Optimering af AI-baserede arbejdsgange i virksomheder: Fra arkitektur til skalering

Hvad er optimering af AI-baserede arbejdsgange i en tid med agentbaserede systemer?

Optimering af AI-baserede arbejdsgange er en arkitektonisk gentænkning af forretningsprocesser, så de udnytter autonome agenter og maskinlæring. Det rækker langt ud over enkel automatisering af opgaver. Det kræver, at man finder komplekse muligheder, hvor AI skaber stadig større værdi over tid.

Det er i det uudnyttede potentiale, de store gevinster ligger.

Lægger du en model oven på en proces, der ikke fungerer, får du blot en proces, der ikke fungerer, hurtigere. Gentænker du derimod processen ud fra det, modellen er god til, får du en helt ny måde at drive arbejdet på.

På arkitekturniveau omfatter optimering af AI-baserede arbejdsgange følgende:

• Opdeling af processer: Del hver arbejdsgang op i særskilte, målbare trin, som en agent kan udføre eller vurdere.
• Koordinering af agenter: Fordel opgaver mellem specialiserede agenter ud fra kontekst, omkostninger og tærskler for sikkerhed i vurderingen.
• Menneskelig kontrol: Fastlæg præcist, hvornår mennesker skal gennemgå, godkende eller gribe ind i agenternes beslutningsforløb.
• Feedbacksløjfer: Registrér menneskelige rettelser, og brug dem til at finjustere modeller eller optimere prompts.

Flowet nedenfor viser, hvordan tilpassede arbejdsgange fordeler arbejdet mellem agenter og mennesker:

Når løsningen skal omsættes til drift, bør din tjekliste omfatte:

• [ ] Kortlæg de nuværende arbejdsgange med tidsstempler og omkostninger pr. trin
• [ ] Find komplekse trin, hvor agenter klarer sig bedre end regelbaseret logik
• [ ] Fastlæg tærskler for, hvornår agenter må handle selvstændigt, og hvornår mennesker skal gennemgå arbejdet
• [ ] Sørg for at registrere feedback, hver gang et menneske tilsidesætter en agents beslutning
• [ ] Mål omkostninger, svartid og nøjagtighed for hvert agentkald
• [ ] Gennemgå hvert kvartal, hvilke opgaver agenterne må håndtere

De organisationer, der klarer sig bedst lige nu, er ikke dem med flest modeller.

Det er dem, der mest bevidst har gentænkt deres arbejdsgange.

Trin 1: Gennemgå eksisterende processer for komplekse muligheder med AI

De fleste store virksomheder begynder med det forkerte spørgsmål: "Hvor kan vi tilføje AI?" Det rigtige spørgsmål er: "Hvilke processer er mest komplekse og mindst automatiserede i dag, og hvad koster det os?" Optimering af AI-baserede arbejdsgange begynder med en kompromisløs, datadrevet gennemgang af alle virksomhedens driftsprocesser.

De øvrige 66 % eksperimenterer stadig, og forskellen mellem de to grupper ligger i kvaliteten af gennemgangen. Du kan ikke optimere noget, du ikke har kortlagt.

Vi bruger en struktureret metode til at gennemgå processer.

Sådan gør vi helt konkret:

1. Træk hændelseslogge ud af jeres ERP-, CRM- og supportsystemer. Hent alle tidsstempler, aktører og statusændringer fra de seneste 90 dage.
2. Genskab den faktiske arbejdsgang ved hjælp af procesanalyse. Den dokumenterede proces og den virkelige proces er næsten aldrig den samme.
3. Klassificér hvert trin efter kompleksitet (regelbaseret eller vurderingsbaseret) og hyppighed (stor eller lille volumen).
4. Vurdér AI-potentialet ved at gange kompleksitetens vægt med hyppigheden. Komplekse trin, der forekommer ofte, er de vigtigste mål.
5. Beregn de nuværende omkostninger pr. trin ud fra de samlede personaleomkostninger og udgifterne til at rette fejl.

Tekniske teams anbefaler vi at kortlægge arbejdsgange programmatisk.

