing

Forbered data til AI:

1. Udtræk. Hent relevant information fra emails, dokumenter, databaser.
2. Transformér. Konvertér data til et format AI’en forstår: tekst, struktureret data, embeddings.
3. Validér. Tjek at input er komplet og korrekt før AI processerer det.

AI-trin

Kernen i workflowet:

1. LLM-kald. Send en prompt til en sprogmodel og få et svar. Det mest almindelige AI-trin.
2. Klassificering. AI kategoriserer input (emne, sentiment, prioritet).
3. Generering. AI skaber indhold (tekst, kode, billeder).
4. Udtræk. AI finder specifik information i ustruktureret data (navne, datoer, beløb).
5. Opsummering. AI kondenserer lange tekster til korte resuméer.
6. Oversættelse. AI konverterer mellem sprog.

Logik og routing

Beslutninger mellem trin:

1. If/else. Hvis AI’s confidence er under 80%, eskalér til menneske.
2. Switch. Baseret på AI’s klassificering, vælg den rette næste handling.
3. Loop. Gentag et trin indtil kvaliteten er tilstrækkelig.
4. Parallel. Kør flere trin samtidigt og saml resultaterne.

Output og integration

Lever resultatet:

1. Skriv til database. Gem AI’s output i virksomhedens systemer.
2. Send notification. Email, Slack-besked, Teams-notifikation.
3. Opdater system. CRM, ERP, kundeservice-platform.
4. Generér dokument. PDF, rapport, præsentation.

Værktøjer til AI workflows

No-code / low-code platforme

1. Zapier. Forbind apps og tilføj AI-trin (GPT, Claude) uden kode. Populær til simple workflows.
2. Make (Integromat). Visuel workflow-builder med AI-moduler. Mere fleksibel end Zapier.
3. n8n. Open source workflow-automation med AI-noder. Self-hosted option.
4. Microsoft Power Automate. Integreret med Office 365 og Copilot. Enterprise-fokuseret.

AI-specifikke platforme

1. LangChain. Python/JavaScript-framework til at bygge AI-workflows (chains) programmatisk.
2. LlamaIndex. Specialiseret i workflows der involverer data-retrieval og RAG.
3. Flowise. Visuel UI til at bygge LangChain-workflows med drag-and-drop.
4. Dify. Platform til at bygge og deploye AI-workflows med visual editor.

Kode-baserede tilgange

1. Python-scripts. For fuld kontrol: kald AI-API’er, processér data, integrér med systemer.
2. API-orchestration. Brug API’er fra OpenAI, Anthropic eller andre direkte i din applikation.
3. Serverless functions. AWS Lambda, Google Cloud Functions, Vercel. Kør AI-workflows uden at administrere servere.

AI workflows i praksis

Eksempel: automatiseret kundeservice

Workflow:

1. Trigger. Kunde sender email til support@firma.dk.
2. Klassificering. AI analyserer emailen: emne (faktura/teknisk/retur), sentiment (neutral/frustreret/vred), prioritet (lav/medium/høj).
3. Routing. Fakturaspørgsmål → automatisk svar med fakturadetaljer fra systemet. Teknisk problem → AI genererer fejlfindingsguide. Vred kunde → eskalér direkte til senior medarbejder med AI-opsummering.
4. Svar-generering. AI skriver et personligt svarudkast baseret på kundens specifikke situation.
5. Review. Medarbejder gennemgår AI-udkastet, justerer om nødvendigt, sender.
6. Logging. AI opdaterer CRM med emne, løsning og kundetilfredshed.

Resultat: Gennemsnitlig håndteringstid reduceret fra 15 minutter til 4 minutter. 60% af simple henvendelser håndteret fuldt automatisk.

Eksempel: indholdsproduktion

Workflow:

1. Input. Marketingchef skriver en briefing: emne, målgruppe, tone, nøglebudskaber.
2. Research. AI søger i virksomhedens eksisterende indhold og finder relaterede artikler, data og citater.
3. Udkast. AI genererer et førstudkast baseret på briefingen og researchen.
4. SEO-optimering. AI analyserer udkastet for søgeord, læsbarhed og struktur. Foreslår forbedringer.
5. Review. Redaktør redigerer udkastet, tilpasser stemme og godkender.
6. Publicering. AI formaterer til CMS, genererer meta-beskrivelser, planlægger publicering.
7. Distribution. AI opretter social media-opslag baseret på artiklen. Tilpasser format til LinkedIn, X, Instagram.

Resultat: Produktionstid for en blogpost reduceret fra 6 timer til 1.5 timer.

Eksempel: faktura-processing

Workflow:

1. Trigger. Ny faktura modtaget som PDF via email.
2. Udtræk. AI læser PDF’en og udtrækker: leverandørnavn, fakturanummer, beløb, moms, forfaldsdato, linjeposter.
3. Validering. AI matcher mod indkøbsordre. Stemmer beløbet? Er leverandøren godkendt?
4. Routing. Matcher: godkend automatisk og send til betaling. Matcher ikke: flag til manuel review med AI’s analyse af uoverensstemmelsen.
5. Bogføring. Godkendte fakturaer bogføres automatisk i regnskabssystemet.
6. Rapportering. Daglig rapport over processerede fakturaer, automatisk godkendte vs. manuelt reviewede.

Resultat: 80% af fakturaer processeret uden menneskelig involvering. Gennemløbstid fra dage til timer.

Design af gode AI workflows

Start simpelt

1. Automatisér ét trin ad gangen. Ikke hele processen på én gang.
2. Bevis værdien af hvert trin før du tilføjer det næste.
3. Et workflow med 3 velafprøvede trin er bedre end et med 10 skrøbelige.

Byg fejlhåndtering ind

1. AI fejler. Hvad sker der hvis AI-modellen returnerer nonsens? Timeout? API-fejl?
2. Fallback. Altid en plan B, typisk eskalering til et menneske.
3. Retry-logik. Forbigående fejl (netværk, rate limiting) bør retries automatisk.
4. Monitorering. Alarmer når fejlraten stiger over en tærskel.

Mål og forbedre

1. Metrics. Mål tid, kvalitet, fejlrate og omkostning per workflow-kørsel.
2. A/B-test. Sammenlign forskellige prompts, modeller eller workflow-designs.
3. Feedback-loop. Menneskelige korrektioner informerer forbedringer af AI-trinene.
4. Iteration. AI workflows er aldrig færdige. De forbedres kontinuerligt.

Håndtér edge cases

1. De 80% af opgaver der følger et normalt mønster er nemme at automatisere.
2. De 20% der er usædvanlige, tvetydige eller komplekse kræver speciel håndtering.
3. Design workflowet til at genkende edge cases og eskalere dem i stedet for at håndtere dem forkert.

AI workflows og sikkerhed

Datahåndtering

1. Sensitive data. Personoplysninger, finansielle data og fortrolige dokumenter kræver at AI-workflowet overholder GDPR og virksomhedens datapolitik.
2. Data residency. Hvor processeres data? Lokalt, i EU eller i USA? Vigtigt for regulerede brancher.
3. Logging. Hvad logges? AI-input og -output kan indeholde sensitive oplysninger.

Audit trail

1. Alle AI-beslutninger bør kunne spores: hvad var input, hvad var output, hvilken model blev brugt.
2. Vigtigt for compliance, fejlsøgning og ansvarlighed.
3. Særligt kritisk i regulerede brancher (finans, sundhed, jura).