Low-code AI

Hvad er low-code AI?

Low-code AI er platforme der giver dig det bedste fra to verdener: visuelle værktøjer til at bygge hurtigt og muligheden for at skrive kode når du har brug for mere kontrol. Du trækker og slipper komponenter for standardfunktionalitet og tilføjer kode når opgaven kræver noget ekstra.

Forestil dig at bygge et hus. No-code er at vælge et færdigt kataloghus. Hurtigt men med begrænsede tilpasningsmuligheder. Fuld kode er at tegne huset fra bunden med en arkitekt. Total kontrol men lang tid. Low-code er at starte med en solid grundplan og tilpasse rum, materialer og detaljer efter behov. Du får hastighed uden at opgive fleksibilitet.

I praksis betyder det: du designer dit AI-workflow visuelt, men når du har brug for at skrive en specifik prompt-template, tilpasse en databehandling eller integrere med et system der ikke har et standardstik, skriver du den nødvendige kode direkte i platformen.

Low-code vs. no-code vs. fuld kode

Hvornår er low-code det rette valg?

Vælg low-code når:

1. Du har teknisk indsigt men ikke vil bygge alt fra bunden.
2. 80% af din løsning er standard, men de sidste 20% kræver tilpasning.
3. Du vil prototypere hurtigt og skalere den samme løsning.
4. Dit team har nogle tekniske færdigheder, men ikke nødvendigvis ML-specialister.
5. Du har integrationer til systemer der kræver lidt custom kode.

Vælg no-code i stedet når:

1. Ingen i teamet kan kode.
2. Opgaven er en standard use case (simpel chatbot, basal automatisering).
3. Du vil teste en idé på én eftermiddag.

Vælg fuld kode i stedet når:

1. Du har unikke krav der ikke passer i nogen platform.
2. Du skal optimere for performance, latency eller cost.
3. Du har strikse krav til datasikkerhed og kontrol.
4. Du bygger et AI-produkt. Ikke bare en intern løsning.

Hvad gør low-code AI muligt?

Komplekse AI-workflows

1. Visuel design. Tegn flowet: trigger → datatransformation → AI-kald → logik → output.
2. Custom kode-noder. Når et trin kræver specifik logik, indsæt en kodeblok (Python, JavaScript).
3. Betinget routing. Hvis AIs confidence er over 90%, automatisér. Under 90%, eskalér til menneske.
4. Parallel processing. Kør flere AI-opgaver samtidigt og saml resultaterne.

Avancerede AI-integrationer

1. API-kald til AI-modeller. Kald GPT, Claude, Gemini eller open source-modeller direkte med custom prompts og parametre.
2. RAG-pipelines. Forbind en vidensbase (dokumenter, databaser) med en sprogmodel via retrieval-augmented generation.
3. Multi-model workflows. Brug forskellige modeller til forskellige trin: en lille hurtig model til klassificering, en stor kapabel model til generering.
4. Custom preprocessing. Skriv kode til at rense, transformere og berige data før AI processerer den.

Tilpassede brugerinterfaces

1. Formularer. Byg tilpassede input-formularer der fodrer AI-workflows.
2. Dashboards. Vis AIs resultater i et skræddersyet interface.
3. Approval-flows. Interfaces hvor medarbejdere reviewer og godkender AIs output.

Populære low-code AI-platforme

Workflow og automation

1. n8n. Open source workflow-automation med 400+ integrationer og mulighed for custom JavaScript/Python-noder. Self-hosted eller cloud.
2. Make (Integromat). Visuel workflow-builder med avancerede AI-moduler. Custom HTTP-requests og JavaScript-kode for tilpasning.
3. Retool. Byg interne tools med drag-and-drop UI-komponenter plus custom JavaScript og API-integrationer.
4. Microsoft Power Platform. Power Automate + Power Apps + AI Builder. Enterprise-grade med mulighed for custom kode via Azure Functions.

AI-specifikke platforme

1. LangFlow. Visuel UI til at bygge LangChain-workflows. Drag-and-drop med mulighed for custom Python-komponenter.
2. Flowise. Open source visual builder til LLM-apps. Forbind chains, agents og tools visuelt. Custom nodes via JavaScript.
3. Dify. Platform til AI-applikationer med visuel workflow-editor, RAG-pipeline og API-deployment. Open source med cloud-option.
4. Hugging Face Spaces. Host AI-applikationer med Gradio eller Streamlit interfaces. Skriv minimal Python, platformen håndterer deployment.

ML-platforme med low-code features

1. Amazon SageMaker Canvas. Visuel ML-modeltræning med mulighed for at tilpasse via SageMaker notebooks.
2. Google Vertex AI. AutoML til standardopgaver, custom training jobs for avancerede behov.
3. Azure ML Studio. Visuel pipeline-designer kombineret med notebooks og custom code.
4. Dataiku. Enterprise AI-platform med visuelle workflows og integreret kode-editor.

Low-code AI i praksis

Eksempel: intelligent dokumentprocessering

Krav: Processér 500 kontrakter dagligt. Udtræk nøglevilkår, vurdér risiko, rout til den rette jurist.

Low-code løsning med n8n:

1. Trigger. Ny fil i SharePoint-mappe (visuel konfiguration).
2. OCR/parsing. Send PDF til API der konverterer til tekst (standard-integration).
3. Custom preprocessing. JavaScript-node: rens teksten, fjern headers/footers, split i sektioner.
4. AI-udtræk. Kald Claude API med custom prompt: “Udtræk følgende fra denne kontrakt: parter, beløb, varighed, opsigelsesvilkår, ansvarsklausuler.” (Standard HTTP-node med custom prompt).
5. Risikovurdering. Kald AI igen med udtrukne vilkår: “Vurdér risikoen ved denne kontrakt baseret på følgende kriterier…” (Custom prompt-template med variable).
6. Routing-logik. JavaScript-node: baseret på beløb og risikoniveau, rout til den rette jurist.
7. Output. Opret sag i CRM med AIs analyse (standard-integration).