Her er et enkelt eksempel med Python 3.12 og LangChain v0.2, som klassificerer procestrin efter deres AI-potentiale:

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field
from typing import Literal


class StepClassification(BaseModel): step_name: str = Field(description="The workflow step being classified") complexity: Literal["rules-based", "judgment-based", "hybrid"] = Field( description="Whether the step follows fixed rules or requires human judgment" ) frequency: int = Field(description="Number of occurrences per month") ai_opportunity_score: float = Field( description="Score from 0.0 to 1.0 indicating AI replacement potential" )


llm = ChatOpenAI(model="gpt-4o", temperature=0)
structured_llm = llm.with_structured_output(StepClassification)


prompt = ChatPromptTemplate.from_messages([ ("system", "You are a process auditor. Classify workflow steps for AI replacement potential."), ("human", "Step name: {step_name}\nDescription: {description}\nMonthly volume: {volume}"), ])


chain = prompt | structured_llm


result = chain.invoke({ "step_name": "Invoice exception handling", "description": "Review flagged invoices, determine cause, route to correct department or vendor", "volume": 3400 })


print(f"Score: {result.ai_opportunity_score} | Complexity: {result.complexity}")

Gennemgangen skal vise tre ting: processens samlede omkostninger, fejlprocenten og gennemløbstiden. Uden alle tre gætter du. Det er i komplekse trin, der udføres tusindvis af gange om måneden, at optimering af AI-baserede arbejdsgange giver et afkast, som vokser med volumen.

Trin 2: Planlæg, om løsningen skal bygges eller købes, og fastlæg styringsmodellen

Ethvert projekt om optimering af AI-baserede arbejdsgange står over for samme valg: Skal I bygge en skræddersyet arkitektur med agenter eller købe et færdigt SaaS-værktøj til arbejdsgange?

Svaret afhænger af arbejdsgangens kompleksitet, dataenes følsomhed, og hvor meget arbejdsgangen adskiller jeres virksomhed fra konkurrenterne.

Væksten drives i høj grad af beslutninger om at bygge selv, fordi IT-teams ønsker kontrol over agenternes adfærd og datastrømme. Men det er ikke altid det rigtige valg. Det går hurtigere og koster mindre at købe, og for standardprocesser er det ofte tilstrækkeligt.

Her er vores beslutningsgrundlag:

Styring er ufravigelig, uanset hvilken vej du vælger. Autonome agenter, der træffer forretningsmæssige beslutninger, har brug for klare rammer. Her er den styringsmodel, vi implementerer:

• Registrering af agenter: Hver agent får et unikt ID, en ansvarlig, en beskrivelse af sit formål og en liste over godkendte handlinger.
• Lister over tilladte handlinger: Agenter må kun bruge forhåndsgodkendte API'er og værktøjer. Ingen ubegrænset adgang til værktøjer.
• Revisionslogning: Alle agentbeslutninger, input, output og menneskelige tilsidesættelser logges med tidsstempler.
• Begrænsning af kald: Sæt loft over, hvor ofte agenter må køre, så omkostninger ikke løber løbsk, og fejl ikke spreder sig.
• Kriterier for overdragelse til mennesker: Fastlæg tærskler, hvorunder agenter skal overdrage opgaven til et menneske.
• Kvartalsvis gennemgang af adgang: Gennemgå hver agents tilladelser og mulige handlinger hver 90. dag.

Her er et eksempel på registreringsdata for en agent i JSON:

{
 "agent_id": "inv-exception-001",
 "name": "Invoice Exception Handler",
 "owner": "[email protected]",
 "purpose": "Classify and route invoice exceptions to correct department",
 "approved_actions": ["read_invoice", "classify_exception", "route_to_department"],
 "confidence_threshold": 0.85,
 "max_calls_per_hour": 500,
 "human_escalation": true,
 "review_cycle_days": 90
}

En dårligt indrettet godkendelsesproces kan gøre arbejdet langsommere, men manglende kontrol skaber også forsinkelser og hændelser. Fastlæg krav til tilladelser, logning, overdragelse og tilbagerulning i pilotprojektet, og mål derefter, hvordan de påvirker leveringstiden.

Det modsatte synspunkt: Hvorfor AI uden ændrede jobfunktioner er dømt til at mislykkes

Den gængse fortælling er, at AI-værktøjer øger produktiviteten, blot medarbejderne får adgang til dem. Dataene viser noget andet: mere adgang, uændrede jobfunktioner og beskedne gevinster.

