Hvad er AI automation – og hvornår giver det faktisk mening at bruge det?

Alle taler om AI automation. Halvdelen af dem der taler om det, har aldrig sat et workflow op.

Det er ikke en anklage. Det er en observation der forklarer hvorfor så mange virksomheder ender med at bruge tre uger på at automatisere noget der tog ti minutter om ugen at gøre manuelt.

AI automation er et kraftfuldt redskab. Men det er ikke et svar på alt – og det kræver at man er ærlig om hvornår det faktisk hjælper, og hvornår det er et projekt for projektets skyld.

Her er min ærlige vurdering efter to år med det i praksis.

Hvad er AI automation egentlig?

AI automation er betegnelsen for workflows der kombinerer kunstig intelligens med automatiserede processer – typisk for at udføre opgaver der tidligere krævede menneskelig vurdering, ikke bare menneskelig udførelse.

Det er den vigtige distinktion. Klassisk automatisering handler om at lade en maskine gøre det samme igen og igen: send en e-mail når nogen udfylder en formular, opret en kalenderinvitation når en booking bekræftes, eksporter et regneark ved midnat. Det kræver ikke intelligens – det kræver regler.

AI automation tilføjer et lag ovenpå: i stedet for faste regler kan systemet vurdere indhold, fortolke tekst, generere output og tilpasse sin adfærd baseret på kontekst.

Et eksempel: en klassisk automatisering kan sende en notifikation når du modtager en ny Trustpilot-anmeldelse. En AI-automatisering kan læse anmeldelsen, vurdere om den er positiv eller negativ, skrive et udkast til et svar der matcher tonen og dit brand – og lægge det klar til godkendelse.

Samme trigger. Meget mere output.

Hvornår giver det mening?

Jeg bruger to kriterier til at vurdere om en opgave er et godt kandidat til AI automation:

Kriterium 1: Opgaven gentages regelmæssigt Hvis du gør det én gang, skal du ikke automatisere det. Automatisering koster tid at bygge og vedligeholde. Det er kun en god investering hvis opgaven gentages – ideelt dagligt eller ugentligt.

Kriterium 2: Opgaven kræver vurdering, ikke bare udførelse Klassisk automatisering klarer de rene regel-baserede opgaver. AI automation er relevant når opgaven indeholder et element af fortolkning: hvad betyder dette, hvad skal svaret være, hvordan skal dette formuleres.

Opgaver der scorer højt på begge kriterier er de bedste kandidater.

I marketing ser det typisk sådan ud:

• Ugentlige performance-rapporter der skal opsummeres og fortolkes
• Indkommende leads der skal kvalificeres og prioriteres
• Kundehenvendelser der kræver et svar i en bestemt tone
• Konkurrentovervågning der kræver sammenfatning af mange kilder
• Indholdsproduktion der følger et fast format men varierer i emne

Hvornår giver det ikke mening?

Det er mindst ligeså vigtigt.

Opgaver der sker én gang eller sjældent. Tidsforbruget på at bygge et workflow overstiger hurtigt den tid du sparer, hvis opgaven kun opstår fire gange om året.

Opgaver der kræver høj præcision og ikke må fejle. AI laver fejl. Det er ikke en svaghed der forsvinder – det er en grundlæggende egenskab ved nuværende sprogmodeller. Workflows der ikke tåler fejl (juridiske dokumenter, finansielle transaktioner, medicinsk information) kræver menneskelig kontrol i hvert trin.

Opgaver du ikke selv forstår. Hvis du ikke kan forklare præcist hvad det gode output ser ud som, kan du ikke instruere en AI til at producere det. Automatisering forstærker den menneskelige vurdering – det erstatter den ikke.

Opgaver der kræver nuanceret menneskelig relation. En AI kan skrive et udkast til et svarbrev til en utilfreds kunde. Den kan ikke erstatte det telefonopkald der løser problemet.

De tre lag i AI automation

Når jeg tænker på AI automation i praksis, er der tre niveauer med stigende kompleksitet:

Lag 1 – Assisteret produktion Du giver AI'en en opgave, den producerer et output, du godkender og sender. Ingen teknisk opsætning nødvendig. Det er det niveau de fleste er på i dag med ChatGPT og Claude.

Lag 2 – Triggerede workflows En hændelse udløser automatisk en AI-opgave: ny data kommer ind → AI analyserer → output leveres et bestemt sted. Her kommer værktøjer som n8n, Zapier og Make ind. Det kræver lidt teknisk opsætning, men ingen kode.

Lag 3 – Agentbaserede systemer AI-agenter der ikke bare reagerer på triggere, men selv tager initiativ, bruger værktøjer og træffer beslutninger undervejs. Det er her disciplinen bevæger sig hen – men det er også her kompleksiteten og fejlrisikoen stiger markant.

De fleste virksomheder får den største ROI på lag 2. Det er komplekst nok til at spare reel tid, men ikke så komplekst at det kræver et dedikeret udviklingsteam.

Et konkret eksempel fra min hverdag

Hver uge henter jeg performancedata fra Google Search Console, Google Ads og Meta. Tidligere tog det 45–60 minutter at samle det, skrive en opsummering og sende det videre.

Nu kører et n8n-workflow der:

1. Henter data fra alle tre platforme automatisk
2. Sender det til Claude med en fast prompt der beder om en prioriteret opsummering
3. Skriver resultatet ind i Notion med dato og klientnavn

Det tager mig to minutter at gennemse og godkende. Alt andet er automatiseret.

Det er ikke magi. Det er 3–4 timers opsætning én gang, der sparer mig 45 minutter hver uge fremover. Det regnestykke er let.

Hvor starter du?

Mit råd til alle der vil i gang med AI automation er det samme: start med én opgave du gentager hver uge, og som du er træt af.

Ikke det mest imponerende workflow. Ikke det der lyder bedst i en præsentation. Den kedeligste, mest gentagne opgave du laver – og som indeholder et element af fortolkning eller formulering.

Automatiser den. Se hvad der sker.

Hvis det virker og sparer dig tid, er du klar til at gå videre. Hvis det ikke virker, har du lært noget om AI automation der er meget svært at lære ved at læse om det.