AI chatbot til virksomheder: skal den svare dine kunder?
En AI chatbot til virksomheder kan svare på beskeder, mens du sover, men den kan også høfligt tabe et lead. Hvornår den hjælper, og hvordan du tester den.
AI
Implementering af AI i virksomheden — fra færdige assistenter til egen LLM
Vi starter med processen, ikke modellen: ChatGPT, Copilot eller Gemini sat op til dit team, AI-agenter bygget ind i jeres arbejdsgange eller en model med åbne vægte, der kører og trænes på jeres egen infrastruktur.
Når det her handler om dig
Teamet bruger timer på copy-paste: mails, dokumenter, rapporter, dataindtastning.
Medarbejderne bruger allerede ChatGPT på egen hånd — med virksomhedens data og uden regler.
I har prøvet et AI-værktøj, det gav selvsikre, men forkerte svar, og piloten døde stille ud.
Jeres data må ikke forlade virksomheden, så AI i skyen virker udelukket.
Det implementerer vi
Første skridt
AI-procesaudit
Et kort over, hvor AI sparer timer, og hvor den tilføjer risiko: opgaver, mængder, data, ansvarlige.
ChatGPT · Copilot · Gemini · Claude
Færdig AI til teamet
Business-abonnementer sat op til virksomheden: konti, dataregler, brugspolitik, træning.
n8n · Make · APIs
AI-agenter og automatisering
Agenter, der sorterer henvendelser, skriver udkast til svar, trækker data ud af dokumenter og opdaterer CRM'et — med et menneske, der godkender, hvor det betyder noget.
RAG
Vidensassistent
En intern assistent, der svarer ud fra jeres kontrakter, manualer og wiki — med link til kilden.
Llama · Mistral · Qwen
Egen LLM i drift
En model med åbne vægte på jeres servere eller i en dedikeret EU-sky: prompts og dokumenter forlader aldrig jeres eget miljø.
LoRA · testsæt
Finjustering og evaluering
Træning af en model på jeres eksempler til tone, format og fagtermer — målt mod et testsæt før og efter.
Sådan forløber en AI-implementering
Kortlæg processen
Hvor timerne går hen i dag: opgaver, mængder, hvem der gør hvad og med hvilke data.
Vælg use cases
Rangeret efter sparede timer og risiko; vi starter med den, der tjener sig hurtigst hjem og er nemmest at måle.
Data og compliance
Hvilke data opgaven berører, hvor de må behandles, og hvad GDPR og EU's AI-forordning kræver.
Vælg tilgang
Færdigt værktøj, automatisering, RAG eller en egen model — efter matrixen nedenfor, med skriftlig begrundelse.
Pilot på rigtigt arbejde
En lille gruppe, rigtige opgaver og et testsæt af jeres egne eksempler at tjekke svarene op mod.
Evaluér
Præcision, sparet tid og fejl sammenlignet med den manuelle proces — ikke indtryk.
Udrulning og træning
Adgange, brugsregler og træning af teamet. AI uden brugsregler er et datalæk, der venter på at ske.
Overvågning og forbedring
Løbende kvalitetstjek, modelopdateringer og de næste use cases.
Hvilken tilgang — den ærlige matrix
Fra en færdig assistent til jeres egen model — vi vælger ud fra opgaven, dataene og mængden, ikke ud fra hypen:
| ✓ | ✕ | |
|---|---|---|
| Færdige assistenter (ChatGPT, Copilot, Gemini, Claude) | Hurtig start for hele teamet; stærke modeller; administratorkontrol og forretningsvilkår for data | Data behandles i leverandørens sky under kontrakt; begrænset integrationsdybde |
| AI i jeres nuværende værktøjer | CRM, helpdesk og kontorpakker har allerede AI-funktioner indbygget — intet nyt at tage i brug | I får det, leverandøren har bygget, ikke det, jeres proces har brug for |
| Automatisering + model-API'er (n8n, Make, kode) | AI i bestemte trin: sortering af mails, udkast til svar, data fra dokumenter ind i CRM'et | Kræver overvågning og fejlhåndtering; redder ikke en proces, der ikke virker |
| RAG — svar ud fra jeres dokumenter | En assistent, der henviser til jeres egne kontrakter, manualer og wiki; viden opdateres uden gentræning | Kun så god som dokumenterne bag den — et rodet arkiv giver rodede svar |
| Egen LLM (model med åbne vægte på jeres servere) | Data forlader aldrig jeres miljø; forudsigelig pris ved store mængder; fuld kontrol over versioner | Hardware eller GPU-sky og nogen til at drive det; mindre modeller end de største i skyen |
| Finjustering | Fast tone og format, fagsprog, en lille model, der gør én smal opgave godt | Ikke en måde at lære en model fakta på — det er det, RAG er til; kræver et solidt sæt gode eksempler |
Vores princip: den enkleste tilgang, der opfylder jeres datakrav, vinder. En egen model, når dataene kræver det — ikke for prestigens skyld.