Hvorfor low-code? Standard-integrationer dækker 70% af flowet. Custom JavaScript håndterer dataforbehandling og routing-logik der er specifik for virksomheden. Custom prompts giver fuld kontrol over AI-trinene. Ingen af delene kræver en ML-ingeniør, en teknisk forretningsbruger kan bygge og vedligeholde det.

Eksempel: AI-drevet kundeservice-dashboard

Krav: Real-time dashboard der viser alle kundehenvendelser med AI-klassificering, sentiment og foreslåede svar.

Low-code løsning med Retool + API’er:

1. Backend. Retool forbinder til kundeservice-databasen og email-systemet.
2. AI-klassificering. Custom API-kald til Claude for at klassificere emne og sentiment for nye henvendelser.
3. Svar-generering. AI genererer foreslåede svar baseret på virksomhedens vidensbase (RAG via custom Python-funktion).
4. UI. Drag-and-drop dashboard med tabel, filtre, detaljevisning og godkendelsesknapper.
5. Custom logik. JavaScript til at beregne SLA-status, prioriterings-scoring og performance-metrics.

Eksempel: multi-model AI-pipeline

Krav: Analysér kundefeedback. Klassificér emne, mål sentiment, generer indsigtsrapport.

Low-code løsning med Flowise:

1. Input. CSV-upload med kundefeedback.
2. Klassificering. Haiku-model (hurtig, billig) klassificerer emne for hver feedback-entry.
3. Sentiment. Samme model scorer sentiment 1-5.
4. Aggregering. Custom JavaScript: grupper resultater per emne, beregn gennemsnitligt sentiment, identificér trends.
5. Rapportgenerering. Opus-model (kapabel) genererer en indsigtsrapport baseret på de aggregerede data.
6. Output. PDF-rapport med grafer og anbefalinger.

Hvorfor multi-model? Den billige model håndterer 10.000 enkle klassificeringer hurtigt. Den dyre model skriver én kvalitetsrapport. Optimal balance mellem cost og kvalitet. Konfigureret visuelt med custom kode kun til aggregering.

Fordele ved low-code AI

Hastighed med fleksibilitet

1. 80% af løsningen bygges visuelt på timer.
2. De 20% der kræver tilpasning skrives som kode. Uden at starte forfra.
3. Samlet opsætningstid: dage i stedet for uger.

Tilgængelig for bredere teams

1. Forretningsbrugere med grundlæggende teknisk forståelse kan bygge og vedligeholde.
2. Udviklere kan fokusere på de komplekse dele i stedet for boilerplate.
3. Samarbejde: forretningen designer flowet, udvikler skriver custom nodes.

Vedligeholdelse

1. Visuelle workflows er nemme at forstå og debugge. Også for folk der ikke skrev dem.
2. Ændringer i AI-prompts kræver ikke en ny deployment. Juster i platformens editor.
3. Platformen håndterer infrastruktur, skalering og opdateringer.

Iteration

1. Test hurtigt: ændr en prompt, kør workflowet, se resultatet.
2. A/B-test: kør to versioner af et AI-trin parallelt og sammenlign.
3. Gradvis forbedring: start simpelt, tilføj kompleksitet efterhånden som du lærer.

Begrænsninger ved low-code AI

Platform-afhængighed

1. Du er stadig bundet til platformens muligheder og begrænsninger.
2. Custom kode kompenserer for meget, men ikke alt.
3. Migrering mellem platforme kan være svær.

Performance

1. Low-code platforme tilføjer overhead sammenlignet med optimeret kode.
2. For applikationer med strenge latency-krav kan platformen være en flaskehals.
3. Ved meget høj volumen kan platformens prismodel blive dyr.

Kompleksitet

1. Når custom kode-andelen vokser, mister du fordelene ved low-code.
2. Hvis 60%+ af dit workflow er custom kode, bør du overveje fuld kode i stedet.
3. Debugging kan være sværere når logik er spredt mellem visuelle og kode-baserede komponenter.

Sikkerhed og compliance

1. Data passerer gennem platformens infrastruktur. Vigtigt at forstå hvor og hvordan.
2. Enterprise-krav til SOC 2, GDPR og branchespecifik compliance kan begrænse platformvalget.
3. Self-hosted optioner (n8n, Flowise) giver mere kontrol men kræver egen infrastruktur.

Low-code AI og citizen developers

Hvad er en citizen developer?

En medarbejder der bygger tekniske løsninger uden at være professionel udvikler. Typisk en forretningsbruger med teknisk nysgerrighed og grundlæggende forståelse for data og logik.

Hvorfor er low-code AI ideelt for citizen developers?

1. Visuelt udgangspunkt. Start med drag-and-drop. Lær gradvist at tilføje kode.
2. Guardrails. Platformens struktur forhindrer mange typiske fejl.
3. Lavt gulv, højt loft. Let at komme i gang, muligt at bygge avancerede løsninger over tid.
4. Forretningsnærhed. Den person der forstår problemet bygger løsningen. Uden mellemled.

Risici

1. Shadow IT. Løsninger bygget uden IT-afdelingens kendskab kan skabe sikkerheds- og compliance-problemer.
2. Vedligeholdelse. Hvem vedligeholder løsningen når den person der byggede den skifter stilling?
3. Kvalitet. Uden softwareudviklings-disciplin (test, review, dokumentation) kan løsninger blive skrøbelige.

Løsning: Governance-rammer der giver citizen developers frihed til at bygge inden for definerede rammer med IT-godkendelse af sikkerhed og data.