Det er derfor, de fleste projekter om optimering af AI-baserede arbejdsgange mislykkes. Du giver medarbejderne et værktøj, men ændrer ikke måden, deres arbejde er organiseret på. Værktøjet bliver en hjælp i hverdagen, ikke en gennemgribende ændring.

Tag et team, der behandler forsikringsskader. Du giver dem en AI-assistent, som udfylder felter i skadesanmeldelser ud fra dokumenter. Hvis deres arbejde stadig kræver manuel gennemgang af hvert felt, sparer AI måske 10 % af deres tid.

Men hvis du ændrer jobbet, så mennesker kun gennemgår skader, hvor agentens sikkerhed i vurderingen ligger under en bestemt tærskel, reducerer du behandlingstiden med 60 % eller mere. Samme værktøj. Et andet jobdesign.

Seks gange så stor effekt. Det kræver konkret følgende at gentænke jobfunktioner til AI:

• Fjernelse af opgaver: Fjern opgaver, som agenter nu håndterer fuldt ud. Behold dem ikke som menneskelige reserveopgaver.
• Nye rollebeskrivelser: Flyt menneskers arbejde fra udførelse til tilsyn, håndtering af undtagelser og træning af agenter.
• Nye målepunkter: Hold op med at måle medarbejdere på antallet af afsluttede opgaver. Mål i stedet kvaliteten af deres håndtering af undtagelser og forbedringer i agenternes resultater.
• Kompetenceudvikling: Lær medarbejdere at skrive effektive prompts, vurdere agenternes output kritisk og give struktureret feedback.
• Omstrukturering af arbejdsgange: Fordel arbejdet på ny, så agenter håndterer første gennemgang, mens mennesker tager de opgaver, der kræver dømmekraft.

Forskellen i afkast mellem virksomheder, der gentænker jobfunktioner, og dem, der ikke gør, er ikke blot gradvis. Den er strukturel.

En tænkt gentænkning af skadebehandlingen kunne sende kun højrisikotilfælde til en medarbejder i stedet for at kræve gennemgang af hvert felt. Test ændringen på historiske sager, fastlæg omkostningerne ved falske positive og falske negative resultater, og offentliggør først resultater fra det faktiske pilotprojekt.

Du kan ikke sætte AI på en jobstruktur fra det 20. århundrede og forvente resultater, der hører det 21. århundrede til.

Trin 3: Flyt AI-arbejdsgange fra eksperimentelt konceptbevis til produktionsdrift

Overgangen fra testmiljø til produktion er der, hvor de fleste initiativer til AI-baseret optimering af arbejdsgange går i stå. Det betyder, at næsten to tredjedele stadig sidder fast i pilotfasen.

Idriftsættelse kræver tre arkitekturbeslutninger: infrastruktur til inferens, omkostningsstyring og observerbarhed.

Få styr på alle tre, ellers bliver løsningen i testmiljøet.

Her er vores tjekliste til overgangen til produktion:

1. Erstat direkte API-kald med batchbaseret inferens, hvor det er muligt, og sænk omkostningerne pr. token med 40 %, en betydelig besparelse.
2. Brug vLLM til inferens på egen infrastruktur i arbejdsgange med høj volumen, så du helt undgår prisfastsættelse pr. token.
3. Brug Ray til distribueret orkestrering af agenter, så du kan skalere horisontalt uden at omskrive agenternes logik.
4. Opsæt circuit breakers for hvert agentkald, så fejl ikke spreder sig gennem systemet.
5. Opsæt omkostningsdashboards i realtid, der viser forbruget pr. arbejdsgang, agent og kald.
6. Fastlæg SLO'er for agenternes svartid og nøjagtighed, og knyt dem til alarmer.

Her er en minimal Ray Serve-konfiguration til at sætte en agentbaseret arbejdsgang i drift i stor skala:

# ray_agent_deploy.py
# Requires: ray[serve]>=2.10, vllm>=0.5, fastapi
import ray
from ray import serve
from vllm import LLM, SamplingParams


ray.init()


@serve.deployment(num_replicas=4, ray_actor_options={"num_gpus": 1}) class WorkflowAgent: def __init__(self): self.llm = LLM( model="meta-llama/Llama-3.3-70B-Instruct", tensor_parallel_size=1, gpu_memory_utilization=0.90, max_model_len=8192, ) self.params = SamplingParams(temperature=0.1, max_tokens=512)


 async def __call__(self, request): prompt = await request.json() prompt_text = prompt.get("task", "") outputs = self.llm.generate([prompt_text], self.params) return {"result": outputs.outputs.text}


app = WorkflowAgent.bind()