Ærlige forventninger
- Ikke alle opgaver kræver AI. Hvis en tjekliste eller en simpel automatisering løser opgaven, siger vi det — og bygger den i stedet.
- AI laver fejl. Ved alt, der vender ud mod kunder eller er juridisk bindende, godkender et menneske — det trin designer vi ind fra start.
- Vi måler før udrulning: et testsæt af jeres rigtige eksempler og en klar måleværdi. »Det ser smart ud« er ikke et resultat.
- Jeres data, jeres aktiver: prompts, vidensbaser, finjusterede modeller og konti tilhører jeres virksomhed.
De første cases er på vej
Vi offentliggør kun cases med kundens samtykke og verificerede tal. Indtil da er vores metode og tjeklisterne ovenfor det ærligste, vi kan vise.
Fra bloggen
Claude Opus 5.5: Fable-niveau til 40 % lavere pris end Opus 5
Claude Opus 5.5 kom den 22. september: 4 $/20 $ pr. million tokens, resultater som Fable 5.1 og 30 % hurtigere output. Hvad betyder det for teams?
ChatGPT Sponsored Agents: OpenAI tester annoncer, der svarer igen
OpenAI tester ChatGPT Sponsored Agents: klik på en annonce og chat med brandets agent. Plus AI-værktøjer til kampagner og integration med HubSpot og Shopify.
Ofte stillede spørgsmål
Hvordan kommer vi i gang med at implementere AI i virksomheden?
Med én proces, ikke med et værktøj. Auditten viser, hvor timerne går hen, og hvilke opgaver AI sikkert kan overtage; vi starter med den use case, der tjener sig hurtigst hjem og er nemmest at måle.
Er vores data sikre hos ChatGPT, Copilot eller Gemini?
Business-abonnementerne på disse assistenter har kontraktlige datavilkår og administratorkontrol, og vilkårene varierer fra leverandør til leverandør. Om de er nok, afhænger af jeres data og jeres branche — vi tjekker dem op mod jeres krav før udrulning.
Hvad er en egen LLM, og hvornår har vi brug for en?
En sprogmodel med åbne vægte, der kører på jeres egne servere eller i en dedikeret sky, så prompts og dokumenter aldrig forlader jeres miljø. Det giver mening ved følsomme data — sundhed, jura, finans, forretningshemmeligheder — strenge kundekontrakter eller store mængder, hvor prisen pr. forespørgsel løber op.
Skal vi finjustere en model?
Som regel ikke i starten. De fleste forretningsopgaver løses med en god model, jeres dokumenter (RAG) og klare instruktioner. Finjustering betaler sig, når I har brug for en fast tone eller et fast format, fagsprog eller en mindre, billigere model til én smal opgave — og når I har nok gode eksempler.
Hvad koster det at implementere AI?
Det afhænger af tilgangen: færdige værktøjer er mest licenser og opsætning; en egen LLM lægger hardware eller GPU-sky og drift oveni. Vi giver pris efter auditten — med de løbende omkostninger beregnet, ikke kun udviklingen.
Hvad med GDPR og EU's AI-forordning?
Vi kortlægger, hvilke regler der gælder for jeres use case: at fortælle kunderne, når de taler med AI, databehandleraftaler, hvor data opbevares og hvor længe. Vi er ikke jeres advokater, men vi bygger, så jeres advokater kan godkende løsningen.
Start med en AI-audit
Fortæl os, hvilken proces der sluger flest timer — vi svarer med de use cases, der er værd at pilotteste, og hvad de kræver af jeres data.
Omfanget går fra én opgave til at drive disciplinen fuldt ud — ingen faste pakker, spændet kommer efter briefen.
Relaterede ydelser:
Tak — her er, hvad der sker nu
- Vi svarer inden for én hverdag.
- Et kort opkald for at forstå opgaven.
- Vi foreslår et startpunkt — som regel en audit.
Vil du have et skarpere estimat? Udfyld briefet — det kommer som en tilføjelse til din henvendelse.
Udfyld briefet