Og en vLLM-konfiguration til omkostningsstyret inferens:

# vllm serve command for production agent inference
python -m vllm. entrypoints. openai. api_server \
 --model meta-llama/Llama-3.3-70B-Instruct \
 --tensor-parallel-size 4 \
 --gpu-memory-utilization 0.90 \
 --max-model-len 8192 \
 --enable-chunked-prefill \
 --max-num-seqs 256 \
 --port 8000

Ved 2 millioner kald om måneden er prisen $0.006 pr. kald mod $0.015-0.060 pr. kald hos udbydere af hostede API'er. Sammenlignet med et premium-API nås break-even ved cirka 200,000 kald om måneden.

De arkitekturbeslutninger, du træffer i PoC-fasen, afgør, om løsningen kan sættes i produktion.

Hvordan måler du præcist afkastet af at gentænke arbejdsgange med AI?

De fleste organisationer kan ikke måle afkastet af AI-baseret optimering af arbejdsgange præcist, fordi de følger de forkerte nøgletal. De måler, hvor mange der bruger værktøjet, og hvor tilfredse brugerne er. I stedet bør de måle omkostningen pr.

inferens, ændringer i gennemløb og reduktionen i manuelt arbejde.

Fyrre procent af organisationerne forventer et positivt afkast inden for et til tre år. Det er pejlemærker. Dine egne tal skal være præcise.

Her er den model, vi bruger til at beregne afkastet:

1. Omkostning pr. inferens: Samlede inferensomkostninger divideret med det samlede antal agentkørsler. Følg tallet månedligt. 2. Ændring i gennemløb: Antal opgaver løst pr. time før og efter implementering af den AI-baserede arbejdsgang.
2. Reduktion i manuelt arbejde: Antal sparede arbejdstimer værdisat efter den samlede timeomkostning for medarbejderen.
3. Ændring i fejlrate: Fejlraten før og efter AI, inklusive omkostningen pr. fejl.
4. Kortere gennemløbstid: Tiden fra en opgave igangsættes, til den er afsluttet, målt i arbejdstimer.
5. Tid til break-even: Akkumulerede besparelser divideret med de samlede implementeringsomkostninger.

Lad os gennemgå et konkret eksempel.

Forestil dig en arbejdsgang til håndtering af fakturaafvigelser:

Månedlig volumen: 3,400 afvigelser Manuel omkostning: 3,400 afvigelser × 12 minutter × $45/time i samlet medarbejderomkostning = $30,600/måned Fordeling af omkostninger ved automatisering: - vLLM-inferens på egen infrastruktur: 3,400 kald × $0.006 = $20.40/måned - Cloud-GPU-node (delt): $3,000/måned allokeret - Platform til agentorkestrering: $1,200/måned - Menneskelig gennemgang (15% eskalering): 510 gennemgange × 8 minutter × $45/time = $3,060/måned - Samlet omkostning ved automatisering: $7,280.40/måned Månedlig besparelse: $30,600 - $7,280.40 = $23,319.60 Implementeringsomkostning: $85,000 (udvikling, test og idriftsættelse) Break-even: $85,000 / $23,319.60 = 3.6 måneder

Pointen er, at afkastet ikke kan beskrives med ét tal. Det udvikler sig over tid. I den første måned er afkastet negativt.

I den fjerde måned nås break-even. I den tolvte måned er afkastet 3,3x. Følg udviklingen, ikke et øjebliksbillede.

Organisationer, der kun måler ved idriftsættelsen og igen efter et år, overser vendepunktet og lukker projekter for tidligt.

Konkrete eksempler på optimering af arbejdsgange på tværs af brancher

Forsyningskæder og logistik giver de tydeligste eksempler på, at AI-baseret optimering af arbejdsgange skaber målbare resultater.

Lad os se, hvad det betyder i praksis. En mellemstor logistikvirksomhed, der har 200 lastbiler på vejene hver dag, møder tre flaskehalse: ruteoptimering, efterspørgselsprognoser og håndtering af afvigelser. Hver af dem har sin egen omkostningsprofil og sit eget potentiale for AI.

Ruteoptimering: Før AI tilpasser disponenterne ruterne manuelt efter trafik, vejr og leveringstidsrum. Når en agent er sat i drift, optimerer den løbende ruterne for alle 200 lastbiler. Transportomkostningerne falder med 25%, fordi antallet af tomme kilometer falder, og brændstofudnyttelsen forbedres.

Efterspørgselsprognoser: Traditionelle prognoser bygger på historiske gennemsnit justeret for sæsonudsving. AI-baserede prognosemodeller medtager signaler i realtid: vejr, lokale begivenheder, økonomiske indikatorer og konkurrenternes priser. En forbedring af nøjagtigheden på 85% får lageromkostningerne til at falde markant, fordi du lagerfører det, du har brug for, frem for det, du gætter på.

Håndtering af afvigelser: Når en forsendelse bliver forsinket, sætter den gamle arbejdsgang en telefonkæde i gang. I den optimerede arbejdsgang finder en agent automatisk en ny rute, giver kunderne besked og opdaterer de forventede ankomsttider. Driftsomkostningerne falder med 23%, fordi andelen af afvigelser, der kræver menneskelig indgriben, falder fra 100% til cirka 15%.

Mønstret er det samme i alle tre eksempler. AI-baseret optimering af arbejdsgange forbedrer ikke kun ét nøgletal. Gevinsterne forplanter sig gennem hele forsyningskæden.

Ruteoptimering leverer data til efterspørgselsprognoser. Mere præcise prognoser giver færre afvigelser. Færre afvigelser kræver færre menneskelige indgreb, og hver forbedring gør den næste billigere.

Det er ikke teoretiske fremskrivninger. Capgeminis data fra 2026 bekræfter disse omkostningsreduktioner i AI-systemer, der er sat i drift i forsyningskæder. Virksomhederne, der opnår gevinsterne, har gentænkt arbejdsgangene, ikke kun deres dashboards.

Fremtidens arbejde: Sådan forbereder du dig på systemer med flere agenter

Overgangen fra arbejdsgange med én agent til systemer med flere agenter går hurtigere, end de fleste større virksomheder er forberedt på.

Systemer med flere agenter ændrer regnestykket for AI-baseret optimering af arbejdsgange. I stedet for at én agent håndterer hele arbejdsgangen, samarbejder specialiserede agenter. En researchagent indsamler data.

En analyseagent vurderer mulighederne. En beslutningsagent anbefaler handlinger. Et menneske gennemgår anbefalingen.

Hver agent er mindre, billigere og mere pålidelig end én stor agent, der forsøger at klare det hele.

Infrastrukturen skal udvikles, så den kan understøtte det.

Det skal virksomhederne bygge nu:

• Protokoller for kommunikation mellem agenter: Definér, hvordan agenter deler kontekst, overdrager opgaver og eskalerer til hinanden.
• Systemer med delt hukommelse: Giv agenter adgang til en fælles tilstand, så de ikke udfører det samme arbejde eller modsiger hinanden.
• Orkestreringslag: Sæt en routeragent eller en orkestrator i drift til at styre opgavefordeling og løse konflikter.
• Omkostningsfordeling pr. agent: Følg forbruget for hver enkelt agent, ikke kun for arbejdsgangen som helhed.
• Forebyggelse af kaskadefejl: Hvis én agent fejler, skal systemet kunne fortsætte med nedsat funktionalitet i stedet for at bryde sammen.

Den kulturelle omstilling er lige så vigtig. Medarbejderne skal forstå, at deres rolle går fra at udføre arbejdet til at styre de agenter, der udfører det. Det er ikke en lille justering. Det ændrer grundlæggende menneskers rolle i driftsprocesserne.

Microsoft og andre platformsudbydere bygger funktioner til agentorkestrering direkte ind i deres virksomhedsløsninger, hvilket vil øge udbredelsen. Men de organisationer, der klarer sig bedst, bliver dem, der forbereder deres arbejdsgange, styring og medarbejdere på systemer med flere agenter, før værktøjerne kommer, ikke efter.

Retningen er klar. Arbejdsgange med én agent er det, vi optimerer i dag. Systemer med flere agenter bliver morgendagens udgangspunkt. Afstanden mellem de førende og dem, der halter efter, vil vokse markant i løbet af de næste 18 måneder.